ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Chapitre 3.

Transformations des lois de probabilités et variables aléatoires multiples

Sommaire

1. Introduction .............................................................................................................. 36
2. Variables aléatoires multiples .................................................................................. 36
2.1. Probabilité Conjointe ................................................................................... 36
2.2. Probabilité Conditionnelle ............................................................................ 37
2.3. Covariance des Variables aléatoires Multiples ............................................ 38
2.4. Corrélation des Variables aléatoires Multiples............................................. 38
2.5. Moyenne et Variance conditionnelles .......................................................... 39
3. Transformations des lois de probabilité ................................................................. 40
3.1. Cas d’une fonction NON monotone ............................................................ 41
3.2. Cas d’une fonction monotone croissante ...................................................... 42
3.3. Cas d’une fonction monotone décroissante ................................................. 43
4. Transformations linéaires des variables aléatoires ................................................ 43
4.1. Système linéaire d’ordre 1 ............................................................................ 44
4.2. Généralisation .............................................................................................. 45
5. Transformations Non linéaires des variables aléatoires ........................................ 45
5. 1. Méthode d’expansion en série de Taylor du 1er ordre ................................ 46
5.2. Méthode de linéarisation équivalente ........................................................... 48
6. Exercices d’application ............................................................................................. 51

Préparé par Lassâad WALHA 35

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Chapitre 3.

Transformations des lois de probabilités et variables aléatoires multiples

1. Introduction
Dans les deux premiers chapitres, on a étudié quelques lois de probabilités d’une variable
aléatoire. Dans la plupart des cas, le système comporte plusieurs variables aléatoires soit
indépendantes soit liées par des fonctions linéaires ou non linéaires. Pour cela, dans ce
chapitre on étudie le cas de variables aléatoires multiples.
Ce chapitre est divisé en trois grandes parties. Dans la première, on introduit les notions de
Variables aléatoires Multiples, la Fonction de Distribution Cumulative Conjointe et Marginale
(FDCC) et la Fonction Densité de Probabilité Conjointe (FDPC) et Marginale. Dans la
deuxième partie, on introduit les transformations linéaires d’une variable aléatoire X à une
autre variable Y reliée par une fonction linéaire. Dans la dernière partie, on traite le cas de
transformation non linéaires entre variables aléatoires. Toutes ces notions théoriques seront
appliquées sur des exemples d’application de la mécanique

2. Variables aléatoires multiples

Dans ce paragraphe, on pose X et Y deux variables aléatoires dans un même système ou
structure (exemple: une charge et sa distribution pour une poutre en flexion). La combinaison
entre ces deux variables donne naissance à des fonctions Conjointes de probabilités telles que
la Fonction de Distribution Cumulative Conjointe (FDCC) et la Fonction de Densité de
Probabilité Conjointe (FDPC). A partir de ces fonctions, on peut tirer les fonctions marginales
c'est-à-dire pour une seule variable indépendante de la deuxième variable. Dans la suite, on
présente toutes les démarches de calcul de ces différentes fonctions.

2.1. Probabilité Conjointe

Pour deux variables aléatoires X et Y, les probabilités de toutes les paires possibles (x, y) sont
décrites par la Fonction de Distribution Cumulative Conjointe (FDCC) de X et Y qui est
donnée par la relation suivante:

FX ,Y  x, y   ......................................  .................................

La FDCC de X et Y doit satisfaire les propriétés suivantes :

1) FX ,Y  ,    .... et FX ,Y  ,    .....

2) FX ,Y  , y   ..... et FX ,Y  x,    .....

Préparé par Lassâad WALHA 36

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

3) Les fonctions de répartition marginales FX(x) et FY(y) sont déduites à partir des égalités
suivantes :

FX ,Y  , y   ........ et FX ,Y  x,    ........

4) FX,Y(x,y) est une fonction positive et croissante de x et y

Pour chaque couple (x,y), la Fonction de Distribution Cumulative Conjointe (FDCC) de X et
Y est définie par:

FX ,Y  x, y   ................................
Si les dérivées partielles de F par rapport à x et y existent, alors la Fonction de Densité de
Probabilité Conjointe (FDPC) est définie par:

f X ,Y  x, y   ...............................
Nous pouvons également écrire la relation suivante:

p  a  X  b, c  Y  d   ................................................
2.2. Probabilité Conditionnelle
La fonction densité de probabilité conditionnelle de X sachant Y est définit par :

f X ,Y  x, y  f X ,Y  x, y   ........................
fX Y  x y  
fY  y 
 Si les variables aléatoires X et Y sont statistiquement indépendantes, alors :

fX Y  x y  fX  x
fY X  y x   fY  y  f X ,Y  x, y   ...................................

