Université de Provence Préparation Agrégation

Epreuve de Modélisation, Option Proba.

Texte : Loi exponentielle et fiabilité

Étienne Pardoux

1 Loi exponentielle et temps de panne

Soit λ > 0. On appelle loi exponentielle de paramètre λ la probabilité sur IR+ de densité
λe−λx , et de focntion de répartition F (x) = 1 − e−λx . Si X suit une loi exponentielle de
paramètre λ, on définit sa fonction de survie

F̄ (x) = IP(X > x) = e−λx .

Si X modélise le temps de vie d’un organe, F̄ (t) est la probabilité que cet organe soit encore
en fonctionnement à l’instant t.
La loi exponentielle est caractérisée par la propriété suivanet de sa fonction de survie :

F̄ (t + s) = F̄ (t)F̄ (s), t, s > 0.

Cette propriété se réécrit

(∗) IP(X > t + s|X > t) = IP(X > s).

On a le
Lemme 1 Soit X une v. a. qui satisfait la propriété (∗). Alors il existe λ > 0 tel que X
suit une loi exponentielle de paramètre λ.
Etant donné une v. a. à densité à valeurs dans IR+ , on note f sa densité, F sa fonction de
répartition et F̄ sa fonction de survie. On définit alors son taux de panne comme la fonction
λ : IR+ → IR+ définie par
f (t)
λ(t) = .
F̄ (t)
En outre, on a la formule Z t
F̄ (t) = exp(− λ(s)ds).
0
Le taux de panne d’une loi exponentielle de paramètre λ est la constante λ. Quel que soit
l’âge de l’organe considéré, sachant qu’il est encore en vie sa probabilité de tomber en panne
dans l’instant qui suit ne dépend pas de son âge. Pour modéliser l’effet du vieillissement,
on peut choisir une loi de probabilité avec taux de panne croissant, et pour modéliser les
effets des défauts de jeunesse, on peut choisir une loi avec taux de panne décroissant. Les
deux familles suivantes de lois sur IR+ généralisent la loi exponentielle, et sont utilisées en
fiabilité.
Définition 2 On appelle loi de Weibull de paramètres λ, α > 0 la loi de fonction de survie
α
F̄ (t) = e−(λt) ,

et de taux de panne
λ(t) = αλ(λt)α−1 .

1
La loi de Weibull a un taux de panne croissant si α > 1 et décroissant si α < 1. On retrouve
la loi exponentielle de paramètre λ dans le cas α = 1.
Définition 3 On appelle loi Γ(α, λ) la loi de probabilités sur IR+ de densité
λ −λt
f (t) = e (λt)α−1 ,
Γ(α)
R∞
où Γ(α) = 0
e−t tα−1 dt.
A nouveau la loi Gamma a un taux de panne croissant si α > 1 et décroissant si α <
1. Notons que si l’on additionne n v. a. indépendantes, toutes exponentielles de même
paramètre λ, on obtient une v. a. de loi Γ(n, λ) à taux de panne croissant.
Considérons maintenant X1 et X2 indépendantes, respectivement de loi exponentielle de
paramètre λ1 et de loi exponentielle de paramètre λ2 .
Si X1 et X2 sont les temps de vie de deux appareils placées en série, le temps de vie de
l’organe est X1 ∧ X2 . Notons que le min de deux v. a. indépendantes, X1 et X2 , X1
exponentielle de paramètre de paramètre λ1 et X2 exponentielle de paramètre λ2 , est une v.
a. exponentielle de paramètre λ1 + λ2 , puisque

IP(X1 ∧ λ2 > t) = IP({X1 > t} ∩ {X2 > t})

= IP(X1 > t)IP(X2 > t)
= exp(−(λ1 + λ2 )t).

Si X1 et X2 sont les temps de vie de deux appareils placées en parallèle, le temps de vie de
l’organe est Y = X1 ∨ X2 . Le taux de panne de Y vaut

λ1 e−λ1 t + λ2 e−λ2 t − (λ1 + λ2 )e−(λ1 +λ2 )t

λ(t) = .
e−λ1 t + e−λ2 t − e−(λ1 +λ2 )t
Dans le cas λ1 = λ2 , on montre que λ(t) est croissante. Par contre, si λ1 6= λ2 , on montre
que λ(t) est croissante pour t petit, et décroissante pour t grand.
Considérons un mélange des deux v. a. X1 et X2 , i. e.

