Académique Documents
Professionnel Documents
Culture Documents
MATHEMATIQUES
APPLIQUEES
(MASTER EN MAINTENANCE
INDUSTRIELLE)
Abdoulaye SYLLA
SOMMAIRE
Introduction…………………………………………………………………………………………………………….P5
CHAPITRE II : ECHANTILLONNAGE
Introduction……………………………………………………………………………………………………………P8
I – Définitions………………………………………………………………………………………………………….P8
II – Les différents types d’échantillonnage ……………………………………………………………....P8
1) L’échantillonnage non-probabiliste………………………………………………………………P8
a) Les échantillons de convenance………………………………………………………………..P8
b) Les échantillons volontaires……………………………………………………………………..P8
c) Les méthodes de quotas…………………………………………………………………………...P9
2) L’échantillonnage probabiliste………………………………………………………………………P9
a) L’échantillonnage à un degré ……………………………………………………………….P9
a-1) L’échantillonnage aléatoire simple ……………………………………………….…….P9
a-2) L’échantillonnage stratifié ……………………………………………………………….P9
a-3) L’échantillonnage aléatoire en grappe………………………………………………..P10
b) L’échantillonnage à plusieurs degrés………………………………………………………...P10
1
Cours de mathématiques appliquées (Master en maintenance industrielle)
1) Définitions d’une région de confiance…………………………………………………………P12
2) Construction de la région de confiance……………………………………………………….P13
3) Exemples classiques d’estimation par intervalle………………………………………….P13
a) Estimation de la moyenne quand la variance est connue………………………….P13
b) Estimation de la moyenne quand la variance est inconnue………………………P14
c) Estimation de la variance quand la moyenne est connue……………………...….P14
d) Estimation de la variance quand la moyenne est inconnue………………………P14
2
Cours de mathématiques appliquées (Master en maintenance industrielle)
CHAPITRE III : PROGRAMMATION LINEAIRE EN NOMBRES ENTIERS
Introduction……………………………………………………………………………………………………….P37
I – Définition……………………………………………………………………………………………………….P37
II – Uni modularité d’une matrice…………………………………………………………………………P37
1) Définition 1……………………………………………………………………………………………………P37
2) Définition 2……………………………………………………………………………………………………P37
3) Théorèmes………………………………………………………………………………………………….…P37
IV – Application : problème d’affectation……………………………………………………………….P38
3
Cours de mathématiques appliquées (Master en maintenance industrielle)
1) Définition…………………………………………………………………………………………………...P45
2) Proposition ………………………………………………………………………………………………..P46
3) Noyau de transition…………………………………………………………………………………….P46
4) Graphe de transition……………………………………………………………………………………P46
5) Distribution ………………………………………………………………………………………………P46
6) Lois invariantes …………………………………………………………………………………………P47
7) Chaines de Markov et temps d’arrêt ……………………………………………………………P47
8) Classification des états ………………………………………………………………………………..P48
a) Communication……………………………………………………………………………………….P48
b) Récurrence – transcience ………………………………………………………………………..P49
c) Espérance du temps du retour…………………………………………………………………P49
d) Périodicité………………………………………………………………………………………………P49
4
Cours de mathématiques appliquées (Master en maintenance industrielle)
INTRODUCTION
Les mathématiques appliquées constituent un outil très utilisé dans des domaines
aussi variés que la production industrielle, l’économie, la politique ou le marketing.
Ce cours de mathématiques appliquées devrait vous permettre de découvrir en
profondeur la démarche des mathématiques appliquées, notamment les étapes de
modélisation, de simulation numérique et d’interprétation des résultats.
2) Inférence statistique
L’inférence statistique consiste à induire les caractéristiques inconnues d’une
population à partir d’un échantillon issu de la population. Les caractéristiques de
l’échantillon une fois connues, reflètent une certaine marge d’erreur possible par
rapport à celles de la population.
3) Quelques formules
On considère une variable statistique X (représentant une caractéristique de la
population) observée sur n individus. On dispose alors d’une série statistique
unidimensionnelle X=(x1 , x1 ,… xn ) que l’on peut mettre V(sou forme de tableau de
données.