De façon générale, pour chaque variable aléatoire, la Fonction Densité de Probabilité

Marginale est définit par :

fY  y    fY X  y x  f X  x  dx  ..................................


fX  x   fX Y  x y  fY  y  dy  ...........................


Préparé par Lassâad WALHA 37

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

2.3. Covariance des Variables aléatoires Multiples

 La covariance est une mesure du degré de linéarité entre X et Y

Cov  XY   E  X   X Y  Y    E  X   X   Y  Y 

Cov  XY   .......................................

 L’espérance (moyenne) conjointe de X et Y est donnée par:

   
E  XY     xyf  x, y  dxdy   xf  x  dx  yf  y  dy
X ,Y X Y
   

E  XY   ...................................
 Si X et Y sont statistiquement indépendantes, alors on a:
Cov  XY   .......................................  .......

Propriétés de la Covariance
• Si Cov(XY) est positive et grande, alors les valeurs de X et Y sont toutes les deux
grandes par rapport aux moyennes de X et Y.

• Si Cov(XY) est négative mais grande en valeur absolue, alors les valeurs de X sont
grandes et les valeurs de Y sont petites par rapport aux X et Y

• Si Cov(X,Y) est petite, alors il y a peu de corrélation entre les valeurs de X et Y.

• Si Cov(X,Y) est nulle, alors il n’y a pas de corrélation entre les valeurs de X et Y.

2.4. Corrélation des variables aléatoires multiples

Le coefficient de corrélation entre deux variables X et Y est définit par :

 XY  ............................. avec  1   XY  1

La figure 3.16 présente quelques cas de corrélation entre les variables aléatoires X et Y.

Préparé par Lassâad WALHA 38

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

 XY  1  XY  .....

 XY  ..... .....   XY  ....

Figure 3.16. Quelques cas de corrélation entre les variables aléatoires X et Y.

2.5. Moyenne et variance conditionnelles

Pour les probabilités conditionnelles, la moyenne et la variance conditionnelles sont définis
par :
• La moyenne conditionnelle de X sachant Y=y est définie comme suit:

E  X Y  y  X y   xf  x y  dx
X Y


• La variance conditionnelle de X sachant Y=y est définie comme suit:

Var  X Y  y   E  X   X Y  Y  y 
2

 
 2

Var  X Y  y    x   

X y f X Y  x / y  dx

Dans le paragraphe suivant, on va étudier les différentes transformations linéaires et non

linéaires entre les variables aléatoires. Pour les fonctions non linéaires, on utilise des
méthodes de linéarisation pour linéariser la fonction de transformation.

Préparé par Lassâad WALHA 39

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

3. Transformations des Lois de probabilité

Pour chaque système industriel, on trouve une relation entre toutes les variables d’entrée et les
variables de sortie. Cette relation prend généralement la forme:

Y  gX 
Dans ce paragraphe, on s’intéresse au début à présenter la méthode de détermination des
fonctions FDC et FDP de la sortie Y en fonction de celle de l’entrée X. Ensuite, on traite deux
cas de la fonction g(X) à savoir le cas linéaire et le cas non linéaire.
La figure 3.17 présente un cas particulier de système industriel avec plusieurs variables à
l’entrée et une variable de sortie.

Système

Figure 3.17. Système à plusieurs variables à l’entrée et une variable de sortie.

Cet exemple peut être sous la forme d’une poutre en flexion soumise à un chargement réparti
comme c’est présenté dans la figure 3.18.

Figure 3.18. Poutre en flexion avec chargement reparti

Dans ce cas, on pose les deux variables aléatoires suivantes:

EI  X 1  f X1  x1  et q  X 2  f X 2  x2 
La flèche maximale de la poutre est la variable output:

5qL4 5 L4 X 2
Y   g  X1 , X 2 
384 EI 384 X 1
On cherche donc à la détermination des FDP et FDC de Y à partir des FDP et FDC de X1 et
X2.

Préparé par Lassâad WALHA 40

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Pour simplifier les calculs, on commence par le cas d’une seule variable à l’entrée et une seule
variable à la sortie.
3.1. Cas d’une fonction NON monotone
La figure 3.20 présente les fonctions g(X) et fX(x) dans le même graphe.