Y = UX1 + (1 − U)X2 ,

où U, X1 , X2 sont indépendantes, et IP(U = 1) = p = 1 − IP(U = 0). Le taux de panne d’une

telle v. a. Y vaut
pλ1 e−λ1 t + (1 − p)λ2 e−λ2 t
,
pe−λ1 t + (1 − p)e−λ2 t
qui est décroissante.
On a le résultat suivant
Proposition 4 Si X1 et X2 sont indépendantes, respectivement exponentielle de paramètre
λ1 et exponentielle de paramètre λ2 , alors

X1 ∨ X2 = X1 ∧ X2 + Z,

avec X1 ∧ X2 et Z indépendantes, et Z a même loi que UX1 + (1 − U)X2 , U indépendante

de (X1 , X2 ), avec
λ2
IP(U) = = 1 − IP(U = 0).
λ1 + λ2

2
Preuve : Il suffit de calculer, pour tout x, y ≥ 0,
Axy = IP(X1 ∧ X2 > x, X1 ∨ X2 − X1 ∧ X2 > y).
Faisons tout d’abord le calcul dans le cas λ1 = λ2 .
Axy = IP(X1 > x, X2 − X1 > y) + IP(X2 > x, X1 − X2 > y)
= 2IP(X1 > x, X2 > X1 + y)
Z ∞
=2 IP(X2 > z + y)λe−λz dz
x
Z ∞
= 2λ e−λ(z+y) e−λz dz
x
=e e
−2λx −λy
.
Dans le cas général,
Z ∞ Z ∞
−λ1 z −λ2 (z+y)
Axy = λ1 e e λ2 e−λ2 z e−λ1 (z+y) dz
dz +
x x
 
−(λ1 +λ2 )x λ 1 −λ2 y λ2 −λ1 y
=e e + e
λ1 + λ2 λ1 + λ2

Dans le cas particulier λ1 = λ2 = λ, la loi de Z est la loi exponentielle de paramètre λ. On

en déduit que la somme de deux v. a. indépendantes, l’une exponentielle de paramètre 2λ,
l’autre exponentielle de paramètre λ, a même loi que le max de deux v. a. indépendantes,
toutes deux de loi exponentielle de paramètre λ.
Application Supposons que deux machines travaillent en parallèle, et ont besoin pour leur
fonctionnement d’une pièce M quelque peu fragile. On dispose d’une seule pièce de rechange,
qui est placée instantanément sur la machine dont la pièce M tombe en panne la première.
Les trois pièces M (les deux en place au début, et celle de rechange) ont des temps de vie
i. i. d. La deuxième panne est fatale à la machine qui la subit. Si les temps de vie de ces
pièces suivent une loi exponentielle, alors les deux machines ont même probabilité de subir
la deuxième panne.
On peut supposer que si l’on remplace la loi exponentielle par une loi à taux de panne
croissant, la machine qui a vu sa pièce remplacée a plus de chance de vivre plus longtemps
que l’autre, et que c’est l’inverse dans le cas d’une loi à taux de panne décroissant.

2 Simulations
On va illustrer à l’aide de tirages aléatoires le dernier résultat, et les deux conjectures que
nous avons formulées.
Successivement pour Q = la loi exponentielle de paramètre 1, la loi Γ(3, 1), la loi de Weibull
de paramètres (1,0.5) (que l’on simule aisément en inversant la fonction de répartition), on
simule une matrice 3 × 103 de v. a. indépendantes de loi Q, notée X. On trace alors, en
fonction de n variant de 1 à 103 , et sur le même graphique les trois quantités
X n
n−1
{min[X(1, k), X(2, k)] + X(3, k) − max[X(1, k), X(2, k)]}.
k=1

3 Bibliographie
S. M. Ross, Introduction to Probability Models, pp. 571–573, 576, Acad. Press, 2003.