1
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
•
définition
• fonction de répartition
• variable aléatoire discrète
• moyenne - variance - écart type
• espérance mathématique
• variable aléatoire continue
• fonction d’une variable aléatoire : transformation
• combinaison linéaire de variables aléatoires
VARIABLES ALÉATOIRES
2
Bernard CLÉMENT, P h D
Définition
E : expérience aléatoire S : espace échantillonnal associé X fonction de S dans les nombres réels ( R )
X est une variable aléatoire ; X( o ) est un nombre réel Exemple : lancement d’une pièce de monnaie 3 fois
X = nombre de fois « P I L E » X = 0, 1, 2, 3
S
FFFFFPFPF PFF FPP PFP PPF PPP
F : Face
P : Pile
0 1 2 3
Les probabilités sur S se transportent
sur R
R
3
MTH 2301 Méthodes statistiques en ingénierie
Fonction de répartition
X une v,a, x une valeur (réelle) prise par XÉvénement : { X ≤ x }
F
X( x ) = P
X( X ≤ x ) : fonction de répartition propriétés
1. 0 ≤ F
X( x )
≤1
2. x - ∞
F X(x) 0
x
∞
F X(x) 13. F
X
(x)non décroissante 4.
F X(x)continue à droite
x
X discrète
1X continue
4
MTH 2301 Méthodes statistiques en ingénierie
VARIABLE ALÉATOIRE DISCRÈTE
X est une v,a, discrète si elle prend un nombre fini ou infini de valeurs distinctes généralement des entiers 0, 1, 2, 3, 4, …
Exemples (comptages)
• nombre de défauts de surface ;
• nombre de versions d'un dessin de définition pendant une année;
• nombre de pièces non conformes dans un lot de 500 ;
• nombre de pièces en attente devant une machine;
• nombre de cotes ambiguës,
Fonction de masse p
X(x) = P
X( X = x) p
X(x)
≥0 Fonction de répartition F
x( u ) = ∑
p X(x)Distributions importantes Binomiale - Poisson - Hypergéométrique
5
Bernard CLÉMENT, P h D
VARIABLE ALÉATOIRE DISCRÈTE Binomiale
X le nombre de succès dans une suite de n essais deBernoulli avec une probabilité commune de succès de θ X i la variable associée au i-ème succès
X
1, X
2, …,, X
nindépendantes X = ∑ X
iX est une variable binomiale X ~ b (n ,
θ)p x
( x ) = [ n! / x ! ( n- x) ! ]
θx( 1 –
θ)
n – xF
X( x ) = ∑ [
n! / k ! ( n- k ) ! ] θk( 1 –θ) n – k k = 0x masse
répartition
étude détaillée - chapitre des lois discrètes
6
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
F ∩ E 3
Exemple : n = 30 θ = 0,30
Bar/Column Plot (ch3.sta 10v*31c)
binom
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18
7
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
moyenne - variance - écart type
Moyenne :
E [ X ] = µ =∑ x p
X(x )
premier moment par rapport à l’origine – centre de masse
Exemple : X ~ b i nom ( n, θ )
E [ X ]
= n θ en général / n n = 30
θ= 0,3 E [ X ] = 9Variance
: Var [ X ] = σ2= ∑
( x - µ)
2p X(x ) =∑ x
2p
X(x )
-µ
2Exemple : X ~ b i nom ( n, θ )
σ2 = n θ( 1 -θ) en général
n = 30 θ= 0,3 Var [ X ] = σ2 = 6,3
Écart type
: ET [ X ] = σ =√
Var [ X ]Exemple : X ~ b i nom ( n = 30 , θ= 0,3 ) ET [ X ] = σ = 2,51
8
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Espérance mathématique
X v,a, discrète p X(x) sa fonction de masse associée h fonction de R dans R h : R R
E [ h(X) ] = ∑ h(x) p
X(x)
: espérance mathématique de hCas particuliers E [ h( X ) ]
h( x ) = x
moyenne µh ( x ) =
x 22 ième moment par rapport è l’origine 0 h ( x ) = ( x - µ )
2variance
h ( x ) = x
kk - ième moment par rapport à l’origine
h ( x ) = ( x –
µ ) kk – ième moment par rapport à la moyenne
µ9
Bernard CLÉMENT, P h D
Espérance mathématique
Exemple 1 : soumission pour la réalisation d'un travail d’ingénierie X v.a. « nombre de jours requis pour le travail », Vous estimez vos « probabilités »
x < 3 3 4 5 6 total p(x) 0 1/8 4/8 2/8 1/8 1
Y = profit net = φ(X) dépend du nombre de jours X pris pour réaliser le travail
x 3 4 5 6___
Y = φ(x) 10K$ 3K$ 0,7K$ -1,5K$
Profit net moyen = ?
