Académique Documents
Professionnel Documents
Culture Documents
1 2
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
σ µ = 12 σ=3 µ = 12 σ=6
Notation : X ~ N ( µ ,σ 2 ) 0.08
0.14
Scatterplot (chap05.sta 10v*1000c)
0.08
Scatterplot (chap05.sta 10v*1000c)
GAUSS
paramètres caractéristiques 0.06 0.12 0.07
0.10 0.06
µ (mu) : moyenne
0.04
0.08 0.05
0.02
centre de la distribution
GAUSS-2
GAUSS
0.06 0.04
-0.02 µ
évasement de la distribution
0.02 0.02
-2 0 2 4 6 8 10 12 14 16 18 20 22 24 26
U 0.00 0.01
√
σ 2π 0.14
µ=9 σ=3 Scatterplot (chap05.sta 10v*1000c)
0.08
µ=9
Scatterplot (chap05.sta 10v*1000c)
σ=6
x 0.12 0.07
exp ( - ( t – µ )2 / 2 σ2 )dt
0.06
0.10
σ√2π
GAUSS-3
GAUSS-4
0.04
0.06
0.03
0.00
0.00
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Gaussienne centrée réduite : Z ~ N ( µ = 0, σ2 = 1)
-∞ centrée
réduite
Approximation de la fonction Φ ( z ) ( peut remplacer la table )
N (0,1)
Φ (z) ≈ 1/ [ 1 + exp ( -1,5976 z ( 1 + 0,04417 z 2 ) ) ]
0.6
y=normal(x;0;1)
1.0
p=inormal(x;0;1)
Si X ~ N ( µ , σ 2 ) alors Z=( X–µ )/ σ
0.5
est une v.a gaussienne centrée réduite Z ~ N ( µ = 0 , σ 2 = 1)
0.8
0.2
0.2
P ( a < X < b ) = Ф ( ( b – µ ) / σ) ) - Φ [ ( a – µ ) / σ) ]
0.1
P( | X| ≤ a) =2Φ(a) -1
0.0
-3 -2 -1 0 1 2 3
0.0
-3 -2 -1 0 1 2 3
X dans ( µ - σ, µ + σ) probabilité = 0.683
X dans ( µ - 2σ, µ + 2σ) probabilité = 0.955
quantile d’ordre p (0 <p< 1) de Z noté z p : solution de Ф(zp) =p
X dans ( µ - 3σ, µ + 3σ) probabilité = 0.997
Quantiles souvent utilisés Φ -1 ( p ) = Z p
Exemple : X ~ N ( µ = 50 , σ2 =16 )
p 0,001 0,005 0,01 0,025 0,05 0,10 0,90 0,95 0,975 0,99 0,995 0,999 (a) P ( X ≤ 55 ) = Φ [ ( 55 – 50 ) / 4) ] = Φ ( 1,25) = 0,8925
z p - 3,09 -2,576 -2,326 -1,96 -1,645 -1,282 1,282 1,645 1,96 2,326 2,576 3,09 (b) P ( X > 48 ) = 1 – P ( X < 48) = 1 - Φ [ ( 48 – 50 ) / 4 ]
= 1 - Φ ( - 0,5 ) = 1 – ( 1 - Φ ( 0,5 ) ) = Φ ( 0,5 ) = 0,6915
9 10
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
la loi gaussienne : méthodes d’évaluation Exemples : graphiques quantile- quantile - lois gaussiennes
Pourquoi ? beaucoup de procédures statistiques (chap. 6-7-8-9-10-11) Exemple 1: OTHM p 151 ex 5.8 n=12 X = 104- 97- 83 -113- 107- 119-161- 123- 129-134- 124- 146
reposent sur l’hypothèse que la variable de réponse du
processus est gaussienne Distribution: Normal Normal Probability Plot of X-ex5.8 (chap05-V5.sta 21v*1000c)
X-ex5.8 = 120+22.4366*x 2.0
Méthodes pour vérifier la loi 170
0.05 0.10 0.25 0.50 0.75 0.90 0.95
1.5
• histogrammes : au moins 50 observations 160
1.0
• comparaisons : effectifs dans xbar ± s , xbar ± 2s , xbar ± 3s 150
130
-0.5
1- ordonner les observations x ( 1 ) ≤ x ( 2 ) ≤ …. ≤ x ( n ) 110
100
-1.0
2- calculer p i = i / ( n + 1 ) i = 1, 2,…, n 90
-1.5
80
51.0 XL 3,500 XU
∆ = ± 1,5* σ = ± 0,015 3,485 3,515
Observed Value
50.5
Questions
50.0 (a) déterminer les valeurs XL et XU de X qui engloberaient
disons 99,5% de la production ?
49.5 (b) une client exige des composants situés dans l’intervalle de tolérance
3,500 ± 0,030 ( 3,47 ≤ X ≤ 3,53 ).
49.0
On ne peut pas régler la valeur nominale mieux qu’en (a).
Quelle devrait être la valeur de σ pour que 99,5% de la production
48.5
-3 -2 -1 0 1 2 3 soit dans l’intervalle de tolérance désiré ?
