MTH 2301 Méthodes statistiques en ingénierie • définition • fonction
Transcription
MTH 2301 Méthodes statistiques en ingénierie • définition • fonction
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Définition VARIABLES ALÉATOIRES • E : expérience aléatoire S : espace échantillonnal associé X fonction de S dans les nombres réels ( R ) définition X est une variable aléatoire ; X( o ) est un nombre réel • fonction de répartition Exemple : • variable aléatoire discrète lancement d’une pièce de monnaie 3 fois X = nombre de fois « P I L E » X = 0, 1, 2, 3 • moyenne - variance - écart type S • espérance mathématique • variable aléatoire continue F : Face • fonction d’une variable aléatoire : transformation P : Pile • combinaison linéaire de variables aléatoires FFF FFP FPF PFF FPP PFP PPF PPP 0 R 1 Les probabilités sur S 2 se transportent 3 sur R 1 Bernard CLÉMENT, P h D 2 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Fonction de répartition X une v,a, VARIABLE ALÉATOIRE DISCRÈTE x une valeur (réelle) prise par X Événement : { X ≤ x } 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, … x F X ( x ) = P X ( X ≤ x ) : fonction de répartition Exemples (comptages) propriétés • • • • • 1. 0 ≤ F X ( x ) ≤ 1 -∞ ∞ 2. x x 3. F X (x) 4. F X (x) F X (x) F X (x) non décroissante continue à droite 0 1 X discrète 1 X continue 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) = PX ( X = x) p X (x) ≥ 0 Fonction de répartition Fx(u) = p X (x) Distributions importantes Binomiale - Poisson - Hypergéométrique 3 Bernard CLÉMENT, P h D ∑ 4 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie VARIABLE ALÉATOIRE DISCRÈTE Binomiale X le nombre de succès dans une suite de n essais de Bernoulli Bar/Column Plot (ch3.sta 10v*31c) 0.18 avec une probabilité commune de succès de θ 0.16 X i la variable associée au i-ème succès X 1 , X 2 , …,, X n indépendantes X = ∑ X i X est une variable binomiale X ~ b (n , θ ) p x (x) masse 0.14 0.12 = [ n! / x ! ( n- x) ! ] θx ( 1 – θ ) n – x 0.10 x FX (x) = ∑[ répartition θ = 0,30 Exemple : n = 30 0.08 n! / k ! ( n- k ) ! ] θ k ( 1 – θ ) n – k 0.06 F∩E3 k=0 0.04 0.02 étude détaillée - chapitre des lois discrètes binom 0.00 5 Bernard CLÉMENT, P h D 0 4 6 8 10 12 14 16 18 20 22 24 26 28 30 6 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie moyenne - variance - écart type Espérance mathématique X v,a, discrète Moyenne : E [ X ] = µ = ∑ x p X (x ) n = 30 en général / n θ = 0,3 E[X]=9 Variance : Var [ X ] = σ 2 = ∑ ( x - µ )2p X (x ) = ∑ x 2p X (x ) - µ2 Exemple : X ~ b i nom ( n, θ ) σ 2 = n θ ( 1 - θ ) en général n = 30 θ = 0,3 h: R E [ h(X) ] = ∑ h(x) p X(x) Exemple : X ~ b i nom ( n, θ ) E[X]=nθ p X(x) sa fonction de masse associée h fonction de R dans R premier moment par rapport à l’origine – centre de masse Var [ X ] = σ 2 = 6,3 Écart type : ET [ X ] = σ = √ Var [ X ] Exemple : X ~ b i nom ( n = 30 , θ = 0,3 ) Cas particuliers E [ h( X ) ] h( x ) = x h(x)=x2 h(x)= (x-µ)2 h(x)= xk h(x)= (x–µ)k moyenne µ R : espérance mathématique de h 2 ième moment par rapport è l’origine 0 variance k - ième moment par rapport à l’origine k – ième moment par rapport à la moyenne µ ET [ X ] = σ = 2,51 7 Bernard CLÉMENT, P h D 2 8 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie 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 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 p(x) 0 1/8 4/8 2/8 1/8 Y = profit net = φ (X) x Y = φ (x) 4 5 10K$ 3K$ 1 24 25 26 27 28 29 30 0,02 0,04 0,08 0,16 0,32 0,18 0,12 0,08 L(x, s) = 40 (s - x ) L(x, s) = (70 - 40) (x – s) 6___ 0,7K$ 23 probabilité p(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 Fonction de perte L (x, s): total dépend du nombre de jours X pris pour réaliser le travail 3 nombre billets x -1,5K$ perte moyenne Profit net moyen = ? E(L) si 23 ≤ x ≤ s stock excessif si s+1 ≤ x ≤ 30 stock manquant s E [L ( X , s)] = 30 40(s − x) p X ( x) + x=23 E( Y ) = 10K$ *1/8 + 3K$ * 4/8 + 0,7K$ * 2/8 + (-1,5K$) * 1/8 = 2,73K$ 30 ( x − s) p X ( x) x=s+1 Quelle valeur de S minimise E(L) ? 9 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Exemple 2: suite 10 Bernard CLÉMENT, P h D S ∑40(s – x)p(x) 23 24 25 26 27 28 29 30 0,00 0,80 3,20 8,80 20,80 45,60 77,60 114,40 ∑30(x –s)p(x) VARIABLE ALÉATOIRE CONTINUE ( v,a,c ) E [ L(X,s) ] 124,20 94,80 66,60 40,80 19,20 6,20 0,00 0,00 124,20 95,60 69,90 49,60 40,60 51,60 77,60 114,40 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 minimum 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, nouvelle distribution de probabilité x prob 23 24 0,30 0,20 25 26 0,15 0,12 0,10 0,08 solution optimale devient 27 28 29 30 0,04 0,01 S = 24 11 Bernard CLÉMENT, P h D est la densité de X 12 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie VARIABLE ALÉATOIRE CONTINUE ( v,a,c ) PX ( X = x) = Exemple : loi uniforme (équiprobabilité) lim [ FX ( x + ∆x) − FX ( x) ] = 0 ∆x → 0 d f X ( x) = FX ( x ) dx fX(x) x F X (x)= ∫ f X ( t ) dt x E ( X ) = ∫ xf X (t ) dt = µ ∞ ∫ RX X ≤ a ou X ≥ b = k si a ≤ X ≤ b FX ( x ) = 0 f ( x ) dx a fX x si a f X ( x ) dx = 1 +∞ +∞ ∞ ∞ X b k=? k=1/(b–a), E(X) = (a+b)/2 , ∞ b P (a ≤ x ≤ b) = = 0 si Var ( X ) = ( b – a ) 2 / 12 X≤a = (x–a)/(b–a) si = 1 si X ≥ b a ≤ X ≤ b a b Application générateurs de nombres (pseudo) aléatoires de la loi uniforme méthode linéaire congruente : I i VAR[ X ] = ∫ (x − µ)2 f (x) dx = ∫ x 2 f X ( x) dx − µ 2 +1 = ( a I i + b ) mod m À choisir : a, b, m , I 0 ( semence ) employé pour la SIMULATION : Statistica i = 0, 1, 2,… u i= I i / m ; fonction Rnd 13 Bernard CLÉMENT, P h D 14 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Fonction d’une variable aléatoire Fonction d’une variable aléatoire discrète X v,a, sur S et d’espace image R X ( réels ) RX Y = φ ( X ) une transformation ( fonction ) est une v,a, . . x i1 .. l’espace image est R Y ; E Y événement dans R Y Alors PY ( E Y ) = PX ( { x dans RX : φ ( x ) dans E Y} ) Exemple: RY Y = φ (X) . .Yj x i2 . 