MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie

Chapitre 5 - Lois continues Classification des variables aléatoires

ƒ Terminologie anglais – français
ƒ Loi gaussienne ( « normale » , Laplace Gauss) COMPTAGE MESURAGE

ƒ Approximation : binomiale loi gaussienne DISCRÈTES CONTINUES

ƒ Combinaisons de v. a gaussiennes LOIS LOIS

uniforme
binomiale
ƒ Autres lois : - uniforme exponentielle
Poisson
- exponentielle Gaussienne
Hypergéométrique
gamma
- gamma autres … Weibull
- Khi2 (« khi-deux ») Log normale
- Weibull autres …

1 2
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D

MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie

Loi gaussienne ( normale , Laplace Gauss )

TERMINOLOGIE anglais – français
Cette loi (courbe en cloche) est la loi de probabilité la plus importante.
• random variable …………………. variable aléatoire La place de cette loi vient du fait que cette v.a est très souvent observée
• normal distribution ……………… loi gaussienne à cause du résultat suivant:
• standard normal distribution …… loi gaussienne centrée -réduite si plusieurs facteurs distincts et indépendants influencent l’issue d’un processus
• exponential distribution ………….. loi exponentielle chacun avec sa loi propre, alors la résultante tend vers une loi gaussienne.
• gamma distribution ……………….. loi gamma Exemples :
• cumulative distribution …………… fonction de répartition - sommes de v.a uniformes,
• probability density function ……… fonction de densité de probabilité - sommes de v.a exponentielles,
• normality assumption ……………… hypothèse de normalité - sommes de v.a Binomiales,
- sommes de v.a Poisson,
- sommes de v.a de lois diverses
- aussi : rôle pour faire l’approximation de d’autres lois
comme la loi binomiale
3 4
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
 MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Scatterplot (chap05.sta 10v*1000c)

Loi Gaussienne 0.14

Loi Gaussienne : exemples

0.12

densité en forme de cloche 0.10

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

σ (sigma) : écart type

0.00
0.04 0.03

-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

Densité f ( x) = 1 _ exp (- ( x – µ )2 / 2 σ2 ) _∞ <x<∞ -0.02

-2 0 2 4 6 8 10 12 14 16 18 20 22 24 26
0.00
-2 0 2 4 6 8 10 12 14 16 18 20 22 24 26
U U

√
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

Répartition F (x) = P ( X ≤ x ) = 1 0.08

0.05

σ√2π

GAUSS-3

GAUSS-4
0.04
0.06
0.03

Intégration numérique seulement - voir ∞

-
0.04
0.02

une approximation plus loin 0.02

0.01

0.00
0.00

Moyenne (X) = E(X) = µ Variance (X ) = σ2 Écart type (X) = ET(X) = σ -0.02

-2 0 2 4 6 8 10 12 14 16 18 20 22 24 26
-0.01
-2 0 2 4 6 8 10 12 14 16 18 20 22 24 26
U
5 U
6
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D

MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Gaussienne centrée réduite : Z ~ N ( µ = 0, σ2 = 1)

Densité f(z)= 1 exp (- z 2 / 2 ) _∞ <z<∞

Table
√2π fonction Φ
z loi
Répartition Ф (z ) = P ( Z ≤ z ) = 1 exp ( - t 2 / 2 )dt
√2π gaussienne

-∞ 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 ) ) ]

Approximation de la fonction inverse Φ -1 ( p )

si 0.5 ≤ p < 1 a = ( - 2ln ( 1-p) ) 0 . 5 b= 2,30753 – 0,27061a______
1 + 0,99229a + 0,04481a2
Φ -1 ( p ) = a – b
si 0 < p ≤ 0.5 Φ -1 ( p ) = - Φ -1 ( 1 - p )
7 8
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
 MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Quantile d’une loi gaussienne centrée réduite Z ~ N ( 0, 1) Transformation : de N ( µ, σ 2 ) à N ( 0 , 1)
Probability Density Function Probability Distribution Function

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

0.4 X ~ N ( µ , σ 2 ) : Xp quantile d’ordre p ( 0 < p < 1 )

0.6

0.3 X p = µ + σ Zp où Z p quantile d’ordre p loi N (0,1)

Évaluation Ф(-z)=1– Ф(z)
0.4

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

Expected Normal Value

140
• diagramme quantile-quantile : valable même pour moins de 50 obs. 0.5
Observed Value

130

procédure : disponible dans Statistica 120

0.0

-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

3- calculer z p i = Φ -1 ( p i ) : quantile d’une loi gaussienne 70

-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
-2.0
70 80 90 100 110 120 130 140 150 160 170
Theoretical Quantile Observed Value

4- droite de moindres carrés passant par ( x ( i ) , zpi )

