1. Fondements th\u00e9oriques et math\u00e9matiques de la distribution de Weibull<\/h2>\n1.1 D\u00e9finition analytique et fonction de densit\u00e9 de probabilit\u00e9<\/h3>\n
La formulation math\u00e9matique d’une variable al\u00e9atoire continue suivant une loi de Weibull \u00e0 deux param\u00e8tres repose sur une \u00e9quation diff\u00e9rentielle issue de la mod\u00e9lisation de la fiabilit\u00e9 des composants complexes. Sur le plan formel, une variable al\u00e9atoire r\u00e9elle positive X<\/em> est dite distribu\u00e9e selon une loi de Weibull de param\u00e8tre de forme k<\/em> (souvent d\u00e9sign\u00e9 sous l’anglicisme shape<\/em>) strictement positif et de param\u00e8tre d’\u00e9chelle lambda<\/em> (ou scale<\/em>) strictement positif si sa fonction de densit\u00e9 de probabilit\u00e9, not\u00e9e f(x; k, lambda)<\/em>, est explicit\u00e9e par la relation analytique fondamentale suivante pour toute valeur de x<\/em> strictement sup\u00e9rieure \u00e0 z\u00e9ro :<\/p>\n f(x; k, lambda) = (k \/ lambda) * (x \/ lambda)^(k – 1) * exp(-(x \/ lambda)^k)<\/em><\/p>\n Dans cette formulation, pour toute valeur de x<\/em> inf\u00e9rieure ou \u00e9gale \u00e0 z\u00e9ro, la fonction de densit\u00e9 est strictement nulle, conf\u00e9rant ainsi \u00e0 la distribution une fronti\u00e8re \u00e9tanche \u00e0 l’origine. L’impact du param\u00e8tre de forme k<\/em> est pr\u00e9pond\u00e9rant dans la d\u00e9termination g\u00e9om\u00e9trique du profil de la distribution. Il agit comme un op\u00e9rateur direct sur l’asym\u00e9trie (skewness) et l’aplatissement (kurtosis) de la courbe. Lorsque k<\/em> varie, la d\u00e9riv\u00e9e premi\u00e8re de la fonction de densit\u00e9 subit des transformations qualitatives profondes, d\u00e9pla\u00e7ant le mode de la distribution et r\u00e9gissant la vitesse d’amortissement de la queue de probabilit\u00e9 sup\u00e9rieure.<\/p>\n Le param\u00e8tre d’\u00e9chelle lambda<\/em>, quant \u00e0 lui, op\u00e8re une dilatation ou une contraction isotrope le long de l’axe des abscisses. Mesur\u00e9 dans la m\u00eame unit\u00e9 dimensionnelle que la variable al\u00e9atoire X<\/em>, il correspond au 63,2e centile th\u00e9orique de la distribution, quelle que soit la valeur attribu\u00e9e au param\u00e8tre de forme. Cette propri\u00e9t\u00e9 d\u00e9coule directement de l’\u00e9valuation de la probabilit\u00e9 cumul\u00e9e en x = lambda<\/em>, o\u00f9 la fonction exponentielle prend la valeur universelle 1 – exp(-1)<\/em>, soit approximativement 0,63212. Ainsi, l’augmentation de lambda<\/em> \u00e9tire horizontalement la courbe de probabilit\u00e9 tout en diminuant proportionnellement son sommet afin de pr\u00e9server l’axiome fondamental selon lequel l’int\u00e9grale de la densit\u00e9 sur l’ensemble de son domaine de d\u00e9finition demeure rigoureusement \u00e9gale \u00e0 l’unit\u00e9.<\/p>\n Sur le plan asymptotique, lorsque la variable x<\/em> tend vers l’infini positif, le terme exponentiel n\u00e9gatif gouverne imp\u00e9rieusement la d\u00e9croissance de la fonction, garantissant une convergence ultra-rapide vers z\u00e9ro. \u00c0 l’inverse, lorsque x<\/em> s’approche de z\u00e9ro par la droite, le comportement limite d\u00e9pend exclusivement de la magnitude de k<\/em> : si k<\/em> est strictement inf\u00e9rieur \u00e0 l’unit\u00e9, la densit\u00e9 diverge vers l’infini, cr\u00e9ant une singularit\u00e9 asymptotique verticale \u00e0 l’origine ; si k<\/em> est \u00e9gal \u00e0 un, la densit\u00e9 coupe l’axe vertical \u00e0 la hauteur exacte de 1 \/ lambda<\/em> ; enfin, si k<\/em> exc\u00e8de un, la courbe s’annule en z\u00e9ro avec une tangente dont l’inclinaison d\u00e9pend de la puissance k – 1<\/em>.<\/p>\n En psychologie exp\u00e9rimentale et en neurosciences comportementales, l’analyse fine des distributions temporelles constitue l’une des voies royales pour inf\u00e9rer l’architecture fonctionnelle des processus cognitifs sous-jacents. Dans le cadre de paradigmes exp\u00e9rimentaux chronom\u00e9tr\u00e9s \u2014 tels que les t\u00e2ches d’inhibition de type Stop-Signal, les \u00e9preuves de d\u00e9cision lexicale ou les t\u00e2ches d’attention soutenue comme la Psychomotor Vigilance Task \u2014, les temps de r\u00e9action ne se r\u00e9duisent jamais \u00e0 leur moyenne arithm\u00e9tique. L’utilisation de la distribution de Weibull s’av\u00e8re particuli\u00e8rement pertinente car elle d\u00e9coule directement d’un mod\u00e8le m\u00e9canistique th\u00e9orique dit de \u00ab\u00a0course de chevaux\u00a0\u00bb (race model) ou de maillon le plus faible (weakest-link model). Dans cette perspective, la r\u00e9ponse comportementale observ\u00e9e \u00e9merge d\u00e8s lors que le premier parmi une constellation de d\u00e9tecteurs neuronaux parall\u00e8les franchit un seuil critique d’activation.