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 2 x i3 . Quelle est la probabilité que Y varie entre 0,252 π et 0,254 π ? . . . pY ( y j ) = PY (Y = y j ) = varie dans l’intervalle ( 0,25 π , 0,255025 π ) . PX ( xik ) x i k ∈Ω j réponse : P ( 0,252 π ≤ Y ≤ 0,254 π ) = P ( 1,00399 ≤ X ≤ 1,00797 ) = 100 ( 0,00398) = 0,398 15 Bernard CLÉMENT, P h D 16 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Exemple : tir de Bernoulli sur loi exponentielle f x (x ) = λ e –λ x x ≥0 =0 E [X ]= probabilités de Y x<0 ∞ ∫ x λ e −λ x dx = − xe −λ x [X ] = ∞ ∫ 0 x λ e 2 λ x 1 dx − λ ∞ 0 0 Var , Exemple : tir de Bernoulli sur loi exponentielle (suite) ∞ + ∫ e − λ x dx = 0 1 1/ λ λ pY (0) = ∫ λ e −λ t dt = − e −λ t 1/ λ 0 2 =1/λ 0 = 1 − e −1 ≈ 0.6321 2 ∞ p Y (1) = Le temps X jusqu'à la défaillance (ex, tube à rayons cathodiques) X durée vie suit une loi exponentielle, λ taux de défaillance ∫ λ e − λ t dt = − e − λ t 1/ λ ∞ 1/ λ =e −1 ≈ 0 .3679 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 17 Bernard CLÉMENT, P h D 18 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Fonction continue d’une V,A, continue X v.a.c densité f x Densité f Y = ? φ fonction continue Y = φ (X) Fonction continue d’une V,A, continue (suite) Y est une v.a.c Exemple: Pour la trouver la densité il faut : 1. Obtenir F Y (y) = P( Y ≤ y ) par l'événement de R X équivalent à (Y ≤ y) dans R y 2. Dériver F Y (y) par rapport à y pour obtenir la fonction de densité fy Y = aire de la section = π ( X / 2) 2 = 0,25 π X 2 varie dans l’intervalle 0,250000 π = 0,78540 quand x = 1,00 à 0,255025 π = 0,80118 quand x = 1,01 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 f Y ( y ) = f X ( x) • avec x = φ - 1 (y ) X diamètre d’un fil - distribution uniforme intervalle 1,00 à 1,01 100 f X ( x ) = 100 1,00 ≤ x ≤ 1,01 0 0 = 0 autrement X 1,00 1,01 transformation inverse X = Y 0,5 / 0,25 π dx / dy = 1/ (2 y 0,5 0,25 π ) = ( 1/ 0,50 π ) y - 0,5 = 0,6366 y - 0,5 dx dy fY ( y) = f X ( x) • exprimé en terme de y f y (y ) = 100 ( 0,6366 y - 0,5 ) = 63,66 y - 0,5 71,28 0 19 Bernard CLÉMENT, P h D dx dy Bernard CLÉMENT, P h D 0,7854 67,86 0 0,80118 Y 20 MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Combinaison linéaire de variables aléatoires indépendantes Combinaison linéaire de variables aléatoires indépendantes a 1 , a2 , …, a n X 1 , X2 , …, X n combinaison linéaire E(Xi )= µi moyenne de X i Var( X i ) = σ i 2 variance de X i alors modèle : X Y variables indépendantes P ( X = x j ; Y = y j ) var iables PROBABILITÉES CONJOINTES variables aléatoires discrètes ou continues