Intervalle de tolérance (distribution non normale)
Tolerance Interval (Nonnormal Distribution) indique, avec une confiance choisie, une plage ou une borne contenant au moins un pourcentage choisi de la population, pour des données asymétriques comme des durées de vie ou des résistances. Il ajuste l'une de huit distributions et fournit toujours un intervalle non paramétrique, sans hypothèse de distribution, avec sa confiance atteinte. Vérifiez l'ajustement d'Anderson-Darling avant de vous fier à un intervalle de distribution. À utiliser pour des limites de spécification, de garantie ou de libération.
Dernière révision
Point clé
Un intervalle de tolérance non normal donne la plage qui, avec une confiance donnée, contient au moins un pourcentage donné d'une population à données non normales, à partir d'une distribution ajustée et d'une méthode non paramétrique.
Sur cette page
Objectif
Un intervalle de tolérance donne la plage qui, avec une confiance donnée, contient au moins un pourcentage donné de toutes les unités de la population, par exemple : avec 95% de confiance, au moins 95% des ampoules durent plus de 1,093 heures. Tolerance Interval (Nonnormal Distribution) le fait pour des données qui ne suivent pas une distribution normale, comme des durées de vie, des résistances ou des teneurs en impuretés. Il ajuste une distribution choisie et fournit aussi un intervalle non paramétrique qui n'exige aucune distribution, ce qui permet de comparer les deux. Utilisez-le pour fixer ou vérifier des limites de spécification, des durées de garantie ou des limites de libération à partir d'un échantillon.
Principales fonctionnalités
- Huit distributions : Weibull, Lognormal, Gamma, Exponential, Smallest extreme value, Largest extreme value, Logistic et Loglogistic, ou Assume none pour l'intervalle non paramétrique seul.
- Intervalle non paramétrique (sans hypothèse de distribution) à partir des données ordonnées, avec sa confiance atteinte, affiché dans tous les cas.
- Intervalle bilatéral, borne inférieure ou borne supérieure.
- Test d'ajustement d'Anderson-Darling et paramètres ajustés, pour vérifier la distribution choisie.
- Plusieurs colonnes à la fois, chacune avec son propre intervalle et son histogramme où les limites de tolérance sont repérées.
Méthodes statistiques
Méthode non paramétrique : les limites sont des statistiques d'ordre de l'échantillon. Pour un intervalle bilatéral, l'outil utilise (x₍ᵣ₎, x₍ₙ₋ᵣ₊₁₎), où r est la plus grande valeur pour laquelle la confiance atteinte, P(Beta(n − 2r + 1, 2r) > P), reste au moins égale au niveau de confiance, P étant la proportion minimale de la population. Pour une borne unilatérale, il utilise x₍ₖ₎ (inférieure) ou x₍ₙ₋ₖ₊₁₎ (supérieure), avec k choisi de la même façon à partir de la distribution binomiale. Comme seules des statistiques d'ordre entières peuvent être utilisées, la confiance atteinte est généralement supérieure au niveau demandé ; avec un petit échantillon elle peut lui être inférieure, même avec le minimum et le maximum, et le tableau affiche alors la valeur plus basse.
Méthodes par distribution, avec des paramètres issus du maximum de vraisemblance : Lognormal utilise l'intervalle de tolérance normal des données logarithmiques, retransformé ; Gamma utilise l'intervalle normal de la racine cubique des données (Wilson-Hilferty) ; Exponential utilise des limites exactes du khi-deux pour les bornes unilatérales et la méthode de Fernandez pour le bilatéral ; Weibull (à l'échelle logarithmique), Smallest et Largest extreme value utilisent la méthode exacte de Lawless ; Logistic et Loglogistic utilisent la méthode grand échantillon de Bain et Engelhardt. Un intervalle bilatéral est construit à partir de limites unilatérales à α/2 et (1 + P)/2. Lognormal, Gamma, Exponential, Weibull et Loglogistic exigent des données positives.
Un intervalle de distribution ne vaut que ce que vaut l'ajustement : vérifiez que la valeur p d'Anderson-Darling n'est pas faible (supérieure à 0.05, par exemple) avant de vous y fier. Quand aucune distribution ne s'ajuste, utilisez l'intervalle non paramétrique, qui exige un échantillon plus grand pour atteindre la même confiance. La confiance atteinte ne s'applique qu'à la méthode non paramétrique.
Champs de saisie et options
Champ | Description |
Sample data | Obligatoire. Une ou plusieurs colonnes numériques ; chacune a son propre intervalle. |
Distribution | Weibull (par défaut), Lognormal, Gamma, Exponential, Smallest extreme value, Largest extreme value, Logistic, Loglogistic, ou Assume none, qui n'affiche que l'intervalle non paramétrique. |
Confidence level | Par défaut 95 ; de 50 à 99.99. |
Minimum percentage of population in interval | Par défaut 95 ; de 50 à 99.99. La proportion de la population que l'intervalle doit contenir. |
Tolerance Interval | Two-sided (par défaut), Lower bound ou Upper bound. |
Tolerance Interval Plot | Cochée par défaut : un histogramme de chaque colonne avec les limites de tolérance. |
Data Options: Subset (optional) | Exclude matching rows (par défaut) ou Include only matching rows, par numéros de ligne (par exemple 3,7,12-15) et/ou par une condition. |

Figure 1 — Options de l'exemple : Hours, Lognormal, confiance de 95%, au moins 95% de la population, borne inférieure.