<\/p>\n Un autre domaine d’application psychologique de premier plan concerne l’analyse de l’attrition exp\u00e9rimentale et des temps d’abandon au sein d’\u00e9tudes longitudinales ou d’interventions th\u00e9rapeutiques digitalis\u00e9es. Dans les protocoles cliniques ou les th\u00e9rapies comportementales en ligne, la probabilit\u00e9 d’abandon varie au fil du temps en fonction de l’effort per\u00e7u, de la lassitude ou du d\u00e9sengagement cognitif. La flexibilit\u00e9 param\u00e9trique de la loi de Weibull permet d’estimer si le risque instantan\u00e9 d’abandon augmente de mani\u00e8re monotone \u2014 traduisant une accumulation progressive d’\u00e9puisement cognitif et de charge mentale \u2014 ou s’il s’att\u00e9nue avec le passage du temps, t\u00e9moignant d’une s\u00e9lection adaptative des participants les plus r\u00e9silients.<\/p>\n Dans la litt\u00e9rature psychom\u00e9trique contemporaine, la distribution de Weibull entre fr\u00e9quemment en comp\u00e9tition avec la loi log-normale et la distribution ex-gaussienne (qui combine une composante normale et une queue exponentielle). Bien que l’ex-gaussienne soit historiquement pris\u00e9e pour sa d\u00e9composition intuitive entre une composante motrice centrale et un processus d\u00e9cisionnel d\u00e9lib\u00e9ratif, elle souffre d’un manque de flexibilit\u00e9 dans la mod\u00e9lisation des \u00e9v\u00e9nements extr\u00eames pr\u00e9coces. La loi de Weibull, ancr\u00e9e dans la th\u00e9orie math\u00e9matique asymptotique de Fr\u00e9chet-Fisher-Tippett, offre une description sup\u00e9rieure des latences ultra-courtes et permet de mod\u00e9liser avec une grande \u00e9l\u00e9gance la fronti\u00e8re temporelle minimale en de\u00e7\u00e0 de laquelle aucune transmission synaptique physiologique n’est biologiquement envisageable.<\/p>\n La puissance s\u00e9miotique et analytique de la loi de Weibull provient de sa capacit\u00e9 \u00e0 m\u00e9tamorphoser sa morphologie fonctionnelle sous l’effet des variations de son param\u00e8tre de forme k<\/em>. L’exploration visuelle de ces r\u00e9gimes dynamiques constitue une \u00e9tape exploratoire indispensable pour tout statisticien ou psychologue confront\u00e9 \u00e0 des s\u00e9ries temporelles empiriques.<\/p>\n Fid\u00e8le \u00e0 la philosophie de conception de ses distributions univari\u00e9es, le syst\u00e8me R int\u00e8gre la loi de Weibull au sein d’un quatuor fonctionnel coh\u00e9rent partageant le pr\u00e9fixe g\u00e9n\u00e9rique de la distribution. Cette architecture canonique est compos\u00e9e des fonctions dweibull<\/em>, pweibull<\/em>, qweibull<\/em> et rweibull<\/em>, chacune r\u00e9pondant \u00e0 des op\u00e9rations math\u00e9matiques sp\u00e9cifiques indispensables \u00e0 la mod\u00e9lisation statistique.<\/p>\n La fonction dweibull()<\/em> constitue l’op\u00e9rateur de calcul de la densit\u00e9 de probabilit\u00e9 continue. Elle \u00e9value, pour un vecteur donn\u00e9 d’abscisses, la hauteur exacte de la courbe th\u00e9orique. Elle ne calcule pas une probabilit\u00e9 discr\u00e8te \u2014 puisque dans le domaine continu la probabilit\u00e9 en un point isol\u00e9 est infinit\u00e9simale \u2014, mais une intensit\u00e9 locale de densit\u00e9, mesur\u00e9e en unit\u00e9s inverses de la variable observ\u00e9e. C’est cette fonction centrale qui sera pass\u00e9e en param\u00e8tre aux moteurs graphiques pour g\u00e9n\u00e9rer les profils morphologiques de la loi.<\/p>\n La fonction pweibull()<\/em> impl\u00e9mente l’int\u00e9grale d\u00e9finie de la fonction de densit\u00e9 de moins l’infini (en pratique z\u00e9ro) jusqu’au point d’\u00e9valuation. Elle fournit la fonction de r\u00e9partition cumulative (Cumulative Distribution Function ou CDF), traduisant la probabilit\u00e9 formelle que la variable al\u00e9atoire X<\/em> prenne une valeur inf\u00e9rieure ou \u00e9gale au seuil q<\/em> sp\u00e9cifi\u00e9. Elle s’exprime analytiquement par la formule close F(q) = 1 – exp(-(q \/ lambda)^k)<\/em>. Son calcul est algorithmiquement extr\u00eamement rapide puisqu’il ne requiert aucune quadrature num\u00e9rique d’approximation.<\/p>\n Inversement, la fonction qweibull()<\/em> repr\u00e9sente la fonction quantile th\u00e9orique, correspondant \u00e0 la r\u00e9ciproque math\u00e9matique de la fonction de r\u00e9partition. En lui fournissant une probabilit\u00e9 cumul\u00e9e comprise entre 0 et 1, elle restitue la valeur critique sur l’axe des abscisses correspondant \u00e0 ce rang percentile. Cette fonction est essentielle pour d\u00e9limiter les intervalles de confiance bay\u00e9siens ou fr\u00e9quentistes et pour positionner des rep\u00e8res graphiques au niveau des quantiles cl\u00e9s tels que la m\u00e9diane th\u00e9orique (centile 0,50).