Figure 3.20. Cas de fonction g(X) NON monotone

Dans ce cas, la fonction de répartition de la variable Y est donnée par :

FY  y   p  Y  y   p  g  X   y   p  X est dans la region Y  y 

Def

La fonction de densité de probabilité de la variable Y est définit par : ……………………….

3.2. Cas d’une fonction monotone croissante

Soit g(X) une fonction monotone croissante de X qu’on suppose inversible. La figure 2.15
présente les fonctions des densités de probabilités de X et de Y et la fonction g(X).

Figure 2.15. Densités de probabilités de X et de Y liée par une fonction croissante monotone

Préparé par Lassâad WALHA 41

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

La fonction de répartition de la variable Y est donnée par :

FY  y   p Y  y   p  g  X   y   p  X  g 1  y    FX  g 1  y  
Def

La fonction de densité de probabilité de la variable Y est définit par :

d
fY  y   FY  y 
Def dy
d d d
fY  y   FY  y   FX  g 1  y    FX  x  y  
dy dy dy
d  dx  d  dx
fY  y    FX  x  y     FX  x 
 dx  dy  dx  dy
dx 1
fY  y   f X  x   fX  x
dy g '  x 
Finalement, cette fonction de densité de probabilité est définit par :

fY  y   ..................................

3.3. Cas d’une fonction monotone décroissante

Soit g(X) une fonction monotone croissante de X qu’on suppose inversible. La figure 2.16
présente les fonctions des densités de probabilités de X et de Y dans le cas où les variables X
et Y sont liées par une fonction décroissante monotone g(X).

Figure 2.15. Densités de probabilités de X et de Y liée par une fonction décroissante

monotone

Préparé par Lassâad WALHA 42

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

La fonction de répartition de la variable Y est donnée par :

FY  y   p Y  y   p  g  X   y   p  X  g 1  y    1  p  X  g 1  y  
Def

FY  y   1  FX  g 1  y  
La fonction de densité de probabilité de la variable Y est définit par :

fY  y  
d
dy
FY  y  
d
dy
 d

1  FX  g 1  y     FX  x  y 
dy
d  dx d  dx
fY  y     FX  x  y       FX  x 
 dx  dy  dx  dy
dx 1
fY  y    f X  x   fX  x
dy g '  x 
Finalement, la fonction de densité de probabilité est définit dans ce cas par la relation :

fY  y   ..........................................

4. Transformations Linéaires des Variables Aléatoires

Dans ce paragraphe, on étudie le cas où les variables aléatoires d’entrée sont liées aux
variables de sortie par des fonctions linéaires. Pour cela, on commence par un système d’ordre
1 et on généralise ensuite pour le cas de plusieurs variables à l’entrée et plusieurs variables à
la sortie.
4.1. Système linéaire d’ordre 1
Soit le système linéaire suivant qui relie les variables d’entrée Xi (Vecteur X d’ordre n) à la
variable aléatoire scalaire Y (d’ordre 1).

Entrée: Vecteur aléatoire de dimension n

 X 1 , X 2 , ..., X n 
T
X 
X : est le vecteur de la moyenne du vecteur input X

 X : est la matrice de covariance du vecteur input X

Sortie : Scalaire aléatoire de dimension 1
Y : est la moyenne de la variable output Y
 2 : est la variance de la variable output Y
Y

Préparé par Lassâad WALHA 43

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

On suppose qu’il existe une relation Linéaire entre la variable d’entrée et celle de sortie:
T
Y  a X b
Avec
a  a1 , a2 ,..., an  : un vecteur de dimension n
T

ai ,  i  1, 2,..., n  : sont des coefficients déterministes et b : scalaire déterministe

La moyenne de Y est définit par :

   
E  Y   E a X  b  E a X  E  b  a E  X   b
T T T
Y  ........................
La variance de Y est définit par :

     X   
 Y2  E Y  Y    E  a X  b  a  X  b a X  b  a  X  b   a E  X   X a
2 T T T T T T T

    X 

 Y2  ...................
4.2. Généralisation
Pour généraliser les calculs du paragraphe précédent, on utilise le système linéaire de la figure
suivante :

 X 1 , X 2 , ..., X n 
T
Entrée: Vecteur aléatoire de dimension n X 

X : est le vecteur de la moyenne du vecteur input X

 X : est la matrice de covariance du vecteur input X

Y1 , Y 2 , ..., Y m 
T
Sortie : Vecteur aléatoire de dimension m Y 

Y : est le vecteur de la moyenne du vecteur output Y

Y : est la matrice de covariance du vecteur output Y

Préparé par Lassâad WALHA 44

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

On suppose qu’il existe une relation Linéaire entre les composants du vecteur Y avec celle
des composants du vecteur X la variable d’entrée et celle de sortie par la relation linéaire:
T
Y  A X B
Avec A : matrice d’ordre n
B : vecteur à n composants

Le vecteur moyenne de Y est définit par : ……………………………………….

