Utilisez le diagramme de probabilité pour comparer l'ajustement des lois de distribution courantes afin de choisir la mieux ajustée. Si les points de données sont distribués le long d'une ligne relativement droite sur le diagramme de probabilité, vous pouvez conclure qu'il est raisonnable de modéliser vos données au moyen de cette loi. Ainsi, la loi la mieux ajustée est celle dont les points suivent la droite d'ajustement le plus étroitement.
Les points du diagramme représentent les percentiles estimés pour les défaillances à l'aide d'une méthode non paramétrique. Lorsque vous maintenez le pointeur sur un point de données, Minitab affiche le temps de défaillance observé et l'estimation de probabilité cumulée.
La droite correspond à la loi de distribution ajustée. Dans cet exemple, les lois de Weibull, log-normale, exponentielle et normale sont les lois ajustées. Lorsque vous maintenez le pointeur sur la droite d'ajustement, Minitab affiche un tableau des percentiles pour divers pourcentages.
Pour la méthode d'estimation du maximum de vraisemblance (EMaxV), Minitab affiche la statistique d'Anderson-Darling (ajusté) pour évaluer l'ajustement de chaque loi de distribution.
Lorsque vous utilisez la méthode d'estimation par les moindres carrés (Mcarrés XY), Minitab affiche le coefficient de corrélation de Pearson, qui est un nombre positif ne pouvant pas être supérieur à 1. Des valeurs de coefficients de corrélation élevées indiquent que la loi fournit un bon ajustement.
Remarque
Pour plus d'informations sur l'interprétation de la statistique d'Anderson-Darling (ajusté), reportez-vous à la rubrique "Adéquation de l'ajustement".
Exemple de résultats
Interprétation
Pour les données relatives aux enroulements de moteur, les diagrammes de probabilité indiquent que la loi de Weibull et la loi log-normale s'ajustent mieux aux données que la loi exponentielle ou la loi normale. La loi log-normale semble être celle qui s'ajuste le mieux aux données.