Graphique : quantile – quantile Graphique : normal
• tests d’ajustement : Khi-deux, Shapiro-Wilk ( chapitre 7 tests d’hypothèses)
loi gaussienne probability plot
11 12
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
 MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Exemples : graphiques quantile- quantile - lois gaussiennes Exemple 3 : on doit produire des composants dont la caractéristique qualité X
Exemple 2 : n = 100 - données simulées N ( mu=50, sigma=0,5) - X = 51,00- 50,37- ...- 50,05- 49,50 doit avoir une valeur nominale de 3,500. Le procédé de fabrication est
0.01 0.05 0.25 0.50 0.75 0.90 0.99
sujet à des variations : par expérience l’écart type σ (sigma) de X est 0,01
52.0
et le réglage à la valeur nominale peut se dérégler ( usure, … )
jusqu’à ∆ = ± 1,5*σ autour de la valeur nominale visée 3,500
51.5
X

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

ZL= - 2,81 0 ZU = 2,81 15 Si µ = 3,515 on obtient aussi σ = 0,0058 16

Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
 MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie
Approximation de la loi binomiale par une loi gaussienne Une variable X binomiale ( n, θ) est discrète : x = 0, 1, 2, 3,…., n
Rappel: chapitre 4 – page 4 - masse loi binomiale est en forme de cloche Une variable Y gaussienne « équivalente » a pour paramètres:
Possibilité: faire l’approximation des probabilités d’une loi binomiale µ = nθ et σ2 = n θ ( 1 – θ )
avec une loi gaussienne Condition : il faut que n soit « assez grand » : n θ ( 1 – θ ) > 5
Bar/Column Plot (ch3.sta 10v*31c)
0.18
0.16
Bar/Column Plot (ch4-V5.sta 10v*101c)
0.20
Bar/Column Plot (ch4-V5.sta 10v*101c)
θ 0,05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,95
n = 30
0.16

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

PB ( X = x) PG ( x-0,5 ≤ X ≤ x+0.5) Ф[ (x + 0,5 - µ)/σ ] - Φ [ (x - 0,5 - µ)/σ ]

0.04
0.04
0.02
0.02
0.02
0.00 binom
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
BINOM-2 0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
BINOM-3
PB( X ≤ x) PG ( X ≤ x+0,5) Φ [ (x + 0,5 – µ )/σ ]
Bar/Column Plot (ch4-V5.sta 10v*101c) Bar/Column Plot (ch4-V5.sta 10v*101c) Bar/Column Plot (ch4-V5.sta 10v*101c)
0.10 0.09 0.14

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

0.06 θ = 0,3 0.06

θ = 0,3 Exemple : loi binomiale ( n=100, θ = 0,4) n θ = 40 et n θ ( 1 – θ ) = 24 = 4,902
0.05 0.08

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

≈ Φ( -0,92 ) - Φ( - 1,12 ) = 0,1788 – 0,1314 = 0,0474

0.03
0.03
0.04
0.02 0.02

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

= Φ(-1,94) – Φ(-3,57) = 0,0262 – 0,0002 = 0,0260

0.00 BINOM-5

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

Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D

MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie

Combinaison linéaire de v.a gaussiennes Exemple 1 : X1 ~ N ( mu =2, var=9) X2 ~ N ( mu=1, var=16)

Calculer : (a) P( X1- X2 > 1.5) (b) P(X1 > X2)
RÉSULTAT (c) P( X1 + X2 ≤ 1) (d) P( 2X1 + X2 > 6)
Soient X 1 , X 2,, ….. , X n des v.a indépendantes et X i ~ N ( µ i , σ i2 ) Solutions:
(a) X1 – X2 ~ N ( mu =2 -1=1, var =9+16=25)
Soient a0, a1, a 2,, …. , an des constantes. P(X1-X2 > 1.5) = 1 – P(X1-X2< 1.5) = 1- Φ ((1,5 -1) / 5) = 1- Φ( 0,1 )
n = 1 – 0,5398 = 0,4602
Posons W = a0 + ∑ ai Xi une combinaison linéaire des X
(b) P(X1 > X2) = P( X1 – X2 > 0) = 1 - Φ((0 - 1) / 5) = 1- Φ(-0,2) = 0,5793
i=1

alors W ~ N ( µW , σw 2 ) où
(c) X1 + X2 ~ N ( mu = 2+1=3, var =9 + 16 =25)

P( X1 + X2 ≤ 1) = Φ((1 – 3) / 5) = Φ(-0,40) = 0,3446

µ W = a0 + ∑ a i µ i et σ w2 = ∑ a i2 σi2 (d) 2X1 + X2 ~ N ( mu = 2*2+1=5, var = 4*9+16=52)

P(2X1+X2 > 6) = 1 – Φ((6 – 5) / 520.5 ) = 1 – Φ(0,14) = 0,44443

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 )

X 1 ~ N ( µ1 =1,005 , σ1 = 0,003 ) : diamètre intérieur X 1 ~ N ( µ1 =1,005 , σ 1 = ? ) : diamètre intérieur

cylindre cylindre

X 2 ~ N ( µ 2 =1 , σ2 = 0,002 ) : diamètre extérieur tige X 2 ~ N ( µ 2 =1 , σ2 = 0,002 ) : diamètre extérieur tige