La matrice de covariance de Y est définit par : ………………………………………

5. Transformations Non Linéaires des Variables Aléatoires

On parle de transformation non linéaire quand la fonction g(X) est de type non linéaire. C’est
le cas de l’exemple cité précédemment de la poutre en flexion (figure 3.21) dont la fléché est
définit par la relation :

5qL4 5 L4 X 2
Y   g  X1 , X 2 
384 EI 384 X 1
Avec X1 et X2 : deux variables aléatoires :

EI  X 1  f X1  x1  et q  X 2  f X 2  x2 
Pour faciliter les calculs des moyennes et des écart types de la variable de sortie Y, on doit
linéariser la fonction g(X) par l’une des deus méthodes suivantes :

 Méthode d’expansion en série de Taylor du 1er ordre

 Méthode de linéarisation équivalente

5. 1. Méthode d’expansion en série de Taylor du 1er ordre

 Cas particulier
On commence par un cas particulier tel que le système non linéaire suivant qui relie les
variables d’entrée Xi (Vecteur X d’ordre n) à la variable aléatoire scalaire Y (d’ordre 1).

Préparé par Lassâad WALHA 45

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Entrée: Vecteur aléatoire de dimension n définit par :

 X 1 , X 2 , ..., X n 
T
X 
Pour ce vecteur, on pose :

X : le vecteur de la moyenne du vecteur input X

X : la matrice de covariance du vecteur input X

Sortie: Y : Scalaire aléatoire de dimension 1 définit par :

Y  g  X , X  n, Y 
On note par :
Y : la moyenne de la variable output Y

2Y
: la variance de la variable output Y

En utilisant la méthode de Taylor du 1er ordre, on peut écrire Y sous la forme :

g
   
n n n
Y Y  g X 
ˆ  X i  i     i X i  g  X    i i
i 1 X i X  
 X
i 1
 i 1
b
i
Cette relation prend la forme générale suivante :

Yˆ   X  b
T

 1 ,  2 ,...,  n 
T
Avec *  vecteur des gradients évalué à la moyenne de X tel que
ses composants sont définis par :

g
i 
X i X  X

* Le scalaire b est définit par :

 g 
 
n
b  g  X   i  
i 1 X
 i  X  X

Préparé par Lassâad WALHA 46

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Il suffit donc de déterminer αT et b pour obtenir l’approximation de g(X) en une série de

Taylor du 1er ordre.
En se basant sur la théorie de la transformation linéaire, on peut estimer la moyenne et la
variance de la variable aléatoire Y

 
Y  E Yˆ  .......................... et  
 Y2  Var Yˆ  .....................
Généralisation

La figure 4.25 présente le cas d’un système non linéaire à plusieurs variables d’entrée et
plusieurs variables de sortie.

Figure 4.25. Cas d’un système non linéaire à plusieurs variables d’entrée et plusieurs
variables de sortie.
A l’entrée, on a le même vecteur X de moyenne  X et de matrice de covariance  X
Sortie : Vecteur aléatoire de dimension m définit par :

Y  Y1 , Y 2 , ..., Y m 
T

La moyenne et la matrice de covariance de ce vecteur sont définit par :

Y : le vecteur de la moyenne du vecteur output Y

 Y : la matrice de covariance du vecteur output Y

Le vecteur Y des variables aléatoires à la sortie est lié aux variables à l’entrée par la relation :

 g1  X  
 
 . 
Y  ; X  n ; Y  m
 . 
 g m  X  

Préparé par Lassâad WALHA 47

 ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

L’approximation de la fonction gX par une expansion en une série de Taylor de 1er
ordre est donnée par:

Y  gX   X b
T

Avec :

  g1  
 
n
 g1
...
g1   1 X  i
g     
   i 1  X i  X   X 
 X 1 X   X X n X  X   
   . 
T   . ... .  b 
 g   . 
g m
 m ...    g  
 
n
 X 1 X   X X n   g m    i  m  
 X  X
  m n 
  X i  X   X 
X
i 1
  m1
• Moyenne et covariance
En se basant sur la théorie de la transformation linéaire, on peut estimer la moyenne et la
variance du vecteur des variables aléatoires Y sont définit par :

  Y  Yˆ    X 
T
 Y   Yˆ  E Yˆ   T  X  b et

La méthode de l’expansion de Taylor du 1er ordre admet quelques limites tel que :
 La fonction g doit être « approximativement » linéaire.
 L’incertitude de la variable X ne doit pas être très grande; autrement dit, la
variance de X ne doit pas être très grande.