Theoretical Quantile
13 14
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Exemple 3 : suite ∆ µ XL XU__
Exemple 3 : suite - solution
(a) ∆ = - 0,015 P ( XL ≤ X ≤ XU ) = 0,995 XL = ? XU = ? avec σ = 0.01 0 3,500 3,4719 3,5281
P [ ( XL - 3,485 ) / 0,01 ≤ (X – 3,485 ) / 0.01 ≤ ( XU – 3,485 ) / 0,01] = 0,995 ∆ = -1,5* σ -0,0075 3,485 3,4569 3,5138
P [ ( XL - 3,485 ) / 0,01 ≤ Z ≤ ( XU – 3,485 ) / 0,01] = 0,995
P [ ZL ≤ Z ≤ ZU ] = 0.995 Z suit loi N ( 0,1) ∆ = -1,5* σ 0,0075 3,515 3,4869 3,5431
0.45
(b) On veut que X ne soit jamais inférieur à 3,47 (avec probabilité 0,0025)
Selon la table N(0,1) 0.40
et ne soit jamais supérieur à 3,53 (avec probabilité de 0,0025).
ZL = -2,81
0.35 Quelle doit être la valeur de σ ?
= ( XL - 3,485 ) / 0,01 Si ∆ = 0 ( µ = 3,500 ) la condition est satisfaite.
0.30
0,0025
0,995 Si ∆ = ± 0,015 la condition n’est pas satisfaite avec σ = 0,01
0.25
XL = 3,485 -2,81*0,01 On veut P ( 3,47 ≤ X ≤ 3,53 ) = 0,995 pour 3,485 ≤ µ ≤ 3,515
gauss-std
= 3,4569 0.20
et une valeur de σ à déterminer. Si µ = 3,485
0.15 P [( 3,47 – 3,485) / σ ≤ (X – 3,485) / σ ≤ (3,53 – 3,485) / σ ] = 0.995
ZU = 2,81
0.10 P ( -0,015 / σ ≤ Z ≤ 0,045 / σ ) = 0,995
= ( XU – 3,485 ) / 0,01
0.05
Ф( 0,045 / σ ) - Ф( -0,015 / σ ) = 0.995
XU = 3,485+2,81*0,01 0.00
Mais σ ≤ 0,01 donc 0,045 / σ > 4,5 et Φ ( 0,045 / σ ) ≈ Φ (4,5) = 1
= 3,5138 1 - Φ ( - 0,015 / σ ) = 0,995 donne σ = 0,015 / 2,575 = 0,0058
-0.05
n = 30 n = 30
0.18
n 105 50 32 24 21 20 21 24 32 50 105
0.14
0.14
0.16
θ = 0,9
0.12
θ = 0,3 θ = 0,5
0.12 0.14
0.10
0.10
0.12
Formules d’approximation : posons σ = [n θ ( 1 – θ )]0,5 et µ = n θ
0.08 0.08 0.10
0.06 0.06
0.08
Binomiale Gaussienne Évaluation avec Φ_______________
0.06
0.04
0.09 0.08
PB( a ≤ X ≤ b ) PG (a -0,5 ≤ X ≤ b +0,5) Φ [(b +0,5 - µ) /σ ] - Φ [(a- 0,5 - µ) /σ ]
n = 100 n = 100 0.12
n = 100
0.08
0.07
± 0,5 : correction de continuité
θ = 0,5
0.07 0.10
P(X =35) ≈ Ф[ (35 + 0,5 – 40) / 4,90] - Φ[ (35 - 0,5 – 40) / 4,90]
0.05
0.04
0.04 0.06
0.01 0.01 0.02 P( 22 < X ≤ 30 ) = P(23 ≤ X ≤ 30) = Φ[( 30 + 0,5 – 40) / 4,90] – Φ [(23 – 0,5) / 4,90 ]
0.00 BINOM-4
17 18
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 0.00 BINOM-6
1 9 17 25 33 41 49 57 65 73 81 89 97
1 9 17 25 33 41 49 57 65 73 81 89 97
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
alors W ~ N ( µW , σw 2 ) où
(c) X1 + X2 ~ N ( mu = 2+1=3, var =9 + 16 =25)
19 20
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Exemple 2 : OTHM p. 155 - insertion d’une tige dans un cylindre Exemple 3 : OTHM p. 155 - insertion d’une tige dans un cylindre ( suite )
Quelle est la probabilité de faire l’insertion ? Valeur de σ1 pour faire l’insertion avec probabilité 0.99 ?
Solution : W = X 1 – X 2 suit loi N ( 0,005, σ W )
Solution : W = X 1 – X 2 loi N ( 0,005, σ W = √13 * 0.001 = 0,0036 )
on veut P ( W > 0) = 0,99
P ( W > 0) = 1 – P ( W < 0 ) = 1 - Φ [ ( 0 – 0,005) / 0,0036 ]
P ( W < 0 ) = 0,01 = 1 - P [( 0 – 0,005) / σ W ]
= 1 - Φ ( -1,39 ) = 0,92 ou 92% ( 0 – 0,005) / σ W = Z 0.01 = - 2,33 (table)
que faire pour augmenter la probabilité à 0,99 ? - 0,005 / σ W = - 2,33 σ W = 0,00215
réduire σ1 ou σ2 σW = 0,00215 = (σ12 + 0.002 2 )0.5
σ 1 = 0,028
21 22
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
LOI EXPONENTIELLE : X ~ Exp ( θ )
LOI UNIFORME densité f
de 1000 nombres 80
8%
60
LOI EXPONENTIELLE : exemple 1 Exemple 2 : les données suivantes proviennent-elles d’ une loi exponentielle ?
