Depuis 2010 · Plus de 2 millions d’utilisations d’outils par mois
Depuis 2010
Ajouter à Chrome

Ma Boîte à Outils

Mode Automatique

Aucun outil enregistré pour l’instant.

Passer à la Version Premium
Outils associés
Calculatrice de fonction d'erreurCalculateur de Coefficient de GiniCalculateur de Capabilité de Processus Six Sigma
Page d'accueil > Randomisation
 

Générateur de Distribution Gaussienne

Générez des nombres aléatoires suivant une distribution normale selon moyenne et écart-type. Courbe en cloche interactive, histogramme et options d'export.

Utilisation gratuiteSans inscriptionMis à jour janv. 2026
Générateur de Distribution GaussienneEssayez maintenant — gratuit ▼

Exemples rapides :

Normale centrée réduite Scores de QI Notes d'examen Mesures
Centre de la distribution
Dispersion de la distribution
Combien de nombres à générer
Précision des résultats
Utiliser la même graine pour des résultats reproductibles

Comprendre la courbe en cloche

μ (Moyenne) -1σ +1σ -2σ +2σ 68% 95% 99.7%
68 % dans ±1σ
95 % dans ±2σ
99,7 % dans ±3σ

Embed Générateur de Distribution Gaussienne Widget

Générateur de Distribution Gaussienne

Le Générateur de distribution gaussienne crée des nombres aléatoires qui suivent une distribution normale (gaussienne), également connue sous le nom de courbe en cloche. Contrairement aux générateurs aléatoires uniformes qui donnent une probabilité égale à toutes les valeurs, cet outil génère des nombres qui se regroupent autour d'une valeur moyenne centrale, avec une probabilité décroissante à mesure que les valeurs s'éloignent du centre.

Qu'est-ce qu'une distribution gaussienne (normale) ?

La distribution gaussienne, nommée d'après le mathématicien Carl Friedrich Gauss, est l'une des distributions de probabilité les plus importantes en statistiques et en sciences naturelles. Elle décrit la manière dont les valeurs sont distribuées autour d'une moyenne centrale, créant la forme caractéristique de la "courbe en cloche".

La distribution est définie par deux paramètres :

La fonction de densité de probabilité : $f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$

La règle des 68-95-99,7 (Règle empirique)

L'une des propriétés les plus utiles de la distribution normale est la règle empirique, qui stipule que :

Cette règle vous aide à prédire quel pourcentage de nombres générés tombera dans des plages spécifiques.

Comment utiliser le générateur de distribution gaussienne

  1. Définir la moyenne (μ) : Entrez la valeur centrale de votre distribution. Pour une distribution normale standard, utilisez 0. Pour les scores de QI, utilisez 100. Pour des notes d'examen, vous pouvez utiliser 75.
  2. Définir l'écart type (σ) : Entrez à quel point vous souhaitez que les valeurs soient dispersées. Pour la normale standard, utilisez 1. Pour les scores de QI, utilisez 15. Des valeurs plus grandes créent des distributions plus larges.
  3. Choisir le nombre : Sélectionnez combien de nombres aléatoires générer (1 à 10 000).
  4. Sélectionner les décimales : Choisissez la précision de 0 (entiers) à 6 décimales.
  5. Graine optionnelle : Entrez une valeur de graine pour des résultats reproductibles. Même graine + mêmes paramètres = mêmes nombres.
  6. Générer : Cliquez sur le bouton pour créer vos nombres aléatoires et voir la visualisation.

Comprendre les statistiques

Statistiques de base

Statistiques avancées

Applications courantes

Simulations et modélisation

Les nombres aléatoires gaussiens sont essentiels pour les simulations de Monte Carlo, la modélisation financière, l'analyse des risques et les simulations scientifiques où la variabilité naturelle doit être modélisée.

Apprentissage automatique et IA

Les poids des réseaux neuronaux sont souvent initialisés en utilisant des distributions gaussiennes. L'injection de bruit pour l'augmentation des données utilise aussi couramment des distributions normales.