Individu 1 2 ……………… i …………….. n
Valeurs x1 x2 ……………… xi …………….. xn
de X
5
Cours de mathématiques appliquées (Master en maintenance industrielle)
Ni =∑ij=1 nj =n1 +n2 +….nj +….+ni
Fréquence cumulée de la i-ème valeur de X :
Fi =∑ij=1 fj =f1 +f2 +….fj +….+fi
La moyenne arithmétique de X est :
1
̅
X = N ∑ni=1 ni xi où N est l’effectif total de la population
= ∑ni=1 fi xi
La variance de X notée V(X) est :
1
V(X)=N ∑ni=1 ni(x̅ − xi )²= ∑ni=1 fi (x̅ − xi )²
1
=N ∑ni=1 ni xi ²−x̅²
2) Définition
Une probabilité P est une application de ℙ(Ω) vers [0, 1] tel que :
- P(∅)=0
- La somme des probabilités des évènements élémentaires est 1.
- La probabilité d’un évènement A est égale à la somme des probabilités des
évènements élémentaires qui le constituent.
3) Propriétés
(P1 ) P(Ω)=1
(P2 ) Si A ∩ B=∅ alors P(A ∪ B)=P(A)+P(B)
(P3 ) Si A et B sont quelconques : P(A ∪ B)=P(A) + P(B) –P(A ∩ B)
(P4 ) Si A ∁ B alors P(A) ≤ P(B).
4) Equiprobabilité
On est dans un cas d’équiprobabilité si tous les évènements élémentaires ont la même
probabilité.
6
Cours de mathématiques appliquées (Master en maintenance industrielle)
Card A
Si A est un évènement alors P(A)= .
Card Ω
5) Probabilité conditionnelle
Soit B un évènement et A un évènement de probabilité non nulle. On appelle probabilité
B par rapport à A ou probabilité de B sachant A la quantité notée PA (B) ou P(B/A) tel
P(B ∩ A)
que P(B/A)= .
P(A)
7) Variable aléatoire
a) Définition
Une variable aléatoire discrète notée X est une application de Ω dans IR.
b) La loi de probabilité
Soit X une variable aléatoire prenant les valeurs x1 , x2 ,… xn . La loi de probabilité de X est
la donnée des probabilités P(X=xi ) ; i ∈ {1, 2….n}.
NB : (X=xi ) est l’ensemble des évènements tel que X=xi .
(X=xi )={ω ∈ Ω / X(ω)= xi }.
c) Espérance mathématique
Soit X, une variable aléatoire prenant les valeurs x1 , x2 ,… xn . On appelle espérance
mathématique de X la quantité notée E(X) tel que E(X) : ∑ni=1 xi P(x=xi ).
d) Variance
Soit X une variable aléatoire prenant les valeurs x1 , x2 ,… xn . On appelle variance de X, le
réel noté V(X) et défini par :
V(X)= ∑ni=1(xi −E(X))²P(X=xi )
= ∑ni=1 xi ²P(X = xi ) −[E(X)]².
L’écart type noté σ(X)=√V(X).
7
Cours de mathématiques appliquées (Master en maintenance industrielle)
CHAPITRE II : ECHANTILLONNAGE
Introduction
Pour multiples raisons, on a besoin d’un échantillonnage pour décrire les propriétés
d’une population. Le but suprême de cet échantillonnage est l’atteinte d’une
représentativité impartiale de la population étudiée pour que toute estimation basée sur
l’échantillon soit sans biais et inférée à la population.
I – Définitions
Définition 1 : l’échantillon est un sous-groupe représentatif extrait d’un grand groupe
qui est la population.
Définition 2 : l’échantillonnage est le processus par lequel on détermine l’échantillon.
1) L’échantillonnage non-probabiliste
Ce type d’échantillonnage est aussi appelé méthode empirique. Le choix des individus
n’y obéit pas au hasard mais plutôt au choix des enquêteurs.
Les méthodes d’échantillonnage non-probabiliste les plus couramment utilisées sont :
- Les échantillons de convenance
- Les échantillons volontaires
- Les méthodes de quotas.
8
Cours de mathématiques appliquées (Master en maintenance industrielle)
c) Les méthodes de quotas
Dans ce type d’échantillonnage, l’échantillon est construit selon un modèle réduit de la
population étudiée, incluant les mêmes proportions sociodémographiques.
Les avantages sont :
- La non nécessité de base de sondage
- Un coût plus faible.
Les inconvénients sont :
- La non-représentativité de la population
- L’impossibilité d’évaluer le biais associé.
2) L’échantillonnage probabiliste
Dans ce type d’échantillonnage, tous les individus de la population source ont une
probabilité connue et non-nulle d’être sélectionnés pour faire partie de l’échantillon ; il
n’y a pas d’intervention du chercheur ; seul le hasard régit donc l’inclusion ou non d’un
individu dans l’échantillon.