5.2. Méthode de linéarisation équivalente

Cas Particulier :
Pour simplifier l’explication, on considère une seule variable aléatoire à l’entrée et une seule
variable aléatoire à la sortie (1D) (Scalaire – Scalaire). Ce cas est présenté dans la figure ci-
dessous.

Figure 4.25. Cas de système non linéaire scalaire - scalaire

Préparé par Lassâad WALHA 48

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Dans ce cas, on désigne par YL  aX  b une approximation de la fonction non linéaire

Y  g X 
La méthode de linéarisation équivalente permet de déterminer les deux inconnus a et b tel que
la différence entre YL et Y est minimisée. Généralement est basée sur la minimisation de la
moyenne de la différence quadratique:

E YL  Y    E  aX  b  g  X   
2 2

   
Une condition nécessaire mais non suffisante pour la minimisation de cette erreur est que la
première dérivée par rapport à a et b doit être nulle.

Première dérivée par rapport à a :

Cette première dérivée est définit par :
 
E YL  Y    0
2

a  
     2
E YL  Y    E  aX  b  g  X     E   aX  b  g  X   
2 2

a   a    a 
 E  2 X  aX  b  g  X   
Ce qui nous permet d’avoir la première égalité suivante :
…………………………………………………………………………………………

Première dérivée par rapport à b :

Cette deuxième dérivée est définit par :
 
E YL  Y    0
2

b  
   2
E  aX  b  g  X     E   aX  b  g  X   
2

b    b 
 E  2  1  aX  b  g  X   

Ce qui nous permet d’avoir la deuxième égalité suivante :

……………………………………………………………………………..

Et finalement, pour déterminer les deux variables a et b, il suffit de résoudre les deux
équations linéaires précédentes.

Préparé par Lassâad WALHA 49

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Cas Général
Le cas général d’un système non linéaire à plusieurs variables d’entrée et plusieurs variables
de sortie est présenté par la figure 4.26.
En appliquant la méthode de linéarisation équivalente, la relation non linéaire Y  g X 
sera linéariser sous la forme générale suivante :
T
YL  a X b
Avec :

 a1 1 ... a1 n   b1 
. 
  . . 
T
a ... et  
  b 
 a m 1 ... a m n   m  n  . 
bm 
 m1

et du vecteur b sont obtenues en minimisant :

T
Les termes de la matrice a


E  YLi  Yi  
2
i=1,...,m


Les conditions nécessaires mais non suffisantes pour la minimisation sont:



E  YLi  Yi    0;
2
i  1,..., m; j  1,..., n;
aij 
 
    0;
2
E YL  Y i  1,..., m;
bi  i

Le système d’équation ci-dessus est un système linéaire de (mxn)+m équations ayant

(mxn)+m inconnues.

Le vecteur des valeurs moyennes des composantes du vecteur Y sont définis par :

 Y   Y  E  Y L   aT  X  b
L

De même, les composantes de la matrice de covariance de Y sont données par :

Y  Y  a  X a
T
L

Préparé par Lassâad WALHA 50

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

6. Exercices d’application

Exercice 1. Soit (X,Y) un couple de variables aléatoires dont la densité conjointe est donnée
par :
2e  x e2 y x    , y   
f ( x, y )  
 0 si non
1. Déterminer la FDC marginale de X
2. Calculer la probabilité de l’événement (X<Y)

Exercice 2. Soient X et Y les débits (en m3) respectifs de deux robinets qui alimentent un
réservoir. Ces 2 variables aléatoires sont définis par la distribution conjointe suivante :
4.107 ( 6000  x  y )
f XY ( x, y )   0  x  4000 et  0  y  2000
6000
1. Quelle est la probabilité que le débit du robinet 1 soit le double du débit du robinet 2.
2. Déterminer la fonction de densité conditionnelle de X pour Y=1000 m3
3. Calculer la probabilité que X soit supérieure à 2000 m3 sachant que Y=1000 m3

Exercice 3. Soit (X,Y) un couple de variables aléatoires dont la densité conjointe est donnée
par :
kx 2  y 2  xy x   1,1 et y   1, 0
f ( x, y )  
 0 si non
1. Déterminer k pour que f soit une fonction densité du couple (X,Y)
2. Calculer p[{0 < X < 1}∩{-0.5 < Y < 0}]
3. Déterminer les fonctions densité marginales
4. Déterminer la fonction de répartition conjointe

Exercice 4. Soit (X,Y) un couple de variables aléatoires dont la densité conjointe est donnée
par :
2( x  y  2 xy ) x   0,1 et y  0 ,1
f ( x, y )  
 0 si non
1. Determiner la fonction de distribution cumulative conjointe FXY
2. Determiner les densités conditionnelles de X sachant que Y=y et de Y sachant que X=x.

