Académique Documents
Professionnel Documents
Culture Documents
Si un système peut être réparé, remplacé, ou restauré à son état initial après une défaillance, il
est considéré un système réparable. Si la durée de la réparation ou la remise en état est
négligeable, le temps de fonctionnement du système est alors constitué d’une séquence
d’intervalles de temps de bon fonctionnement qui obéissent à une certaine loi de probabilité.
Ces évènements ponctuels dans le temps forment un processus aléatoire ponctuel. Un
processus aléatoire ponctuel est formé d’évènements ponctuels : défaillance/réparation, qui
sont repartis d’une manière aléatoire sur l’axe continu du temps.
Soient T1, T2, les instants du temps des évènements (défaillance/réparation) ; Tk est l’instant
1
où E(X i ) est la moyenne de X i . On s’intéresse aussi à déterminer la loi de probabilité de Tk
qui dépend de la loi de probabilité de X i . Cette loi de probabilité peut dans certains cas (les
cas de loi exponentielle et la loi normale) être déterminée si le temps entre défaillances forme
un processus de renouvellement dans lequel la réparation rétablit le système à son état initial.
valeurs entières) N(t ) , noté aussi N (0, t), qui représente le nombre de défaillances dans
l’intervalle (0, t) .
Y X1 X 2 X n
La moyenne de Y est
E(Y) E( X1) E( X 2 ) E( X n )
Si les variables aléatoires aléatoires Xi sont indépendantes
E( X i ) ; i 1,, n
V(X i ) 2 ; i 1,, n
Alors
E(Y ) n
V (Y ) n 2
2
Propriété d’additivité de la loi normale
Toute somme de variables aléatoire de lois normales est elle-même une variable aléatoire de
loi normale.
Y 1 2 n n
et
Y N ( n , n 2 )
E (Tk ) k E( Xi ) k
et
var(Tk ) k var( Xi ) k 2
T k N(k, k 2)
3
Le théorème central limite
i E( X i ) ; i 1,, n
i2 V(X i ); i 1,, n
Y X1 X 2 X n
alors (dans certaines conditions générales), lorsque n tend vers l’infini, la variable Y obéit
approximativement à une loi normale
Si
E( X i) ; i 1, 2,, n.
et
V ( X i) 2 0; i 1, 2,, n.
Y N(n , n 2) .
Puisque Tk est la somme des variables aléatoires indépendantes et identiquement distribuées,
t k
Pr Tk t
k
4
L’approximation dans l’équation ci-dessus est valable pour k 30 bien qu’une valeur plus
résultat pourrait apparaitre peu utile car souvent on s’intéresse à la distribution de Tk pour de
normale quelques soit la valeur de k et l’égalité dans l’équation ci-dessus est exacte.
Exemple 1
Une ligne de production présente plusieurs défaillances telles que des bourrages, des fuites de
lubrifiant et des défauts d’alignements. Le temps de défaillances a une distribution de Weibull
Réponse
t k (3)
Pr Tk t
6.71 k
Ce résultat est valable pour une valeur élevée de k (approximativement supérieure à 30).
Exemple 2
Un outil de coupe a une durée de vie de distribution normale de moyenne 5 heures de
fonctionnement et d’écart type 1 heure. Neuf outils de rechange sont disponibles pour un
temps de production de 40 heures. Déterminer la probabilité (la fiabilité) de compléter la
production avec les outils disponibles.
Réponse
t 9(5)
Pr T9 40 1 0.95254
(1) 9
5
Convolution de variables aléatoires continues
h (t ) f (t )* g (t )
f (t ) g ( )d
f ( ) g (t )d
g (t ) f (t )
n1
S n Xi Xn S n1 Xn et on procède par induction.
i1
t t t
h (t ) ( f * g )(t ) f (t ) g ( )d e (t )e d 2et d 2t et
0 0
6
Pour t > 0. Cette densité est dite loi de Gamma de paramètres et n. Le processus aléatoire,
dans ce cas, est appelé processus de Poisson (homogène).
E(Y ) n /
et la variance
2 V (Y ) n / 2
Densités de probabilité de loi de Gamma pour différentes valeurs de et n (le symbole r est
utilisé dans la figure au lieu de n)
ou
7
k 1
(t )i
Pr Tk t Pr N (t ) k 1 e t
i 0 i!
k 1
( t ) i
Pr Tk t Pr N (t ) k e t
i 0 i!
Exemple 1
Les défaillances des processeurs des grands ordinateurs sont souvent modélisées par un
processus de Poisson (homogène). Typiquement, les défaillances ne sont pas causées par
l'usure des composants mais plutôt par les défaillances aléatoires du grand nombre de circuits
de semi-conducteurs dans les processeurs. Supposons que les processeurs qui subissent des
défaillances sont immédiatement réparés et supposons que le nombre moyen de défaillances
par heure est de 0,0001. Soit Y le temps jusqu'à la quatrième défaillance. Déterminer la
probabilité que Y dépasse 40 000 heures.
L'hypothèse que les défaillances suivent un processus de Poisson implique que N a une
distribution de Poisson avec
Exemple 2
Le temps de préparation d’une lame pour étudier le génome est un processus de Poisson de
moyenne de deux heures par lame. Quelle est la probabilité que le temps de préparation de 10
lames dépasse 25 heures?
