Calculatrice de Distribution de Probabilité

Bienvenue dans la Calculatrice de distribution de probabilité, un outil statistique complet pour calculer les probabilités, les probabilités cumulatives (CDF) et les quantiles (CDF inverse) pour diverses distributions de probabilité. Que vous soyez un étudiant en statistiques, un chercheur analysant des données ou un professionnel travaillant avec des modèles statistiques, cette calculatrice fournit des solutions détaillées étape par étape et des visualisations interactives pour vous aider à comprendre les distributions de probabilité.

Distributions de probabilité prises en charge

Cette calculatrice prend en charge sept distributions de probabilité couramment utilisées, chacune adaptée à différents types de phénomènes aléatoires :

Comprendre les fonctions PDF, CDF et Quantile

Fonction de densité/masse de probabilité (PDF/PMF)

La PDF (pour les distributions continues) ou PMF (pour les distributions discrètes) donne la probabilité relative qu'une variable aléatoire prenne une valeur spécifique. Pour les distributions continues, la valeur de la PDF elle-même n'est pas une probabilité mais une densité — les probabilités sont trouvées en intégrant la PDF sur un intervalle.

Fonction de répartition cumulative (CDF)

La CDF, notée F(x), donne la probabilité qu'une variable aléatoire X soit inférieure ou égale à une valeur x. Cela s'écrit P(X ≤ x). La CDF augmente toujours de 0 à 1 à mesure que x augmente.

Fonction Quantile (CDF inverse)

La fonction quantile (également appelée fonction de point de pourcentage ou CDF inverse) trouve la valeur x pour laquelle P(X ≤ x) = p. Elle répond à la question : « Quelle valeur n'est dépassée que par (1-p)×100 % de la distribution ? » C'est essentiel pour trouver les valeurs critiques dans les tests d'hypothèse.

Formules de distribution

Distribution Normale

La distribution Normale (gaussienne) est symétrique et en forme de cloche, caractérisée par la moyenne μ (centre) et l'écart-type σ (dispersion).

• PDF : \( f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \)
• CDF : \( F(x) = \frac{1}{2}\left[1 + \text{erf}\left(\frac{x-\mu}{\sigma\sqrt{2}}\right)\right] \)
• Quantile : \( x = \mu + \sigma \cdot \Phi^{-1}(p) \)

Distribution Binomiale

Modélise le nombre de succès dans n essais indépendants, chacun avec une probabilité de succès p.

• PMF : \( P(X=k) = \binom{n}{k} p^k (1-p)^{n-k} \)
• CDF : \( F(k) = \sum_{i=0}^{k} \binom{n}{i} p^i (1-p)^{n-i} \)

Distribution de Poisson

Modélise le nombre d'événements dans un intervalle fixe lorsque les événements se produisent à un taux moyen constant λ.

• PMF : \( P(X=k) = \frac{e^{-\lambda} \lambda^k}{k!} \)
• CDF : \( F(k) = e^{-\lambda} \sum_{i=0}^{k} \frac{\lambda^i}{i!} \)

Distribution Exponentielle

Modélise le temps entre les événements dans un processus de Poisson avec un taux λ.

• PDF : \( f(x) = \lambda e^{-\lambda x} \) pour x ≥ 0
• CDF : \( F(x) = 1 - e^{-\lambda x} \)
• Quantile : \( x = -\frac{\ln(1-p)}{\lambda} \)

Distribution du Khi-deux

Apparaît en statistique comme la somme de variables normales standard au carré. Utilisée dans les tests d'hypothèse et les intervalles de confiance pour la variance.

• PDF : \( f(x) = \frac{x^{k/2-1} e^{-x/2}}{2^{k/2} \Gamma(k/2)} \) pour x > 0

Distribution t de Student

Semblable à la Normale mais avec des queues plus lourdes. Utilisée pour l'inférence sur les moyennes de population lorsque la taille de l'échantillon est petite ou que la variance de la population est inconnue.

• PDF : \( f(x) = \frac{\Gamma\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\,\Gamma\left(\frac{\nu}{2}\right)} \left(1+\frac{x^2}{\nu}\right)^{-\frac{\nu+1}{2}} \)

Comment utiliser cette calculatrice

1. Sélectionner une distribution : Cliquez sur la carte de distribution qui correspond à vos données ou à votre problème. Chaque carte indique le type de distribution (continue ou discrète).
2. Choisir le type de calcul : Sélectionnez PDF/PMF pour la probabilité en un point, CDF pour la probabilité cumulative, ou Quantile pour trouver une valeur pour une probabilité donnée.
3. Saisir les paramètres : Entrez les paramètres de la distribution. Le formulaire affiche dynamiquement uniquement les paramètres pertinents pour la distribution choisie.
4. Saisir la valeur ou la probabilité : Pour PDF/CDF, entrez la valeur x (ou k pour les discrètes). Pour Quantile, entrez une probabilité entre 0 et 1.
5. Examiner les résultats : Examinez le résultat calculé, la dérivation mathématique étape par étape et la visualisation interactive de la distribution.

Foire aux questions

Qu'est-ce qu'une distribution de probabilité ?

Une distribution de probabilité est une fonction mathématique qui décrit la probabilité de différents résultats possibles pour une variable aléatoire. Elle peut être discrète (comme Binomiale ou Poisson) pour des résultats dénombrables, ou continue (comme Normale ou Exponentielle) pour des résultats qui peuvent prendre n'importe quelle valeur dans une plage.

Quelle est la différence entre PDF et CDF ?

La PDF (Fonction de Densité de Probabilité) ou PMF (Fonction de Masse de Probabilité) donne la densité de probabilité en un point spécifique. Pour les distributions discrètes, la PMF donne la probabilité exacte P(X=k). La CDF (Fonction de Répartition Cumulative) donne la probabilité que la variable aléatoire soit inférieure ou égale à une valeur : P(X≤x). La CDF est la somme cumulative/l'intégrale de la PDF/PMF.

Quand dois-je utiliser la distribution Normale ?

La distribution Normale est appropriée pour les données continues qui sont réparties de manière symétrique autour d'une valeur moyenne. Elle est couramment utilisée pour des phénomènes tels que la taille, les scores aux tests, les erreurs de mesure et de nombreuses variables biologiques. Le théorème central limite stipule que les moyennes d'échantillons tendent vers une distribution normale, quelle que soit la distribution de la population.

Qu'est-ce qu'une fonction quantile ?

La fonction quantile (également appelée CDF inverse ou fonction de point de pourcentage) trouve la valeur x telle que P(X≤x) = p pour une probabilité p donnée. Par exemple, le 95e percentile (p=0,95) d'une distribution est la valeur en dessous de laquelle se situent 95 % des observations.

Comment choisir entre différentes distributions ?

Choisissez en fonction des caractéristiques de vos données : Normale pour des données continues symétriques autour d'une moyenne ; Binomiale pour compter les succès dans des essais fixes ; Poisson pour compter des événements rares dans un intervalle fixe ; Exponentielle pour le temps entre les événements ; Uniforme pour une probabilité égale sur une plage ; Khi-deux pour les tests de variance ; t de Student pour de petits échantillons avec une variance de population inconnue.