<\/p>\n Enfin, la fonction rweibull()<\/em> op\u00e8re comme un g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires distribu\u00e9s selon la loi de Weibull. S’appuyant sur la m\u00e9thode de transformation inverse \u00e0 partir de tirages uniformes g\u00e9n\u00e9r\u00e9s par l’algorithme sous-jacent de Mersenne Twister, rweibull()<\/em> permet aux chercheurs de simuler des cohortes synth\u00e9tiques de donn\u00e9es comportementales, autorisant des \u00e9tudes de puissance statistique par m\u00e9thode de Monte-Carlo ou le test de robustesse d’estimateurs param\u00e9triques.<\/p>\n L’invocation correcte de la fonction dweibull()<\/em> exige une compr\u00e9hension scrupuleuse de ses arguments formels et des pi\u00e8ges d’impl\u00e9mentation qui peuvent alt\u00e9rer la validit\u00e9 des calculs. La signature de base de la fonction dans l’environnement R se pr\u00e9sente sous la forme suivante :<\/p>\n dweibull(x, shape, scale = 1, log = FALSE)<\/em><\/p>\n L’argument x<\/em> accueille un vecteur num\u00e9rique d’abscisses pour lesquelles la densit\u00e9 doit \u00eatre calcul\u00e9e. L’argument shape<\/em> repr\u00e9sente le param\u00e8tre de forme k<\/em> et ne dispose d’aucune valeur par d\u00e9faut : son omission d\u00e9clenche imm\u00e9diatement une erreur d’ex\u00e9cution. En revanche, l’argument scale<\/em>, qui correspond au param\u00e8tre d’\u00e9chelle lambda<\/em>, poss\u00e8de une valeur fix\u00e9e par d\u00e9faut \u00e0 1. Cette convention, bien que pratique pour les math\u00e9maticiens travaillant sur des distributions r\u00e9duites, constitue un pi\u00e8ge r\u00e9current pour les praticiens des sciences comportementales. Omettre de sp\u00e9cifier explicitement scale<\/em> revient \u00e0 postuler implicitement que le 63e percentile des temps de r\u00e9action se situe exactement \u00e0 1 seconde ou 1 milliseconde, ce qui est g\u00e9n\u00e9ralement d\u00e9nu\u00e9 de toute coh\u00e9rence biologique ou physique.<\/p>\n La gestion du domaine de validit\u00e9 est rigoureusement prise en charge par le code C sous-jacent de R. Si un vecteur d’entr\u00e9e x<\/em> contient des valeurs strictement n\u00e9gatives, dweibull()<\/em> ne renvoie pas d’erreur mais assigne automatiquement la valeur z\u00e9ro \u00e0 la densit\u00e9 correspondante, respectant scrupuleusement la d\u00e9finition math\u00e9matique de la loi. En revanche, si l’utilisateur sp\u00e9cifie une valeur nulle ou n\u00e9gative pour le param\u00e8tre shape<\/em> ou scale<\/em>, R \u00e9met un avertissement formel et renvoie la valeur NaN<\/em> (Not a Number), les param\u00e8tres de Weibull \u00e9tant strictement contraints au domaine des r\u00e9els positifs.<\/p>\n L’argument logique log = FALSE<\/em> permet, lorsqu’il est bascul\u00e9 sur TRUE<\/em>, de retourner directement le logarithme n\u00e9p\u00e9rien de la densit\u00e9 de probabilit\u00e9. Cette fonctionnalit\u00e9 s’av\u00e8re critique pour les calculs de log-vraisemblance dans les algorithmes d’optimisation num\u00e9rique, car elle pr\u00e9vient les ph\u00e9nom\u00e8nes d’\u00e9vanouissement arithm\u00e9tique (underflow) qui surviennent in\u00e9vitablement dans les queues de distribution o\u00f9 la densit\u00e9 devient infinit\u00e9simale.<\/p>\n Le moteur graphique standard de R met \u00e0 la disposition des chercheurs une fonction d\u00e9di\u00e9e au trac\u00e9 direct de relations math\u00e9matiques continues sans qu’il soit n\u00e9cessaire de cr\u00e9er manuellement au pr\u00e9alable un vecteur de points ordonn\u00e9s : la fonction curve<\/strong>. Contrairement aux fonctions graphiques \u00e9l\u00e9mentaires comme plot<\/strong>, qui op\u00e8rent sur des paires de vecteurs discrets de coordonn\u00e9es cart\u00e9siennes, curve<\/strong> adopte un paradigme d’\u00e9valuation non standard particuli\u00e8rement \u00e9l\u00e9gant pour l’analyse fonctionnelle.<\/p>\n Le m\u00e9canisme interne de curve<\/strong> consiste \u00e0 analyser l’expression math\u00e9matique transmise en premier argument en tant qu’objet de type expression symbolique. Dans cette expression, la variable ind\u00e9pendante doit obligatoirement \u00eatre not\u00e9e sous le symbole litt\u00e9ral x<\/em>. Les arguments from<\/em> et to<\/em> d\u00e9finissent l’intervalle ferm\u00e9 sur lequel le trac\u00e9 doit \u00eatre g\u00e9n\u00e9r\u00e9. En arri\u00e8re-plan, R interpole cet intervalle en un maillage r\u00e9gulier de points num\u00e9riques \u00e9quidistants, \u00e9value l’expression vectorielle en rempla\u00e7ant la variable symbolique x<\/em> par ce vecteur synth\u00e9tique, puis connecte les paires de coordonn\u00e9es calcul\u00e9es par des segments infinit\u00e9simaux produisant l’illusion d’une ligne continue parfaitement fluide.