On distingue l’échantillonnage à un degré et celui à deux degrés.
a) L’échantillonnage à un degré
Il peut être simple, stratifié ou en grappe.
9
Cours de mathématiques appliquées (Master en maintenance industrielle)
a-3) L’échantillonnage aléatoire en grappe
Des sondages sont réalisés sur des groupes complets d’individus. La population source
est subdivisée naturellement en groupes (la composition des grappes est antérieure au
sondage). Un certain nombre de groupes va être sélectionné aléatoirement pour
composer l’échantillon.
Les avantages sont :
- L’échantillonnage aléatoire malgré l’absence de liste
- La réduction des coûts.
Les inconvénients sont :
- Les grappes risquent de ne pas représenter correctement la variabilité de la
population
- Les grappes doivent être de tailles à peu près équivalentes.
Conclusion
L’échantillonnage est un processus qui permet d’étudier les propriétés et
caractéristiques d’une population. Il existe plusieurs méthodes d’échantillonnages. Il
faut donc utiliser la méthode appropriée à chaque type de population.
10
Cours de mathématiques appliquées (Master en maintenance industrielle)
CHAPITRE III : ESTIMATION
Introduction
En statistique comme dans la théorie des probabilités, le hasard intervient fortement.
Mais dans la théorie des probabilités on suppose la loi comme précisément et on
cherche à donner les caractéristiques de la variable qui suit cette loi.
L’objectif en statistique est le contraire. A partir de la connaissance de la variable, que
peut-on dire de la loi de cette variable ?
L’estimation est un outil beaucoup utilisé en statistique. Son but est d’estimer la valeur
d’un paramètre de la population.
I – Définitions
Soit X une variable aléatoire dont la densité de probabilité f (x, θ) dépend d’un
paramètre θ appartenant à I ∁ IR. A l’aide d’un échantillon issu de X, il s’agit de
déterminer la vraie valeur Ɵ0 de θ. On pourra utiliser deux méthodes :
- L’estimation ponctuelle : on calcule une valeur vraisemblable θ̂ de θ0
- L’estimation par intervalle : on cherche un intervalle dans lequel θ0 se trouve
avec une probabilité élevée.
Définition 4 : l’estimateur est dit convergent si la suite (Tn ) converge en probabilité vers
θ0 si ꓯε> 0, P(|Tn – θ0 | ≥ ε) → 0.
n→+∞
On parle d’estimateur fortement convergent lorsqu’on a une convergence presque sûre.
II - Estimation ponctuelle
Exemples d’estimation :
Soit X une variable aléatoire telle que E(X) = m et V(X) = σ.
1) Estimation de m
Théorème 1
̅n = 1 ∑nk=1 X k est un estimateur sans biais et convergent de
La moyenne empirique X
n
m.
11
Cours de mathématiques appliquées (Master en maintenance industrielle)
Proposition 1
Si n est assez grand, on peut utiliser l’approximation normale (lorsque X admet un
2
̅ n ~ N (m , σ )
moment d’ordre 2). X
n
̅ n − m) →
Comme conséquence, on peut dire que √n(X 𝑁(0, σ2 ).
n→+∞
12
Cours de mathématiques appliquées (Master en maintenance industrielle)
Lorsqu’on a X = (X1 , …, Xn ), on parle de région de confiance asymptotique de niveau
1−α si ∀θ ∈ Ɵ, lim Pθ (θ ∈ C(X)) ≥ 1−α.
n→+∞
Les valeurs usuelles de α sont 1%, 5% ou 10%. Dans le cas unidimensionnel, la plupart
du temps, une région de confiance s’écrit sous forme d’intervalle (unilatère ou bilatère).
Un intervalle de confiance de niveau de confiance 0,95 a une probabilité au moins égale
à 0,95 de contenir la vraie valeur inconnue de θ.
13
Cours de mathématiques appliquées (Master en maintenance industrielle)
b) Estimation de la moyenne quand la variance est inconnue
Théorème 2
Lorsque σ² est inconnu, un intervalle de confiance au niveau 1−α de m est :
√ Ŝ2n √ Ŝ2n
𝛼
̅n − t
[X α ,̅
Xn + t n−1, 1−α ] où t n−1, 1−α est le quartile d’ordre 1 − 2 de la loi
n−1, 1− √n √n
2 2 2
de Student à n−1 degré de liberté.