E( Y ) = 10K$ *1/8 + 3K$ * 4/8 + 0,7K$ * 2/8 + (-1,5K$) * 1/8 = 2,73K$
10
Bernard CLÉMENT, P h D
Exemple 2: -vous achetez des billets du spectacle des « RS » à 40,00$ dans l'espoir de les revendre 70,00$ le soir du spectacle.,
- estimation de la demande billets X
0,08 0,12 0,18 0,32 0,16 0,08 0,04 0,02 probabilité p(x)
30 29 28 27 26 25 24 23 nombre billets x
Combien de billets S acheter pour minimiser les pertes ? -Vous perdez 40$/billet si vous stockez trop de billets: x ≤ S
-Vous 30$/billet (profit) si vous ne stockez pas assez de billets: x ≥ S+1
= =+
− +
−
=
s
x x s
X
X
x x s p x
p x s s
X L E
23
30
1
) ( ) ( 30 )
( ) ( 40 )]
, ( [
Fonction de perte L (x, s):
L(x, s) = 40 (s - x ) si 23 ≤ x ≤ s stock excessif L(x, s) = (70 - 40) (x – s) si s+1 ≤ x
≤ 30 stock manquantperte moyenne E(L)
Quelle valeur de S minimise E(L) ?
11
MTH 2301 Méthodes statistiques en ingénierie
Exemple 2:
suite
S
∑40(s – x)p(x) ∑30(x –s)p(x) E [ L(X,s) ] 23 0,00 124,20 124,20 24 0,80 94,80 95,6025 3,20 66,60 69,90 26 8,80 40,80 49,60
27 20,80 19,20 40,60 minimum 28 45,60 6,20 51,60
29 77,60 0,00 77,60 30 114,40 0,00 114,40 nouvelle distribution de probabilité
x 23 24 25 26 27 28 29 30 prob 0,30 0,20 0,15 0,12 0,10 0,08 0,04 0,01 solution optimale devient S = 24
12
MTH 2301 Méthodes statistiques en ingénierie
VARIABLE ALÉATOIRE CONTINUE ( v,a,c ) L'espace de la v,a, X est un intervalle sur les nombres réels
sa fonction de répartition FX( x ) est dérivable
La dérivée de FX( x ) notée f X est la densité de X
Exemples (mesures)
- température réelle d'un recuit ;
- longueur extrudée avant perte de contrôle ; - volume réel du réservoir
- temps requis pour finaliser une conception ;
- tension d'un hauban,
13
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
VARIABLE ALÉATOIRE CONTINUE ( v,a,c )
[ ( ) ( ) ] 0
0 ) lim
( + ∆ − =
→
= ∆
= F x x F x
x x X
P
X X X) ( )
( F x
dx x d
f
X=
X∫
∞
=
x X
X x f t dt
F
( ) ( )
x
f X ∫RX f
X ( x ) dx = 1
∞
∫
=
=
xxf
Xt dt X
E ( ) ( ) µ
+∫
∞∞
−
= x f x dx X
VAR [ ] ( µ )
2( ) =
+∫
∞ 2( ) − µ
2∞
dx x f x
X=
≤
≤
b
a
dx x f b
x a
P
( ) ( )
14
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Exemple : loi uniforme (équiprobabilité)
a b X
f
X( x ) = 0 siX ≤ a ou X ≥ b
= k si a
≤ X ≤ bk = ?
k = 1 / ( b – a ) , E ( X ) = ( a + b )
/ 2 ,Var ( X ) = ( b – a )
2/ 12 F
X( x ) = 0 si
X ≤a= ( x – a )
/ ( b – a ) si a ≤ X ≤ b= 1 si X ≥b
Application générateurs de nombres (pseudo) aléatoires de la loi uniforme méthode linéaire congruente : I i + 1 = ( a I i+ b ) mod m i = 0, 1, 2,…
À choisir : a, b, m , I0 ( semence ) ;
u
i= I
i/ m
employé pour la SIMULATION:
Statistica fonction Rnda b
15
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Fonction d’une variable aléatoire X v,a, sur S et d’espace image R
X( réels )
Y = φ ( X ) une transformation ( fonction ) est une v,a, l’espace image est R
Y; E
Yévénement dans R
YAlors P
Y( E
Y) = P
X( { x dans R
X: φ ( x ) dans E
Y} )
Exemple: X diamètre d’un fil - distribution uniforme intervalle ( 1,00 à 1,01 ) f X( x ) = 100 1,00 ≤ x ≤ 1,01
= 0 autrement
Y = aire de la section = π ( X / 2)
2= 0,25
πX 2varie dans l’intervalle ( 0,25 π , 0,255025 π ) Quelle est la probabilité que Y varie entre 0,252 π
et0,254 π ?
