📊

Histogram

Sinks
Lancer l’exemple en direct Gratuit · sans inscription · dans votre navigateur

Le bloc Histogram accumule les échantillons de signaux continus ou discrets au fil de la simulation et restitue leur densité de probabilité empirique ou leur distribution de fréquences sous forme d'histogramme interactif. Les valeurs d'entrée sont réparties dans des classes discrètes (bins) sur une plage configurée ou déterminée automatiquement. Il constitue un outil analytique essentiel pour l'évaluation des processus stochastiques, la caractérisation du bruit de capteur, les études de tolérances par Monte-Carlo et la vérification des distributions statistiques gaussiennes ou uniformes.

Modèle Mathématique

Considérant une suite de NN échantillons scalaires {u1,u2,…,uN}\{u_1, u_2, \dots, u_N\} sur la durée de simulation [0,t][0, t], l'intervalle [xmin⁡,xmax⁡][x_{\min}, x_{\max}] est partitionné en BB classes contiguës :

Ij=[xj,xj+1),j=0,1,…,B−1I_j = [x_j, x_{j+1}), \quad j = 0, 1, \dots, B-1

où la largeur de classe ww est définie selon binMode :

w={xmax⁡−xmin⁡B,binMode=countbinWidth,binMode=width2⋅IQR⁡(u)⋅N−1/3,binMode=auto (Freedman-Diaconis)w = \begin{cases} \frac{x_{\max} - x_{\min}}{B}, & \text{binMode} = \text{count} \\ \text{binWidth}, & \text{binMode} = \text{width} \\ 2 \cdot \operatorname{IQR}(u) \cdot N^{-1/3}, & \text{binMode} = \text{auto (Freedman-Diaconis)} \end{cases}

L'effectif cjc_j associé à chaque classe IjI_j vaut :

cj=∑k=1N1Ij(uk)c_j = \sum_{k=1}^N \mathbf{1}_{I_j}(u_k)

où 1Ij(u)\mathbf{1}_{I_j}(u) est la fonction indicatrice. L'estimation de la densité de probabilité empirique f^(x)\hat{f}(x) pour la classe jj s'écrit :

f^(x)=cjN⋅wpour x∈Ij\hat{f}(x) = \frac{c_j}{N \cdot w} \quad \text{pour } x \in I_j

Lorsque rangeMode = "auto", les bornes xmin⁡x_{\min} et xmax⁡x_{\max} s'adaptent dynamiquement à l'ensemble des données reçues. En mode manual, les valeurs hors de [vmin⁡,vmax⁡][v_{\min}, v_{\max}] sont accumulées dans les classes limites.

Entrées & Sorties

Direction ID Label Type Status
→ In in Input array Required

Paramètres

Paramètres Label Type Défaut Description
rangeMode Range select auto Auto fits the axis to the data; Manual uses the Min/Max below.
minValue Min Value number -5 Lower bound (Manual range only).
maxValue Max Value number 5 Upper bound (Manual range only).
binMode Binning select count How bins are sized: a fixed number, a fixed step width, or auto.
bins Bin count number 20 Number of bins (Bin count mode).
binWidth Bin width number 1 Width/step of each bin (Fixed width mode).

Exemples d'Utilisation

Exemple 1 : Caractérisation du bruit d'une centrale inertielle (IMU)

Évaluation du bruit de mesure d'un accéléromètre au repos. Le signal du capteur est connecté à un bloc Histogram avec rangeMode = "auto", binMode = "count" et bins = 30. Après 10 secondes de simulation, la courbe en cloche obtenue permet de vérifier le caractère gaussien, d'estimer l'écart-type σ\sigma et de déceler tout biais de dérive.

Exemple 2 : Analyse de rendement par simulation Monte-Carlo

Étude de la dispersion du temps de réponse d'un asservissement face aux tolérances des composants de production. En injectant des perturbations aléatoires via un bloc RandomNumber, les temps de réponse mesurés sont envoyés vers un Histogram avec rangeMode = "manual", minValue = 0.0, maxValue = 2.0 s et binWidth = 0.1 s. La distribution indique instantanément la conformité du procédé à 99%99\%.

Remarques & Bonnes Pratiques

  • Outil d'analyse cumulatif : Contrairement aux oscilloscopes classiques, l'histogramme cumule tous les échantillons depuis l'origine temporelle. Plus la durée s'allonge, plus l'histogramme converge vers la loi de densité sous-jacente.
  • Gestion des valeurs extrêmes : En mode manuel, les valeurs situées au-delà de [vmin⁡,vmax⁡][v_{\min}, v_{\max}] sont comptabilisées dans les classes extrêmes plutôt que rejetées.
  • Règle adaptative de Freedman-Diaconis : Le mode auto équilibre la résolution statistique sans lissage excessif ni bruit d'échantillonnage préjudiciable.
  • Calcul ultra-rapide sans latence : Évaluation directe en WebAssembly par calcul d'indice entier (j=⌊(u−xmin⁡)/w⌋j = \lfloor (u - x_{\min}) / w \rfloor) sans impact sur le solveur.

Composants Associés

  • ScatterPlot : Analyse la distribution statistique conjointe de deux signaux.
  • RandomNumber : Génère des variables aléatoires uniformes et gaussiennes.
  • uPlotDisplay : Affiche les formes d'onde continues en fonction du temps.
  • NumericDisplay : Afficheur numérique scalaire en temps réel.