Exemple : pour n=10 avec un niveau de confiance de 95% on obtient :
√ Ŝ2n √ Ŝ2n
̅ n − 2,26
[X ̅ n + 2,26
,X ].
√n √n
14
Cours de mathématiques appliquées (Master en maintenance industrielle)
CHAPITRE IV : TESTS STATISTIQUES
II – Tests d’hypothèse
1) Définition
Un test d’hypothèse est un procédé d’inférence permettant de se décider entre deux
hypothèses notées H0 et H1 concernant une ou plusieurs populations à partir d’un ou
plusieurs échantillons.
H0 est l’hypothèse nulle de type « pas d’effets » ou bien « R.A.S » que l’on admet à
priori et à laquelle on ne renoncera que si les observations ne semblent pas trop
la contredire.
H1 est l’autre hypothèse ou contre-hypothèse (alternative) que l’on souhaite
démontrer en rejetant H0 .
En fait un test d’hypothèse s’apparente à un raisonnement par l’absurde de type :
Démontrer H1 en supposant H0 vraie et en prouvant l’absurdité de H0 .
15
Cours de mathématiques appliquées (Master en maintenance industrielle)
5° Calculer à partir des données fournies par l’échantillon la valeur de la statistique
6° Prendre une décision concernant l’hypothèse posée.
a) Test bilatéral
Si H0 consiste à dire que la population estudiantine avec une fréquence de fumeurs « P »
est représentative de la population avec une fréquence de fumeurs « P0 », on pose alors :
H0 : P=P0 et H1 : P≠ P0 .
b) Test unilatéral
Si l’on fait l’hypothèse que la fréquence de fumeurs dans la population estudiantine P est
supérieure à la fréquence de fumeurs dans la population P0, on pose alors :
H0 : P=P0 et H1 : P> P0 .
probabilité.
On détermine la statistique qui convient pour ce test. Ici l’estimateur de la
moyenne m c’est-à-dire X ̅ semble indiquée.
On détermine la loi de probabilité de X ̅ en se plaçant sous l’hypothèse H0 .
Deux cas peuvent se produire :
1er cas : l’échantillon est de grande taille ou bien la population est normale de
variance σ2pop connue.
̅ suit la loi normale de moyenne m0 et d’écart-type σpop ; X
X ̅ ~ N (m0 , σpop ).
√n √n
̅ −m0
X
On pose T= σpop ; T est appelée fonction discriminante et suit la loi T ~ N (0,1).
⁄
√n
2ème cas : l’échantillon est de petite taille (n <30), prélevé au hasard d’une
population normale de variance inconnue.
̅ −m0
X ̅ −u0
X
Dans ce cas, la fonction discriminante sera : S = .
⁄ ̂
√n−1 √σ²
n
16
Cours de mathématiques appliquées (Master en maintenance industrielle)
Ici T ~ Tn−1 (Loi de Student à (n-1) degrés de liberté).
n
En fait la variance inconnue est estimée par : σ
̂² = n−1 S².
3ème étape : détermination des valeurs critiques de T délimitant les zones d’acceptation
et de rejet.
On impose toujours à la zone d’acceptation de H0 concernant l’écart réduit, d’être centré
autour de 0. Il nous faut déterminer dans la table la valeur maximale t α⁄2 de l’écart
réduit imputable aux variations d’échantillonnage au seuil de signification α c’est-à-dire
vérifiant P(−t α⁄2 < T < t α⁄2 )=1−𝛼.
4ème étape : calcul de la valeur de T prise dans l’échantillon et conclusion du test.
On calcule la valeur t 0 prise par T dans l’échantillon.
Si la valeur t 0 se trouve dans la zone de rejet, on dira que l’écart réduit observé
est statistiquement significatif au seuil α. Cet écart est anormalement élevé et ne
permet pas d’accepter H0 . On rejette H0 .
Si la valeur t 0 se trouve dans la zone d’acceptation, on dira que l’écart-réduit
observé n’est pas significatif au seuil α. Cet écart est imputable aux fluctuations
d’échantillonnage. On accepte H0 .
3ème étape :
On impose toujours à la zone d’acceptation de H0 concernant l’écart réduit, d’être
centrée autour de 0. Il nous faut donc déterminer dans la table, la valeur maximale t α⁄2
17
Cours de mathématiques appliquées (Master en maintenance industrielle)
de l’écart réduit imputable aux variations d’échantillonnage au seuil de signification α,
c’est-à-dire P(−t α⁄2 < T < t α⁄2 )=1−𝛼.