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

fX ( x ) = 0 si x ≤ a ou x ≥ b X = nombre de réalisations processus de Poisson d’intensité λ

X ~ Po (λ) λ = nombre moyen de réalisation par unité de temps
X
= 1/(b–a) si a ≤ x ≤ b
a b P( X= x) = λ x exp (- λ ) / x ! X = 0, 1, 2, 3, …
Y = nombre de réalisations processus de Poisson dans une fenêtre de longueur t : Y~ Po (λt )
Répartition F 0 si x ≤ a T = temps d’attente avant la prochaine réalisation après une réalisation
FX ( x ) = (x–a)/(b–a) si a ≤ x ≤ b v.a sur (o, ∞ ) P( T > t ) = P[ X=0 sur ( 0, t) ] = P( Y= 0 ) = exp ( - λt )
1 si x ≥ b
fonction de répartition de T : FT ( t ) = 1 - P ( T > t )
Moyenne = E ( X ) = ( a + b ) / 2 Variance = Var (X) = ( b – a )2 / 12 = 0 si t < 0
Quantile d’orde p ( 0 < p < 1 ) : Xp = a + p (b –a) = 1 - exp (- λt ) si t ≥ 0
120
11%
11%
fonction de densité de T : fT (t ) = 0 si t < 0
11%
Exemple : simulation 10% 10%
10% 10%
100
9% = λ exp (- λ t ) si t ≥ 0
9%

de 1000 nombres 80
8%

Moyenne et écart type : E(X) = 1/ λ Écart type (X) = ET(X) = 1/ λ

sur l’intervalle ( 0, 1 )
No of obs

60

autre paramétrisation : fT (t ) = 0 si t < 0

avec la fonction 40
θ= 1/ λ = (1/ θ ) exp (- t / θ ) si t ≥ 0
Statistica : Rnd(x) 20 E(X) = moyenne = θ ET(X) = écart type = θ quantile d’ordre p : Tp = - θ ln ( 1 – p )

loi uniforme sur (0, x) 0

0.0009
0.1008
0.2007
0.3005
0.4004
0.5002
0.6001
0.6999
0.7998
0.8997
0.9995
modèle exponentiel ? (a) histogramme (b) moyenne = écart type ?
UNIF
(c) graphique quantile -quantile
23 24
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
 MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie

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

P( T ≤ 1 an ) = P( T ≤ 8760 ) = 1 – exp( - 10- 5 *8760 ) = 1- exp ( -0,0876) = 0,084

0
P( T ≤ 5 ans ) = P( T ≤ 43800 ) =1 – exp( - 10- 5 *43800 ) = 1- exp ( -0,438) = 0,355
-200
P( T ≤10 ans ) = P( T ≤ 87600 ) =1 – exp( - 10- 5 *87600 ) = 1- exp ( -0,876) = 0,583 -0.5 0.0 0. 5 1.0 1. 5 2.0 2.5 3.0 3. 5

Th eore tic al Quan til e

25 26
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D

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

F T ( t ) = exp ( - 0,688711* t ) Loi gamma : Γ ( c , λ )

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 )

Résultat c paramètre de forme - λ paramètre d’échelle

Soit X un processus de Poisson d’intensité λ
densité f ( x ) = ( c / λ ) ( x /λ ) c - 1 exp [ - ( x / λ ) c ]
( disons λ réalisations en moyenne par unité de temps )
Soit Y le nombre de réalisations du processus durant t unités de temps
répartition F ( x) = 1 – exp [ - (x / λ) c ] x>0
Y suit une loi de Poisson de paramètre λt
Soit T le temps d’attente jusqu’à la n-ième réalisation si β = 1 : loi Weibull = loi exponentielle

T suit une loi gamma de paramètres α = n et θ = 1 / λ Applications : fiabilité

Cas particulier loi gamma : loi Khi-deux

quantile d’ ordre p : x p = ln [ ln ( 1 / (1-p) ) ]
Si λ = 0,5 et c = k / 2 où k est un entier :
la loi porte le nom du Khi-deux.
employée dans les chapitres 6 à 11

31 32
Bernard CLÉMENT, P h D Bernard CLÉMENT, P h D
 MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie

Loi Weibull : c =2, λ =1 Exemple OTHM p 162 : graphique quantile - quantile

X : 525 – 880 – 1200 – 1600 – 1980 – 2420 -3294
densité répartition
1.0 Q uantile -Q uantile Plot of X-ex5.24 chap05.sta 24v*1000c)
Distribution: Weibull(1)
1.2
X-ex5.24 = 649.8774+1139.6854*x
0.01 0.25 0.50 0.75 0.90
0.8 4000
1.0

3500

0.8 0.6 3000

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