Tests statistiques

Générer des données d'échantillon pour tester des méthodes statistiques, des tests d'hypothèse, ou démontrer les concepts du théorème central limite.

Modélisation de phénomènes naturels

De nombreux phénomènes naturels suivent des distributions normales : taille humaine, erreurs de mesure, résultats de tests, lectures de pression artérielle, et plus encore.

Contrôle qualité

Simuler des processus de fabrication où les dimensions du produit varient autour d'une valeur cible avec une tolérance connue.

Exemples de distributions normales

Graine aléatoire pour la reproductibilité

La fonctionnalité optionnelle de graine aléatoire vous permet de générer des séquences reproductibles de nombres aléatoires. Ceci est précieux pour :

Laissez le champ de graine vide pour un véritable aléa où chaque génération produit des résultats différents.

Foire aux questions

Qu'est-ce qu'une distribution gaussienne (normale) ?

Une distribution gaussienne ou normale est une distribution de probabilité symétrique par rapport à la moyenne, montrant que les données proches de la moyenne sont plus fréquentes que les données éloignées. Elle crée la célèbre forme de "courbe en cloche". Environ 68 % des valeurs se situent à moins d'un écart type de la moyenne, 95 % à moins de deux écarts types et 99,7 % à moins de trois écarts types.

Que représentent la moyenne et l'écart type ?

La moyenne (μ) est le centre de la distribution - là où la courbe en cloche atteint son maximum. L'écart type (σ) mesure la dispersion des nombres. un écart type plus grand signifie une plus grande dispersion (courbe en cloche plus large), tandis qu'un écart type plus petit signifie que les valeurs se regroupent plus près de la moyenne (courbe en cloche plus étroite).

À quoi sert l'option de graine aléatoire ?

La graine aléatoire permet de générer des résultats reproductibles. L'utilisation de la même graine avec des paramètres identiques produira exactement la même séquence de nombres aléatoires. Ceci est utile pour les expériences scientifiques, le débogage ou lorsque vous avez besoin de résultats cohérents sur plusieurs exécutions.

Comment puis-je utiliser les nombres aléatoires gaussiens ?

Les nombres aléatoires gaussiens sont utilisés dans les simulations, la modélisation statistique, les méthodes de Monte Carlo, l'apprentissage automatique, le traitement du signal et la modélisation financière. Ils peuvent simuler des phénomènes naturels comme la taille, les résultats de tests, les erreurs de mesure et les mouvements de prix des actions qui suivent souvent des distributions normales.

Que sont l'asymétrie et le kurtosis en statistiques ?

L'asymétrie mesure l'asymétrie de la distribution. Une valeur proche de 0 indique une symétrie. Une asymétrie positive signifie une queue plus longue à droite, négative à gauche. Le kurtosis (excès d'aplatissement) mesure le poids des queues par rapport à une distribution normale. Une valeur proche de 0 indique un poids de queue normal, positif signifie des queues plus lourdes, négatif signifie des queues plus légères.

Détails techniques

Ce générateur utilise la fonction random.gauss() de Python, qui implémente la transformation de Box-Muller pour convertir des nombres aléatoires uniformément distribués en nombres normalement distribués. L'algorithme est :

  1. Générer deux nombres aléatoires uniformes indépendants U1 et U2 dans (0, 1)
  2. Appliquer la transformation de Box-Muller pour obtenir deux valeurs normales standard indépendantes
  3. Mettre à l'échelle et décaler pour obtenir la moyenne et l'écart type souhaités

Ressources connexes

Citez ce contenu, cette page ou cet outil comme suit :

"Générateur de Distribution Gaussienne" sur https://MiniWebtool.com/fr/générateur-de-distribution-gaussienne/ de MiniWebtool, https://MiniWebtool.com/

par l'équipe miniwebtool. Mis à jour : 23 janv. 2026

Randomisation:

Outils populaires et mis à jour:

Calculateur de taille de véloCalculateur de Performance Ajustée à l'Âge en CourseCalculateur de Sel pour PiscineTout voir →
Page d'accueil > Randomisation > Générateur de Distribution Gaussienne