<\/p>\n Le choix strat\u00e9gique des bornes d’affichage from<\/em> et to<\/em> est crucial pour restituer fid\u00e8lement l’int\u00e9gralit\u00e9 de la morphologie de la loi de Weibull. Fixer from = 0<\/em> est indispensable pour visualiser le comportement de la distribution \u00e0 l’origine. Le choix de to<\/em> doit quant \u00e0 lui \u00eatre guid\u00e9 par la fonction quantile th\u00e9orique qweibull<\/em>. Dans un cadre de rigueur scientifique, il est vivement d\u00e9conseill\u00e9 de choisir la borne sup\u00e9rieure de mani\u00e8re arbitraire. Calculer pr\u00e9alablement le 99,9e centile de la distribution cibl\u00e9e \u00e0 l’aide de l’instruction qweibull(0.999, shape = k, scale = lambda)<\/em> constitue la m\u00e9thode la plus rationnelle pour garantir que l’int\u00e9gralit\u00e9 de l’aire sous la courbe sera visible sans \u00e9craser le sommet de la distribution dans une marge lat\u00e9rale.<\/p>\n Pour mat\u00e9rialiser une premi\u00e8re distribution de Weibull repr\u00e9sentative d’un temps de r\u00e9action unimodal typique, il suffit d’ex\u00e9cuter l’instruction \u00e9l\u00e9mentaire suivante au sein de la console R :<\/p>\n curve(dweibull(x, shape = 2, scale = 1), from = 0, to = 4)<\/em><\/p>\n L’ex\u00e9cution de cette commande ouvre imm\u00e9diatement une fen\u00eatre graphique native pr\u00e9sentant la silhouette canonique d’une loi de Weibull de forme quadratique. L’observateur attentif rel\u00e8vera imm\u00e9diatement les conventions visuelles par d\u00e9faut attribu\u00e9es par le moteur R Base : les axes sont trac\u00e9s avec une bo\u00eete ferm\u00e9e compl\u00e8te, les graduations sont espac\u00e9es selon l’algorithme heuristique d’\u00e9quidistance de Wilkinson, et les \u00e9tiquettes textuelles des axes reprennent m\u00e9caniquement l’expression symbolique saisie, \u00e0 savoir dweibull(x, shape = 2, scale = 1)<\/em> en ordonn\u00e9e et x<\/em> en abscisse.<\/p>\n Un examen approfondi de la g\u00e9om\u00e9trie de cette courbe permet d’identifier visuellement les caract\u00e9ristiques math\u00e9matiques de la configuration shape = 2<\/em> (connue historiquement sous le nom de distribution de Rayleigh). La densit\u00e9 part de z\u00e9ro avec une pente lin\u00e9aire ascendante, atteint son extremum local (le mode de la distribution) en un point d’abscisse th\u00e9orique \u00e9gal \u00e0 lambda * sqrt((k – 1) \/ k)<\/em> \u2014 soit pour nos param\u00e8tres 1 * sqrt(1\/2) \u2248 0,707<\/em> \u2014, puis entame une d\u00e9croissance asym\u00e9trique progressive vers la droite.<\/p>\n Toutefois, lors du trac\u00e9 de distributions de Weibull pr\u00e9sentant un param\u00e8tre de forme \u00e9lev\u00e9 (induisant des pointes tr\u00e8s \u00e9troites) ou un param\u00e8tre de forme inf\u00e9rieur \u00e0 l’unit\u00e9 (induisant une courbure asymptotique violente pr\u00e8s de z\u00e9ro), le maillage d’\u00e9chantillonnage par d\u00e9faut de la fonction curve<\/strong>, qui n’est que de 101 points \u00e9quidistants, peut engendrer des artefacts visuels perceptibles sous forme de facettes anguleuses. Pour \u00e9liminer tout artefact d’\u00e9chantillonnage et garantir un rendu vectoriel irr\u00e9prochable, il est indispensable de sp\u00e9cifier l’argument n = 1000<\/em> ou n = 5000<\/em>, ce qui force le moteur \u00e0 interpoler la densit\u00e9 sur plusieurs milliers de points, restituant une courbure d’une fluidit\u00e9 math\u00e9matique parfaite.<\/p>\n Bien que le trac\u00e9 par d\u00e9faut produit par curve<\/strong> permette une inspection exploratoire rapide, il s’av\u00e8re manifestement insuffisant pour une communication scientifique ou une int\u00e9gration dans un manuscrit destin\u00e9 \u00e0 une revue \u00e0 comit\u00e9 de lecture. La premi\u00e8re \u00e9tape d’optimisation consiste \u00e0 doter la figure d’un appareillage textuel explicite, rigoureux et math\u00e9matiquement document\u00e9.<\/p>\n L’argument main<\/em> permet d’ins\u00e9rer un titre sup\u00e9rieur r\u00e9sumant la finalit\u00e9 de l’illustration. L’argument xlab<\/em> doit remplacer le simple symbole x<\/em> par une d\u00e9signation explicite de la m\u00e9trique mesur\u00e9e, incluant imp\u00e9rativement l’unit\u00e9 de mesure physique, par exemple \u00ab\u00a0Temps de latence cognitive (secondes)\u00a0\u00bb ou \u00ab\u00a0Dur\u00e9e de fixation oculaire (ms)\u00a0\u00bb. De mani\u00e8re analogue, l’argument ylab<\/em> doit formaliser la dimension de l’axe vertical, g\u00e9n\u00e9ralement libell\u00e9 \u00ab\u00a0Densit\u00e9 de probabilit\u00e9 f(x)\u00a0\u00bb.