réponse :P ( 0,252
π ≤Y
≤0,254 π) = P ( 1,00399 ≤X ≤1,00797 )= 100 ( 0,00398) = 0,398
16
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Fonction d’une variable aléatoire discrète
R
XY = φ (X) R
Yx
i1. x
i2.
x
i3 ..
Y j. . .
.
. . . .
Ω
∈
=
=
=
k j i
k
x
i X j
Y j
Y y P Y y P x
p ( ) ( ) ( )
17
Bernard CLÉMENT, P h D
Exemple : tir de Bernoulli sur loi exponentielle f
x(x ) = λ e
–λxx ≥ 0
= 0 x < 0
[ ]
=∫
∞ − =− − ∞+∫
∞ − =0 0
1
0 λ
λe λ dx xe λ e λ dx x
X
E x x x
[ ]
2
0
2 1
∫
∞
−
= x λ e λ dx λ
X
Var x
= 1 / λ
2Le temps X jusqu'à la défaillance (ex, tube à rayons cathodiques) X durée vie suit une loi exponentielle, λ taux de défaillance Posons : Y variable Bernoulli définie par le fait que X excède ou non sa durée moyenne 1/ λ
,
Y = 0 si X ≤ 1 / λ
= 1 si X > 1 / λ
18
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
probabilités de Y
Exemple : tir de Bernoulli sur loi exponentielle (suite)
∫
=− = − ≈= − − −
λ
λ
λ
λ
λ
/ 1
0
1
0 . 6321 1
0 / ) 1
0
(
e dt e epY t t
3679 . / 0
) 1 1 (
/ 1
1≈
∞ =
−
=
=
∫
∞ − − −λ
λ λ
λ
e dt eλ
epY t t
19
MTH 2301 Méthodes statistiques en ingénierie Fonction continue d’une V,A, continue
X v.a.c densité
f
x φ fonction continue Y = φ(X) Y est une v.a.c Densité f Y = ? Pour la trouver la densité il faut :1. Obtenir F Y (y) = P( Y ≤y ) par l'événement de R Xéquivalent à (Y ≤y) dans Ry 2. Dériver F Y(y) par rapport à y pour obtenir la fonction de densité fy 3. Trouver l'espace image de cette v.a.c.
THÉORÈME Si est une v.a.c de densité f x telle que f x> 0 pour a < x < b et y =φ(x ) est une fonction continue strictement monotone, alors la v.a.c Y = φ( X) possède une densité
dy x dx f y
f
Y( ) =
X( ) •
avec x =φ- 1(y ) exprimé en terme de y
20
MTH 2301 Méthodes statistiques en ingénierie Fonction continue d’une V,A, continue (suite)
dy x dx f y
fY ( )= X( )•
Exemple: X diamètre d’un fil - distribution uniforme intervalle 1,00 à 1,01 f X( x ) = 100 1,00 ≤ x ≤ 1,01
= 0 autrement
Y = aire de la section = π ( X / 2)
2= 0,25 π X
2varie dans l’intervalle 0,250000 π = 0,78540 quand x = 1,00
à 0,255025 π = 0,80118 quand x = 1,01 transformation inverse X = Y
0,5/ 0,25 π
dx / dy = 1 / (2 y
0,50,25 π ) = ( 1/ 0,50 π ) y
- 0,5= 0,6366 y
- 0,5 1,00 1,01 X 0100
0
f
y(y ) = 100 ( 0,6366 y
- 0,5)
=63,66
y- 0,5Y
0 0
71,28
67,86
21
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Combinaison linéaire de variables aléatoires indépendantes
a
1, a
2, …, a
nconstantes
X 1
,
X2, …,
X n variables aléatoires discrètes ou continues indépendantesW = ∑ a
iX
icombinaison linéaire Théorème E ( X
i) = µ
imoyenne de X
iVar( X
i) = σ
i2variance de X i alors
−
−
=
ni
i i n
i
i
i
X a
a E
1 1
µ
−
−
=
ni
i i n
i
i
i
X a
a Var
1
2 2 1
σ
22
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Combinaison linéaire de variables aléatoires indépendantes
exemple
PROBABILITÉES CONJOINTESP(X=xj;Y=yj)variables
0,10 0,10 0,10 0,30 0,20 0,15 0,05 1,00
0,20 0,0200 0,0200 0,0200 0,0600 0,0400 0,0300 0,0100 0,20 6
0,20 0,0200 0,0200 0,0200 0,0600 0,0400 0,0300 0,0100 0,20 5
0,15 0,0150 0,0150 0,0150 0,0450 0,0300 0,0225 0,0075 0,15 4
0,30 0,0300 0,0300 0,0300 0,0900 0,0600 0,0450 0,0105 0,30 3
0,10 0,0100 0,0100 0,0100 0,0300 0,0200 0,0150 0,0050 0,10 2
0,05 0,0050 0,0050 0,0050 0,0150 0,0100 0,0075 0,0025 0,05 1
1,00 0,10 0,10 0,10 0,30 0,20 0,15
prob 0,05
Y
14 13 10 9 6 5
X 3
probabilités conjointes p(x,y) modèle : X Y variables indépendantes
Moyenne et variance de W = 4X + 3Y ?