Un composant électronique est utilisé dans la protection des lignes à haute tension. 27 - 879 – 132 - 290 - 94 - 78 - 88 - 80 - 404 - 82 - 386 – 321 - 3 - 5 - 124
Des essais ont montré que le taux de défaillance est décrit par une loi de Poisson avec graphique Quantile-Quantile
avec une loi exponentielle
λ = 10 - 5 par heure. 0.01 0.25 0.50 0.75 0.90 0. 95
1000
Quelle est la probabilité que le composant tombe en panne avant :
800
1 an - 5 ans - 10 ans ?
Solution: 1 an = 365 * 24 = 8760 heures 600
Observed Value
5 ans = 5 * 365 *24 = 43800 heures
400
10 ans = 10 * 365 * 24 = 87600 heures
T durée de vie du composant avant la première panne 200
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Exemple 4 : circuit électronique = 6 puces + 15 diodes + 20 condensateurs + 25 résistances
Exemple 3 - comparaison de 2 procédés
placés en série. La fiabilité des composants suivent une loi exponentielle avec les taux de
Procédé taux de défaillance (heure) coût opér. ($) garantie (h.) pénalité défaillance ( lambda ):
A 0,005 C 400 ___P défaillances ( heure) défaillances ( an ) ( x 24x 365 )
B 0,003 k C (k > 1) 400 P puces 0,02 x 10 -7 175,2 x 10 -7
diodes 1,90 x 10 -7 16644 x 10 -7
Quel procédé choisir ? pour quelle valeur de k on choisira B (A) ?
Solution : les coûts d’opération et de garantie des procédés condensateurs 0,50 x 10 -7 13140 x 10 -7
CA = C + P si t ≤ 400 et CA = C si t > 400 résistances 0,80 x 10 -7 7008 x 10 -7
CB = k C + P si t ≤ 400 et CB = k C si t > 400 Déterminer la fonction de fiabilité du système et faire son graphique.
coût moyen de A : E( CA ) = ( C+P)* P(T ≤ 400) + C * P( T > 400) Solution le circuit fonctionne si tous les composants sont opérants.
= C + P*( 1 – exp ( -400*0,005)) = C + 0,865 P La probabilité que le circuit soit opérant jusqu’au temps t est :
coût moyen de B : E( CB ) = ( k C+P)* P(T ≤ 400) + k C* P( T > 400)
P ( T > t ) = P ( T1 > t ) * P ( T 2 > t ) * . . . * P ( T n > t )
= k C + P*( 1 – exp (-400*0,003)) = k C + 0,699 P
= exp ( – λ 1t ) * exp ( – λ 2 t ) * . . . * exp (- λ n t ) = exp [ ( - ∑ λ i ) t ]
E( C A ) = E( C B ) si C + 0,865P = k C + 0,699P si k = k * = 1 + 0,166( P / C )
Si k < k* choisir le procédé B car son coût moyen est plus petit que celui de A
Le taux de défaillance ( heure) du circuit est ∑ λ i =
( 6* 0,02 + 15 * 1,90 + 20 * 1,50 + 25 * 0,80 ) x 10 -7 = 78,62 x 10 -7
Si k = k* les deux procédés ont des coûts moyens égaux : A ou B
Base annuelle, le taux de défaillance est = 24* 365 * 78,62 x 10 - 7 = 0,688711
Si k > k* choisir le procédé A car son coût moyen est plus petit que B
27 28
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Exemple 4 ( suite) : la fonction de fiabilité (annuelle) du circuit est Autres lois continues : Gamma - Weibull
fX (x) = [ 1/ Γ(c) ] λc x c – 1 e - λ x
1.2
x >0
Γ (Gamma) est la fonction Gamma Moyenne E(X)=c/λ
1.0
c > 0 est le paramètre de forme
Variance Var ( X ) = c / λ 2
λ > 0 est le paramètre d’échelle
0.8
loi gamma avec c = 2 et lambda = 1 fonction répartition
1.0 1.0
FT
0.6
0.8 0.8
0.6 0.6
0.4
0.4 0.4
0.2
0.2 0.2
0.0 0.0
0.0 0 2 4 6 8 10 0 2 4 6 8 10
0 0.5 1 1.5 2 2.5 3 3.5 4
29 30
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Loi gamma : relation avec la distribution de Poisson Loi Weibull : W ( c, λ )
31 32
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
3500
2500
Observed Value
0.6
0.4
2000
0.4
1500
0.2
0.2 1000
500
0.0 0.0
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
0
-0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6
Theoretic al Quantil e
33 34
Bernard CLÉMENT, P h D
Bernard CLÉMENT, P h D