<\/p>\n L’enrichissement le plus raffin\u00e9 repose toutefois sur l’incorporation de la notation typographique math\u00e9matique native au moyen de la fonction expression<\/strong> ou de la construction dynamique bquote<\/strong>. R dispose d’un parseur typographique inspir\u00e9 de TeX permettant d’afficher des caract\u00e8res grecs authentiques et des indices sans n\u00e9cessiter de paquets externes. Ainsi, la transmission de l’instruction math\u00e9matique permet de formater les param\u00e8tres sous forme de symboles grecs kappa<\/em> et lambda<\/em> avec une perfection \u00e9ditoriale absolue :<\/p>\n curve(dweibull(x, shape = 2, scale = 1.5), from = 0, to = 5, main = expression(paste(\u00ab\u00a0Densit\u00e9 de probabilit\u00e9 de Weibull (\u00ab\u00a0, italic(k), \u00a0\u00bb = 2, \u00ab\u00a0, italic(lambda), \u00a0\u00bb = 1.5)\u00a0\u00bb)), xlab = \u00ab\u00a0Temps de r\u00e9ponse (s)\u00a0\u00bb, ylab = \u00ab\u00a0Densit\u00e9 f(t)\u00a0\u00bb)<\/em><\/p>\n La lisibilit\u00e9 d’un graphique scientifique repose grandement sur le contraste et la hi\u00e9rarchie visuelle des \u00e9l\u00e9ments g\u00e9om\u00e9triques. Le trait par d\u00e9faut produit par le syst\u00e8me graphique de base pr\u00e9sente une \u00e9paisseur unitaire extr\u00eamement fine (lwd = 1<\/em>), qui s’estompe visuellement lors de r\u00e9ductions d’\u00e9chelle dans les colonnes de revues acad\u00e9miques ou sur des supports de projection.<\/p>\n Pour conf\u00e9rer \u00e0 la courbe une pr\u00e9sence visuelle affirm\u00e9e, il est pr\u00e9conis\u00e9 d’assigner \u00e0 l’argument lwd<\/em> (line width) une valeur comprise entre 2 et 3.5. Simultan\u00e9ment, le choix chromatique via l’argument col<\/em> permet de sortir du noir g\u00e9n\u00e9rique. Dans les publications psychologiques, des teintes sobres et institutionnelles telles que \u00ab\u00a0steelblue\u00a0\u00bb<\/em>, \u00ab\u00a0midnightblue\u00a0\u00bb<\/em> ou \u00ab\u00a0darkred\u00a0\u00bb<\/em> renforcent l’\u00e9l\u00e9gance sans distraire le lecteur. Le type de trait, param\u00e9tr\u00e9 par l’argument lty<\/em> (line type), permet de distinguer les conditions lorsque l’impression en niveaux de gris est requise (1 pour une ligne continue, 2 pour un trait tiret\u00e9, 3 pour un pointill\u00e9 dense).<\/p>\n Enfin, la configuration de l’encadrement g\u00e9om\u00e9trique via l’argument bty<\/em> (box type) offre un levier esth\u00e9tique d\u00e9terminant. Par d\u00e9faut, R trace un cadre int\u00e9gral \u00e0 quatre c\u00f4t\u00e9s (bty = \u00ab\u00a0o\u00a0\u00bb<\/em>), ce qui enserre visuellement les donn\u00e9es de mani\u00e8re inutile. L’adoption d’un trac\u00e9 en \u00ab\u00a0L\u00a0\u00bb (bty = \u00ab\u00a0l\u00a0\u00bb<\/em>) permet de ne conserver que les axes orthogonalement indispensables (abscisse et ordonn\u00e9e), all\u00e9geant le ratio d’encre statistique pr\u00e9conis\u00e9 par Edward Tufte dans ses trait\u00e9s fondateurs de s\u00e9miologie graphique.<\/p>\n L’optimisation ergonomique avanc\u00e9e en R Base s’op\u00e8re par l’interm\u00e9diaire de la fonction ma\u00eetresse par<\/strong>, qui pilote l’ensemble des param\u00e8tres d’\u00e9tat de l’environnement graphique actif. Toute modification effectu\u00e9e au sein de par<\/strong> s’applique de mani\u00e8re persistante \u00e0 l’ensemble des appels graphiques subs\u00e9quents au sein de la m\u00eame session graphique.<\/p>\n L’un des ajustements ergonomiques les plus fondamentaux concerne l’orientation des graduations num\u00e9riques d’ordonn\u00e9e. Par convention h\u00e9rit\u00e9e des terminaux historiques, R trace les graduations de l’axe vertical parall\u00e8lement \u00e0 l’axe lui-m\u00eame, for\u00e7ant le lecteur \u00e0 pencher la t\u00eate pour d\u00e9chiffrer les chiffres. L’activation de l’argument las = 1<\/em> (label axis style) contraint toutes les \u00e9tiquettes num\u00e9riques \u00e0 adopter une orientation strictement horizontale, facilitant grandement la lecture rapide des grandeurs scalaires.<\/p>\n De surcro\u00eet, le r\u00e9glage fin des marges p\u00e9rim\u00e9triques au moyen de l’argument mar = c(bas, gauche, haut, droite)<\/em> \u2014 dont les valeurs par d\u00e9faut sont c(5.1, 4.1, 4.1, 2.1)<\/em> lignes de texte \u2014 permet de supprimer les espaces morts superflus ou au contraire de lib\u00e9rer l’espace n\u00e9cessaire pour accueillir des libell\u00e9s d’axes volumineux. Il est imp\u00e9ratif, en mati\u00e8re de programmation rigoureuse, de sauvegarder l’\u00e9tat initial des param\u00e8tres syst\u00e8me avant toute manipulation de par<\/strong>, afin de pouvoir r\u00e9initialiser l’environnement graphique \u00e0 l’issue de l’ex\u00e9cution du script d’analyse comportementale :<\/p>\n parametres_initiaux <- par(no.readonly = TRUE)<\/em> L’un des exercices p\u00e9dagogiques et diagnostiques les plus formateurs consiste \u00e0 comparer visuellement sur un canevas unique diff\u00e9rentes configurations de la loi de Weibull, mat\u00e9rialisant par exemple l’effet d’une manipulation pharmacologique, d’une charge cognitive croissante ou d’un facteur clinique sur les temps de r\u00e9ponse comportementaux. En R Base, cette superposition s’op\u00e8re par l’adjonction m\u00e9thodique de l’argument add = TRUE<\/em> lors des appels successifs \u00e0 la fonction curve<\/strong>.