p(X=6, Y = 4)
= p(X=6)
*
p(Y=4)= 0,20* 0,15
= 0,0300
23
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Combinaison linéaire de variables aléatoires indépendantes
Exemple
suite
74 70 58 54 42 38 30 18 18
71 67 55 51 39 35 27 15 15
68 64 52 48 36 32 24 12 12
65 61 49 45 33 29 21 9 9
62 58 46 42 30 26 18 6 6
59 55 43 39 27 23 15 3 3
56 52 40 36 24 20
4X 12
3Y
14 13 10 9 6 5 X 3
valeurs de W = 4 X + 3 Y
24
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Exemple suite
45,85 E(W) = E(Y) = 3,95
1,480 1,400 1,160 3,240 1,680 1,140 0,300 6 1,20
1,420 1,340 1,100 3,060 1,560 1,050 0,270 5 1,00
1,020 0,960 0,780 2,160 1,080 0,720 0,180 4 0,60
1,950 1,830 1,470 4,050 1,980 1,305 0,315 3 0,90
0,620 0,580 0,460 1,260 0,600 0,390 0,090 2 0,20
0,295 0,275 0,215 0,585 0,270 0,173 0,0375 y=1 0,05
8,50 1,40
1,30 1,00 2,70 1,20 0,75
45,85 0,15
b=3
E(X)=
14 13 10 9 6 5
a=4 x=3
CALCUL DES MOYENNES
Calcul avec la formule : E(W) = 4*E(X) + 3*E(Y) = 4*8,50 + 3*3,95 = 45,85 Calcul direct : E(W) = ∑ ∑a i j a i j
a i j= (4x i+ 3y j)* p(x i, y j)
25
Bernard CLÉMENT, P h D
Exemple suite
178,528
V(W) =
2,148 V(Y) =
15,848 11,664 2,952 3,985 0,593 1,849 2,512 0,841 6
12,650 8,946 1,674 1,591 1,877 3,532 3,553 0,221 5
7,359 4,941 0,567 0,208 2,911 4,316 3,581 0,000 4
11,002 6,886 0,298 0,065 9,907 12,777 9,263 0,271 3
2,608 1,476 0,000 0,445 5,024 5,910 3,878 0,380 2
0,865 0,419 0,041 0,704 3,553 3,916 2,379 0,435 1
9,950 3,025 2,025 0,225 0,075 1,250 1,838 1,513 178,528 b=3
V(X) = 14
13 10 9 6 5 a=4 3
CALCUL DES VARIANCES
Calcul avec la formule : Var(W) = 42 * 9,95 + 32* 2,148
Calcul direct : Var(W) = ∑ ∑b i j b i j= [w i j – E( W ) ]2p(x i, y j)
b i j
26
MTH 2301 Méthodes statistiques en ingénierie
Bernard CLÉMENT, P h D
Combinaison linéaire de variables aléatoires indépendantes
Application importante : processus échantillonnage aléatoire d’une population X Définition d’un échantillon aléatoire: n variables X i
(a) X 1, X 2 , X 3, …….., X n indépendantes
(b) toutes les variables ont la même distribution que X
La variable aléatoire moyenne, notée X, est une combinaison linéaire des X i
∑
=
nX
iX n
1
1
∑
= ==
n
X E X n E
X E
1
] [ ] 1 [
]
[ µ
n n
X X Var n Var
X Var
n 2
1
2