Exercice 5. Soit une variable aléatoire de densité de probabilité

2 x
fX ( x )  avec 2 x  2
4
Quelle est la fonction de densité de probabilité de la variable Y=X2

Exercice 6. Soit X une variable aleatoire suivant une loi exponentielle.

1. Déterminer la loi de la variable aleatoire Y  X
2. Déterminer les densité de X2 et de X3

Préparé par Lassâad WALHA 51

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Exercice 7. Soient les deux variables aleatoires X et Y qui suivent les lois normales
suivantes :
Pour X : N( 1; 3 ) et Pour Y : N( 1;1 )
Déterminer les lois des variables aléatoires Z1=-2X+5, Z2=X+Y et Z3=X-Y

Exercice 8. Soit X une variable aleatoire de fonction de densité :

 2x 0  x 1
fX ( x )  
0 si non
On veut étudier la variable aléatoire Y=exp(-X)
1. Déterminer la fonction de distrubution cumulative FY(y)=P(Yy)
2. Déterminer la densité de probabilité de fY(y)
3. Calculer E(X), V(X) , E(T) et V(Y)

Exercice 9. Une poutre console est soumise à l’action de deux charges aléatoires S1 et S 2
ayant, respectivement, les moyennes et les écarts types 1 ,  1 et  2 ,  2 . Les charges S1 et S 2
sont statistiquement indépendantes.

a) Déterminer la moyenne et l’écart type de l’effort tranchant T et ceux du moment M au

niveau de l’encastrement.
b) Déterminer le coefficient de corrélation TM entre l’effort tranchant T et le moment M .
c) Déterminer la valeur du coefficient de corrélation TM lorsque  1   2 et a  b .

T S1 S2

a b

Exercice 10. On considère un poteau de 5m de hauteur soumis à un 

chargement S qui est incliné d’un angle  par rapport à la verticale S
(voir figure ci contre). La charge S et l’angle  sont deux variables
aléatoires statistiquement indépendantes ayant les moyennes et les
écart-types suivants :
 S  100 N ;  S  20 N ;   30 ;    5 . 5m

Déterminer la moyenne et l’écart-type du moment de flexion

maximal dans le poteau par la méthode d’expansion de Taylor du 1er
ordre.

Préparé par Lassâad WALHA 52

ENIS – GEM 3 Sûreté et Fiabilité des Systèmes Industriels

Exercice 11. On considère une poutre de longueur L qui repose sur appuis simples et qui est
soumise à un chargement constant Q (voir figure ci-contre).
Ce chargement est modélisé par une variable aléatoire suivant une loi uniforme :

1 10 10 N m  q  20 N m
Q  fQ  q   
 0 autrement

q: charge par unité de longueur

L, EI

Déterminer la fonction densité de probabilité (FDP) et la fonction de distribution cumulative

(FDC) de Y qui est le moment maximal de flexion.

Exercice 12. On considère X une variable aléatoire de moyenne  X et de variance  X2 . La

variable X représente l’entrée (input) d’un système non linéaire représenté par g  X   X 2 .
La sortie (output) de ce système est désignée par la variable aléatoire Y  g  X   X 2 .
Déterminer la moyenne Y et la variance  Y2 de la variable aléatoire Y par la méthode de
linéarisation stochastique en utilisant l’approximation linéaire YL  aX .

Exercice 13. L’énergie cinétique K d’une particule de masse m en mouvement à une vitesse
1
V est donnée par : K  mV 2 . La vitesse V est décrite par une variable aléatoire ayant la
2
fonction densité de probabilité (FDP) suivante :
1 1
9 v  3 3 v  0

 1 1
fV  v     v  0v3
 9 3
0 autrement


Déterminer la fonction densité de probabilité (FDP) et la fonction de distribution cumulative
(FDC) de l’énergie cinétique K .

Préparé par Lassâad WALHA 53