<\/p>\n La r\u00e8gle architecturale fondamentale de cette approche r\u00e9side dans le fait que la premi\u00e8re courbe trac\u00e9e conditionne de mani\u00e8re immuable l’\u00e9tendue spatiale du rep\u00e8re cart\u00e9sien. Tous les appels ult\u00e9rieurs utilisant add = TRUE<\/em> viendront simplement peindre des segments g\u00e9om\u00e9triques suppl\u00e9mentaires au-dessus du canevas d\u00e9j\u00e0 dimensionn\u00e9. D\u00e8s lors, si la premi\u00e8re courbe culmine \u00e0 une hauteur de 0,5 alors qu’une courbe superpos\u00e9e ult\u00e9rieurement s’\u00e9l\u00e8ve jusqu’\u00e0 une densit\u00e9 de 1,8, cette derni\u00e8re se verra violemment tronqu\u00e9e par le bord sup\u00e9rieur de la fen\u00eatre graphique.<\/p>\n Pour pr\u00e9venir cet \u00e9cueil classique, le chercheur doit calculer en amont le maximum global de densit\u00e9 parmi l’ensemble des configurations param\u00e9triques envisag\u00e9es et contraindre explicitement la fen\u00eatre initiale \u00e0 l’aide de l’argument ylim = c(0, hauteur_maximale)<\/em>. Par exemple, pour comparer quatre \u00e9tats morphologiques majeurs r\u00e9gis par des valeurs de k<\/em> \u00e9gales \u00e0 0,8 (d\u00e9croissance hyper-exponentielle), 1,0 (exponentielle stricte), 2,0 (distribution de Rayleigh asym\u00e9trique) et 3,6 (profil quasi-gaussien) \u00e0 \u00e9chelle unitaire constante (lambda = 1<\/em>), la d\u00e9marche impose de borner ylim<\/em> \u00e0 c(0, 1.5)<\/em> et xlim<\/em> \u00e0 c(0, 3)<\/em> :<\/p>\n curve(dweibull(x, shape = 0.8, scale = 1), from = 0.05, to = 3, ylim = c(0, 1.4), col = \u00ab\u00a0darkred\u00a0\u00bb, lwd = 2, lty = 1, xlab = \u00ab\u00a0Temps t\u00a0\u00bb, ylab = \u00ab\u00a0Densit\u00e9 f(t)\u00a0\u00bb, bty = \u00ab\u00a0l\u00a0\u00bb, las = 1)<\/em> Un trac\u00e9 multi-courbes demeure scientifiquement inintelligible en l’absence d’une l\u00e9gende exhaustive d\u00e9codant rigoureusement les attributs visuels employ\u00e9s. La fonction legend<\/strong> de R Base permet d’implanter un pav\u00e9 explicatif modulaire d’une grande pr\u00e9cision.<\/p>\n Le premier argument de la fonction legend<\/strong> r\u00e9git sa localisation g\u00e9om\u00e9trique au sein du canevas. Bien que des coordonn\u00e9es num\u00e9riques cart\u00e9siennes directes puissent \u00eatre transmises, l’utilisation de mots-cl\u00e9s de positionnement textuels tels que \u00ab\u00a0topright\u00a0\u00bb<\/em>, \u00ab\u00a0topleft\u00a0\u00bb<\/em> ou \u00ab\u00a0bottomright\u00a0\u00bb<\/em> garantit un ancrage spatial robuste et insensible aux redimensionnements interactifs de la fen\u00eatre d’affichage. Pour notre panneau comparatif de formes de Weibull, le coin sup\u00e9rieur droit (\u00ab\u00a0topright\u00a0\u00bb<\/em>) constitue l’emplacement naturel, la queue de distribution convergeant vers z\u00e9ro dans ce cadran spatial.<\/p>\n La r\u00e8gle d’or m\u00e9thodologique r\u00e9side dans la parfaite synchronisation bijective entre les vecteurs pass\u00e9s \u00e0 legend<\/strong> et ceux exploit\u00e9s lors des trac\u00e9s effectifs. Les arguments legend<\/em> (vecteur textuel d’\u00e9tiquettes), col<\/em> (vecteur chromatique), lwd<\/em> (\u00e9paisseurs de traits) et lty<\/em> (textures de lignes) doivent pr\u00e9senter des longueurs rigoureusement identiques et un ordonnancement scrupuleusement superposable :<\/p>\n legend(\u00ab\u00a0topright\u00a0\u00bb, legend = c(expression(paste(italic(k), \u00a0\u00bb = 0.8 (Hyper-exp.)\u00a0\u00bb)), expression(paste(italic(k), \u00a0\u00bb = 1.0 (Exponentielle)\u00a0\u00bb)), expression(paste(italic(k), \u00a0\u00bb = 2.0 (Rayleigh)\u00a0\u00bb)), expression(paste(italic(k), \u00a0\u00bb = 3.6 (Quasi-normale)\u00a0\u00bb))), col = c(\u00ab\u00a0darkred\u00a0\u00bb, \u00ab\u00a0darkorange\u00a0\u00bb, \u00ab\u00a0forestgreen\u00a0\u00bb, \u00ab\u00a0navyblue\u00a0\u00bb), lwd = 2, lty = c(1, 2, 4, 3), bty = \u00ab\u00a0n\u00a0\u00bb, cex = 0.95, inset = 0.02)<\/em><\/p>\n L’argument bty = \u00ab\u00a0n\u00a0\u00bb<\/em> supprime judicieusement le rectangle d’encadrement de la l\u00e9gende, \u00e9vitant la surcharge graphique, tandis que inset = 0.02<\/em> d\u00e9colle l\u00e9g\u00e8rement la bo\u00eete de l\u00e9gende de la bordure du rep\u00e8re pour un rendu \u00e9ditorial d’une propret\u00e9 exemplaire.<\/p>\n Tandis que la variation de la forme k<\/em> alt\u00e8re fondamentalement la nature math\u00e9matique du processus stochastique, la modulation du param\u00e8tre d’\u00e9chelle lambda<\/em> explore une dynamique diff\u00e9rente : celle de l’\u00e9tirement temporel pur, sans modification du profil d’asym\u00e9trie de base.