Description des résultats
- Settings — distribution, niveau de confiance et pourcentage de la population dans l'intervalle.
- Statistics — Variable, N, Mean et StDev pour chaque colonne.
- Tolerance table — pour chaque colonne, l'intervalle ou la borne issu de la méthode de la distribution choisie, la Nonparametric Method et son Achieved Confidence (avec Assume none : Lower Bound, Upper Bound et Achieved Confidence).
- Tolerance Interval for <column> — histogramme avec les limites tracées en pointillés (les limites de la méthode de distribution lorsqu'une distribution est choisie).
- Distribution Parameters — les paramètres ajustés, par exemple Location et Scale, ou Shape et Scale.
- Goodness-of-Fit Test (Anderson-Darling) — statistique AD et valeur p pour la distribution choisie.
- Export PDF via Download.

Figure 2 — Borne inférieure log-normale de 1,093.40 heures et borne non paramétrique de 1,070.70 heures (confiance atteinte 96.29%) ; la distribution log-normale s'ajuste (AD 0.484, p = 0.224).
Exemple résolu
Un ingénieur qualité teste 100 ampoules jusqu'à la défaillance et veut énoncer une durée de fonctionnement que, avec 95% de confiance, au moins 95% de toutes les ampoules dépasseront. Les durées de vie étant souvent asymétriques, l'ingénieur ajuste une distribution log-normale. Sample data = Hours, Distribution = Lognormal, Confidence level = 95, Minimum percentage of population in interval = 95, Tolerance Interval = Lower bound.
Les 100 ampoules ont une moyenne de 1,248 heures et un écart-type de 84.1 heures. La distribution log-normale s'ajuste bien (position 7.1271, échelle 0.0671 ; AD 0.484, p = 0.224). La borne inférieure log-normale est de 1,093.40 heures : avec 95% de confiance, au moins 95% des ampoules durent plus longtemps. La borne non paramétrique, la deuxième durée de vie la plus courte de l'échantillon, est de 1,070.70 heures avec une confiance atteinte de 96.29%. Elle est plus basse car elle n'utilise aucun modèle, mais elle appuie une affirmation du même ordre.
Le choix de la distribution compte. Une distribution de Weibull ne s'ajuste pas à ces ampoules (AD 1.558, p < 0.010) et ne donnerait qu'une borne inférieure de 1,017.99 heures ; une distribution Gamma s'ajuste (AD 0.442, p > 0.250) et donne 1,091.16 heures, proche de la log-normale. L'ingénieur peut annoncer environ 1,090 heures avec confiance, et ne doit pas utiliser la valeur de Weibull. Pour un intervalle bilatéral avec la distribution log-normale, 95% des ampoules se situent entre 1,070.95 et 1,447.79 heures (non paramétrique : 1,044.33 à 1,510.35, les durées de vie la plus courte et la plus longue).
Questions fréquentes
Qu'est-ce qu'un intervalle de tolérance pour des données non normales ?
C'est une plage qui, avec une confiance donnée, contient au moins un pourcentage donné de toutes les unités de la population, pour des données qui ne suivent pas une distribution normale, comme des durées de vie, des résistances ou des teneurs en impuretés. Il est calculé à partir d'une distribution ajustée et aussi par une méthode non paramétrique qui n'exige aucune distribution.
Quelles distributions peut-on utiliser pour un intervalle de tolérance non normal ?
Weibull, Lognormal, Gamma, Exponential, Smallest extreme value, Largest extreme value, Logistic et Loglogistic, ou Assume none pour l'intervalle non paramétrique seul. Lognormal, Gamma, Exponential, Weibull et Loglogistic exigent des données positives. Le choix compte : une distribution qui ne s'ajuste pas peut donner une borne très différente.
Quand utiliser l'intervalle de tolérance non paramétrique ?
Utilisez-le lorsqu'aucune distribution ne s'ajuste aux données. Avant de vous fier à un intervalle de distribution, vérifiez que la valeur p d'Anderson-Darling n'est pas faible, supérieure à 0.05 par exemple. L'intervalle non paramétrique utilise des statistiques d'ordre de l'échantillon et exige un échantillon plus grand pour atteindre la même confiance ; sa confiance atteinte est affichée dans le tableau.
Qu'est-ce que la confiance atteinte d'un intervalle de tolérance non paramétrique ?
Comme les limites non paramétriques doivent être des statistiques d'ordre entières de l'échantillon, la confiance réellement atteinte est généralement supérieure au niveau demandé. Avec un petit échantillon elle peut lui être inférieure, même en utilisant le minimum et le maximum, et le tableau affiche alors cette valeur plus basse. La confiance atteinte ne s'applique qu'à la méthode non paramétrique.