8
Soit Y le temps de préparation de 10 lames. À cause de l'hypothèse d'un processus de
Poisson, Y a une distribution Gamma de paramètres λ = 1/2, et k = 10, et la probabilité
demandée est
P(Y > 25) ; soit t = 25 heures.
k 1
( t ) i 10 1
(12.5)i
P(Y > t) = P(Y > 25) e t e 12.5 0, 2014
i 0 i! i 0 i!
La moyenne est
La variance est
Les lames seront complétées en combien de temps avec une probabilité égale à 0,95 ? La
question demandée est de trouver t tel que
P(Y ≤ t) = 0,95
où Y suit une loi de Gamma de paramètres λ = 0,5 et k = 10. En utilisant un logiciel (par
exemple, Minitab), on choisit la fonction de probabilité cumulée inverse de la loi de Gamma
et ont définit le paramètre de forme à 10, le paramètre d'échelle à 0,5 et la probabilité à 0,95.
La solution est
P(Y ≤ 31,41) = 0,95
Interprétation pratique : Sur la base de ce résultat, un calendrier qui laisse 31,41 heures pour
préparer 10 lames doit être suffisant 95 % de fois.
9
Utilisation de la transformée de Laplace (Cette partie est optionnelle)
h (t ) f (t )* g (t ) f (s) g (s)
1
et
s s
2
e t
e t
s
La somme de n variables qui suivent une même loi exponentielle a une densité de probabilité
n
t t n t n1 et n t n1et
e e
s (n 1)! (n)
1
1 et
s s
n
t 1 t
(1 e ) (1 e )
s s
n
1
(t ) j t
F (t )
( n)
e
s s j n ( j 1)
10
Notions de variables aléatoires discrètes
On associe à une variable aléatoire discrète X, une probabilité à chaque valeur discrète xi ,
f ( xi ) P( X xi )
f ( xi ) 0
n
f (x ) 0
i 1
i
F ( x) P( X x) f (xi )
xi x
Si x y , alors F ( x) F ( y) .
11
Moyenne et variance d’une variable aléatoire discrète
E ( x) x f ( x)
x
2 V ( X ) E ( X ) 2 ( x ) 2 f ( x) x 2 f ( x) 2
x x
Un processus stochastique peut aussi être caractérisé par le nombre de défaillances dans
l’intervalle (0, t ) . Soit N (t ) une variable aléatoire discrète qui représente le nombre de
défaillances cumulées qui se produisent dans l’intervalle (0, t ) . N (t ) est représenté sur l’axe
des ordonnées dans la figure ci-dessus (au début du chapitre). Cette variable a les propriétés
suivantes
Pr N (t ) 0 Pr T1 t
Pr N (t ) k Pr N (t ) k Pr N (t ) k 1
Pr Tk 1 t Pr Tk t
Pr Tk t Pr Tk 1 t
F (k ) (t ) F (k 1) (t ) pour k 1,2,
Cette relation est fondamentale car elle établit une relation entre la probabilité de la variable
discrète N(t) et la variable continue T k .
t k t (k 1)
Pr N (t ) k pour k 1,2,
k k 1
12
Exemple 3 (suite de l’exemple 2)
Réponse
12 5
Pr N (12) 0 Pr T1 12 1 1 7 0
1
12 10
Pr N (12) 1 Pr T2 12 Pr T1 12 1 0 1 1.414 0.07927
2
12 15 12 10
Pr N (12) 2 Pr T3 12 Pr T2 12 1
1
3 2
1.732 1.414 0.87891
Continuant de la même manière
Pr N (12) 3 0.04179
Pr N (12) 4 0.00003
Pr N (12) 5 0
La moyenne du nombre de défaillances est
k Pr N (12) k approximativement égale à 1.96 défaillances.
k 1
k 1
( t )i
Pr Tk t 1 e t
i 0 i!
La moyenne de Tk
E (Tk ) k / k
et la variance de Tk est
V (Tk ) k / 2 k 2
13
La distribution de la probabilité du nombre de défaillances dans l’intervalle (0, t ) , N (t ) est
obtenue en appliquant l’équation ci-dessus
Pr N (t ) j p j (t ) Pr T j 1 0 Pr T j 0
j
( t ) i j 1
( t ) i ( t ) j
e t e t e t
i 0 i! i 0 i! j!
Donc,
( t ) j
Pr N (t ) j e t
j!
E N(t) t
et la variance
Var N (t) t
14
Exemple
Données : 0.05 défaillance par an, t = 10 ans, S = 2. Déterminer Pr N (10) 2 , E (T3 ) et
Pr T3 10 .
Réponse
t 0.05 10 0.5 défaillance.
2
(0.5)i
Pr N (10) 2 e 0.5 e 0.5 (1 0.5 0.25 / 2) 0.9856
i 0 i!
La troisième défaillance se produit au temps T3 qui a une loi de probabilité Gamma de
On peut ainsi calculer la probabilité de défaillances dans l’intervalle (0, t), N(0, t) = Nt
(t ) j t (t ) j t (t )n t
Pr N n F ( n) (t ) F (n1) (t ) e e e
j n ( j 1) j n 1 ( j 1) (n 1)
15
m(t ) 1
lim
t
t
où est la moyenne de la durée d’un cycle de renouvellement. Dans l’hypothèse d’un temps
de réparation négligeable,
E(Xi ) MTBF
et
MTBF E(T1)
Ce théorème donne une approximation asymptotique. Lorsque t est relativement grande par
comparaison à la durée d’un cycle (c’est-à-dire le MTBF), la moyenne du nombre de
renouvellements dans l’intervalle (0, t ) est
t t
m(t ) E N (t )
MTBF
Exemple
Réponses
16