indépendantes W = ∑ ai Xi Théorème probabilités conjointes p(x,y) exemple constantes n E ai X i = i −1 Var n i −1 n Y p(X=6, Y = 4) 3 5 6 9 10 13 14 prob 0,05 0,15 0,20 0,30 0,10 0,10 0,10 1,00 1 0,05 0,0025 0,0075 0,0100 0,0150 0,0050 0,0050 0,0050 0,05 = p(X=6)*p(Y=4) 2 0,10 0,0050 0,0150 0,0200 0,0300 0,0100 0,0100 0,0100 0,10 = 0,20* 0,15 3 0,30 0,0105 0,0450 0,0600 0,0900 0,0300 0,0300 0,0300 0,30 = 0,0300 4 0,15 0,0075 0,0225 0,0300 0,0450 0,0150 0,0150 0,0150 0,15 5 0,20 0,0100 0,0300 0,0400 0,0600 0,0200 0,0200 0,0200 0,20 6 0,20 0,0100 0,0300 0,0400 0,0600 0,0200 0,0200 0,0200 0,20 1,00 0,05 0,15 0,20 0,30 0,10 0,10 0,10 ai µ i i −1 ai X i = X n ai2 σ i2 Moyenne et variance de W = 4X + 3Y ? i −1 21 Bernard CLÉMENT, P h D 22 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Combinaison linéaire de variables aléatoires indépendantes CALCUL DES MOYENNES Exemple valeurs de W = 4 X + 3 Y Exemple suite X 3 5 6 9 10 13 14 3Y 4X 12 20 24 36 40 52 56 3 3 15 23 27 39 43 55 59 6 6 18 26 30 42 46 58 62 9 9 21 29 33 45 49 61 65 12 12 24 32 36 48 52 64 68 15 15 27 35 39 51 55 67 71 18 18 30 38 42 54 58 70 74 suite aij a=4 x=3 5 6 9 10 13 14 E(X)= b=3 45,85 0,15 0,75 1,20 2,70 1,00 1,30 1,40 8,50 y=1 0,05 0,0375 0,173 0,270 0,585 0,215 0,275 0,295 2 0,20 0,090 0,390 0,600 1,260 0,460 0,580 0,620 3 0,90 0,315 1,305 1,980 4,050 1,470 1,830 1,950 4 0,60 0,180 0,720 1,080 2,160 0,780 0,960 1,020 5 1,00 0,270 1,050 1,560 3,060 1,100 1,340 1,420 6 1,20 0,300 1,140 1,680 3,240 1,160 1,400 1,480 E(Y) = 3,95 45,85 Calcul avec la formule : E(W) = 4*E(X) + 3*E(Y) = 4*8,50 + 3*3,95 = 45,85 a i j = (4x i + 3y j )* p(x i , y j ) 23 Bernard CLÉMENT, P h D E(W) = Calcul direct : E(W) = ∑ ∑ a i j 24 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie CALCUL DES VARIANCES Exemple suite Combinaison linéaire de variables aléatoires indépendantes a=4 3 5 6 9 10 13 14 V(X) = b=3 178,528 1,513 1,838 1,250 0,075 0,225 2,025 3,025 9,950 1 0,435 2,379 3,916 3,553 0,704 0,041 0,419 0,865 2 0,380 3,878 5,910 5,024 0,445 0,000 1,476 2,608 3 0,271 9,263 12,777 9,907 0,065 0,298 6,886 11,002 Application importante : processus échantillonnage aléatoire d’une population X n variables X Définition d’un échantillon aléatoire: (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, b ij n 4 0,000 3,581 4,316 2,911 0,208 0,567 4,941 X =∑ 7,359 1 5 6 V(Y) = 0,221 0,841 3,553 2,512 3,532 1,849 1,877 0,593 1,591 3,985 2,148 1,674 2,952 8,946 15,848 V(W) = Propriétés de X 178,528 b i j = [w i j – E( W ) p(x i , y j ) Calcul direct : Var(W) = ∑ ∑ b i j Bernard CLÉMENT, P h D E [X ]= 25 est une combinaison linéaire des X i = ∑ ai Xi 1 n n ∑ ai=1/n E[X ] = E[X ] = µ 1 1 Var[ X ] = n Calcul avec la formule : Var(W) = 42 * 9,95 + 32 * 2,148 ]2 1 Xi n 12,650 11,664 i 2 n Var[ X ] = 1 Var[ X ] σ 2 = n n 26 Bernard CLÉMENT, P h D