<\/p>\n Pour illustrer ce principe fondamental dans un cadre de temps de r\u00e9action en psychom\u00e9trie, imaginons une t\u00e2che cognitive ex\u00e9cut\u00e9e dans trois conditions de difficult\u00e9 croissante : t\u00e2che de d\u00e9tection simple (forme fix\u00e9e \u00e0 k = 2<\/em>, \u00e9chelle lambda = 0.5<\/em> s), t\u00e2che de choix binaire (k = 2<\/em>, lambda = 1.0<\/em> s), et t\u00e2che complexe \u00e0 haute interf\u00e9rence cognitive (k = 2<\/em>, lambda = 1.8<\/em> s). En superposant ces trois fonctions avec R Base, on observe un comportement fascinant de conservation g\u00e9om\u00e9trique :<\/p>\n Au fur et \u00e0 mesure que lambda<\/em> s’accro\u00eet, la distribution s’affaisse en hauteur tout en s’\u00e9vasant lat\u00e9ralement sur l’axe temporel. Le sommet de la courbe (le mode empirique) recule vers la droite en proportion directe de l’augmentation d’\u00e9chelle. Cependant, la g\u00e9om\u00e9trie relative de la distribution demeure strictement invariante : les rapports d’aire sous la courbe entre les diff\u00e9rents quantiles standardis\u00e9s restent identiques. Cette observation visuelle confirme que l’int\u00e9grale totale sous la densit\u00e9 est strictement pr\u00e9serv\u00e9e et \u00e9gale \u00e0 l’unit\u00e9. En psychologie cognitive, cette manipulation visuelle d\u00e9montre que l’accroissement de la charge de travail mental induit une plus grande dispersion globale des latences individuelles sans n\u00e9cessairement alt\u00e9rer le m\u00e9canisme unitaire sous-jacent d’accumulation de preuve sensorielle.<\/p>\n Si la fonction de densit\u00e9 de probabilit\u00e9 dweibull<\/em> offre une repr\u00e9sentation intuitive de la morphologie des latences, la fonction de r\u00e9partition cumulative (not\u00e9e F(t)<\/em> ou CDF), calcul\u00e9e par l’op\u00e9rateur natif pweibull<\/em>, constitue le fondement analytique de nombreux tests statistiques non param\u00e9triques et d’ad\u00e9quation de mod\u00e8les.<\/p>\n Le trac\u00e9 de la CDF via la commande curve<\/strong> s’av\u00e8re particuli\u00e8rement ais\u00e9 car ses limites d’ordonn\u00e9e sont invariablement born\u00e9es sur l’intervalle canonique [0, 1]<\/em>, correspondant \u00e0 l’espace des probabilit\u00e9s totales. Une repr\u00e9sentation graphique rigoureuse de la CDF doit donc syst\u00e9matiquement comporter l’argument ylim = c(0, 1)<\/em>, conf\u00e9rant au graphique une \u00e9chelle normalis\u00e9e absolue. La courbe de r\u00e9partition de Weibull adopte, pour des valeurs de forme k > 1<\/em>, une forme sigmo\u00efdale caract\u00e9ristique (courbe en \u00ab\u00a0S\u00a0\u00bb) :<\/p>\n curve(pweibull(x, shape = 2.2, scale = 1.2), from = 0, to = 3, ylim = c(0, 1), lwd = 2.5, col = \u00ab\u00a0darkcyan\u00a0\u00bb, las = 1, bty = \u00ab\u00a0l\u00a0\u00bb, xlab = \u00ab\u00a0Temps de latence t (s)\u00a0\u00bb, ylab = \u00ab\u00a0Probabilit\u00e9 cumul\u00e9e P(T <= t)")<\/em><\/p>\n Cette courbe cumulative permet une lecture directe des percentiles exp\u00e9rimentaux. Par exemple, la mise en \u00e9vidence visuelle de la m\u00e9diane th\u00e9orique s’effectue avec une \u00e9l\u00e9gance absolue en projetant des segments orthogonaux depuis l’ordonn\u00e9e 0,5 jusqu’\u00e0 l’axe des abscisses \u00e0 l’aide des fonctions graphiques abline<\/strong> ou segments<\/strong>. La coordonn\u00e9e d’intersection correspond rigoureusement \u00e0 l’\u00e9valuation th\u00e9orique de qweibull(0.5, shape = 2.2, scale = 1.2)<\/em>, mat\u00e9rialisant le seuil temporel o\u00f9 exactement 50 % des participants ont \u00e9mis leur d\u00e9cision motrice.<\/p>\n Dans l’analyse des dur\u00e9es de vie, de la r\u00e9sistance \u00e0 la fatigue ou de l’attrition des sujets au sein d’un protocole d’entra\u00eenement c\u00e9r\u00e9bral exigeant, la fonction centrale d’int\u00e9r\u00eat n’est pas la probabilit\u00e9 cumulative d’occurrence, mais son compl\u00e9mentaire unitaire : la fonction de survie, conventionnellement d\u00e9sign\u00e9e sous le symbole S(t)<\/em> ou R(t)<\/em> (Reliability Function). Analytiquement, elle est d\u00e9finie par :<\/p>\n S(t) = P(T > t) = 1 – F(t) = exp(-(t \/ lambda)^k)<\/em><\/p>\n Dans l’environnement R, le trac\u00e9 de la fonction de survie de Weibull ne requiert aucune biblioth\u00e8que tierce. Il s’ex\u00e9cute directement en combinant la soustraction unaire avec l’appel vectoriel \u00e0 pweibull()<\/em> au sein de la fonction curve<\/strong>, ou en exploitant directement l’argument interne lower.tail = FALSE<\/em> nativement disponible au sein de pweibull()<\/em>, ce qui pr\u00e9sente une pr\u00e9cision arithm\u00e9tique sup\u00e9rieure dans les queues lointaines :<\/p>\n curve(pweibull(x, shape = 1.8, scale = 2, lower.tail = FALSE), from = 0, to = 6, ylim = c(0, 1), lwd = 2.5, col = \u00ab\u00a0firebrick\u00a0\u00bb, las = 1, bty = \u00ab\u00a0l\u00a0\u00bb, xlab = \u00ab\u00a0Temps d’engagement t (minutes)\u00a0\u00bb, ylab = \u00ab\u00a0Probabilit\u00e9 de pers\u00e9v\u00e9rance S(t)\u00a0\u00bb)<\/em><\/p>\n La morphologie de S(t)<\/em> d\u00e9marre rigoureusement \u00e0 la valeur 1 \u00e0 l’instant initial t = 0<\/em> et d\u00e9cro\u00eet de mani\u00e8re strictement monotone vers z\u00e9ro lorsque le temps tend vers l’infini. En colorant l’aire comprise sous cette courbe de survie au moyen de la fonction graphique de remplissage polygonal polygon<\/strong>, le statisticien mat\u00e9rialise directement l’esp\u00e9rance math\u00e9matique de la variable temporelle. En effet, un th\u00e9or\u00e8me universel du calcul des probabilit\u00e9s stipule que pour toute variable al\u00e9atoire positive, l’int\u00e9grale de sa fonction de survie sur [0, +\u221e[<\/em> est rigoureusement \u00e9gale \u00e0 son esp\u00e9rance math\u00e9matique E(T) = lambda * Gamma(1 + 1\/k)<\/em>, o\u00f9 Gamma<\/em> d\u00e9signe la fonction Gamma d’Euler.<\/p>\n L’un des avantages les plus d\u00e9cisifs de la loi de Weibull sur ses concurrentes r\u00e9side dans la formulation analytique limpide de sa fonction de risque instantan\u00e9 (hazard function), traditionnellement d\u00e9sign\u00e9e par la lettre h(t)<\/em> ou lambda(t)<\/em>. En sciences de la sant\u00e9 et en analyse comportementale, le risque instantan\u00e9 quantifie la propension ou la v\u00e9locit\u00e9 conditionnelle \u00e0 laquelle un \u00e9v\u00e9nement critique (d\u00e9cision, d\u00e9faillance, abandon) survient \u00e0 l’instant t<\/em>, sachant que le sujet ou le syst\u00e8me a surv\u00e9cu indemne jusqu’\u00e0 cet instant pr\u00e9cis. Math\u00e9matiquement, h(t)<\/em> est d\u00e9finie par le ratio de la densit\u00e9 de probabilit\u00e9 sur la fonction de survie :<\/p>\n h(t) = f(t) \/ S(t) = (k \/ lambda) * (t \/ lambda)^(k – 1)<\/em><\/p>\n1.2 Pertinence de la loi de Weibull en sciences du comportement et psychologie<\/h3>\n
1.3 Comportement dynamique selon la valeur du param\u00e8tre de forme<\/h3>\n
\n
2. Architecture des fonctions de Weibull natives dans le logiciel R<\/h2>\n
2.1 La famille de fonctions standard : dweibull, pweibull, qweibull et rweibull<\/h3>\n
2.2 Param\u00e9trage exact et conventions syntaxiques dans dweibull()<\/h3>\n
3. Construction d’un trac\u00e9 de base avec la fonction curve()<\/h2>\n
3.1 Syntaxe fondamentale et m\u00e9canisme d’\u00e9valuation de curve()<\/h3>\n
3.2 G\u00e9n\u00e9ration d’une premi\u00e8re courbe de densit\u00e9 non personnalis\u00e9e<\/h3>\n
![\"Plot](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/weibullR1.png\")
4. Am\u00e9lioration esth\u00e9tique et annotation du graphique en R Base<\/h2>\n
4.1 Personnalisation des \u00e9tiquettes et du titre acad\u00e9mique<\/h3>\n
4.2 Optimisation des attributs de ligne et de style visuel<\/h3>\n
![\"Weibull](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/weibullR2.png\")
4.3 Gestion des marges et des param\u00e8tres d’affichage global avec par()<\/h3>\n
\npar(mar = c(4.5, 4.5, 3, 1), las = 1, cex.lab = 1.15, cex.axis = 1.05)<\/em>
\ncurve(dweibull(x, shape = 2.5, scale = 1), from = 0, to = 3, lwd = 2.5, col = \u00ab\u00a0steelblue\u00a0\u00bb, bty = \u00ab\u00a0l\u00a0\u00bb, xlab = \u00ab\u00a0Dur\u00e9e d’inhibition (s)\u00a0\u00bb, ylab = \u00ab\u00a0Densit\u00e9\u00a0\u00bb)<\/em>
\npar(parametres_initiaux)<\/em><\/p>\n5. Superposition et comparaison de multiples lois de Weibull en R Base<\/h2>\n
5.1 Utilisation du param\u00e8tre add = TRUE pour le trac\u00e9 multi-courbes<\/h3>\n
![\"Multiple](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/weibullR3.png\")
\ncurve(dweibull(x, shape = 1.0, scale = 1), add = TRUE, col = \u00ab\u00a0darkorange\u00a0\u00bb, lwd = 2, lty = 2)<\/em>
\ncurve(dweibull(x, shape = 2.0, scale = 1), add = TRUE, col = \u00ab\u00a0forestgreen\u00a0\u00bb, lwd = 2, lty = 4)<\/em>
\ncurve(dweibull(x, shape = 3.6, scale = 1), add = TRUE, col = \u00ab\u00a0navyblue\u00a0\u00bb, lwd = 2, lty = 3)<\/em><\/p>\n5.2 Conception d’une l\u00e9gende m\u00e9thodologique compl\u00e8te<\/h3>\n
![\"Weibull](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/weibullR4.png\")
5.3 Impact compar\u00e9 de la variation d’\u00e9chelle \u00e0 forme constante<\/h3>\n
6. Visualisation de la r\u00e9partition cumulative et des fonctions de survie<\/h2>\n
6.1 Trac\u00e9 de la fonction de r\u00e9partition cumulative (CDF)<\/h3>\n
6.2 Trac\u00e9 de la fonction de survie ou de fiabilit\u00e9 compl\u00e9mentaire<\/h3>\n
6.3 Mod\u00e9lisation et trac\u00e9 de la fonction de risque instantan\u00e9 (Hazard Function)<\/h3>\n