4ème étape :
On calcule t 0 prise par T dans l’échantillon.
Si t 0 se trouve dans la zone de rejet, on rejette H0 .
Si t 0 se trouve dans la zone d’acceptation, on accepte H0 .
7) Test du Khi²
Le test du khi² (khi deux ou khi carré) fournit une méthode pour déterminer la nature
d’une répartition, qui peut être continue ou discrète.
Domaine d’application du test :
Données qualitatives
2 ou plusieurs échantillons
Dépendants et indépendants
Comparaison d’échantillons
Recherche de liaison entre données
Recherche de l’influence d’une donnée autre que celle étudiée.
Démarche à suivre :
Formuler H0 (la distribution observée n’est pas différente de la distribution
supposée d’après la loi qu’on souhaite tester)
Répartir les données en classes
Déterminer le nombre de degré de liberté à partir du nombre de classes
Fixer un risque de se tromper (la valeur 5% est souvent choisie)
Calculer algébriquement la distance entre les ensembles d’informations à
comparer
Déterminer khi² théorique (déduire la distance critique à l’aide de la table khi²)
Conclure si cette distance est supérieure à la distance critique (on conclut que le
résultat n’est pas dû seulement aux fluctuations d’échantillonnage).
a) Test d’ajustement
Objectif : les observations faites sur les échantillons conduisent à une certaine
distribution de fréquence. Peut-on modéliser cette distribution par un modèle théorique
connu ?
18
Cours de mathématiques appliquées (Master en maintenance industrielle)
Méthode : la méthode consiste à composer l’histogramme des fréquences et la
distribution de la loi de probabilité servant de modèle théorique.
Après avoir découpé l’intervalle d’observation en k classes, on construit un indice d
mesurant l’écart constaté entre les effectifs réels et les effectifs théoriques.
(ni −nPi )²
d=∑ki=1 où ni est l’effectif observé dans la classe i ;
nPi
n : effectif total ;
Pi : probabilité d’obtenir une observation de la loi de probabilité dans la classe i ;
nPi : effectif théorique dans la classe.
Hypothèses :
H0 (la distribution observée n’est pas significativement différente de la distribution
théorique) contre H1 (la distribution observée est significativement différente de la
distribution théorique).
(Ni −nPi )²
Statistique du test : D=∑ki=1 .
nPi
Remarques :
Le choix et le nombre de classes est arbitraire. Cependant pour que l’approximation par
la loi du χ² soit bonne, il est nécessaire que les effectifs théoriques dans chacune des
classes soit au moins égal à 5. Si ce n’est pas le cas, il faut au préalable regrouper les
classes contiguës afin d’avoir un effectif suffisant. La valeur de k intervenant dans le
nombre de degrés de liberté de la loi de χ² est celle obtenue après les éventuels
regroupement.
b) Test d’indépendance
Lorsqu’on considère plusieurs populations auxquelles on associe le même ensemble de
critères qualitatifs, l’hypothèse à tester est l’indépendance entre la population
d’appartenance de l’individu et la valeur des critères.
But du test : le test d’indépendance du khi² vise à déterminer si deux variables observées
sur un échantillon sont indépendants ou non.
Les variables étudiées sont des variables quantitatives catégorielles. Ce test s’applique
lorsque l’on souhaite démontrer l’indépendance ou la dépendance de deux critères dans
une expérience.
Ce test s’effectue sur la base d’une table de contingence : plusieurs échantillons pouvant
être classés selon un certain nombre de colonnes (critère 1) et de lignes (critère 2).
Objectif : les observations des deux variables qualitatives faites sur un échantillon
permettent de juger l’indépendance de ces variables.
Méthode : la méthode consiste à comparer les effectifs réels des croisements des
modalités des deux variables qualitatives avec les effectifs théoriques qu’on devrait
obtenir dans le cas d’indépendance de ces deux variables.
On construit un indice d mesurant l’écart constaté entre les effectifs réels et les effectifs
théoriques.
19
Cours de mathématiques appliquées (Master en maintenance industrielle)
(nij −nPij )²
d=∑ij ; nij : effectif des individus possédant la modalité i de la première
nPij
variable et la modalité j de la deuxième variable ;
n : effectif total observé ;
Pij : probabilité d’obtenir une observation possédant la modalité i de la première
variable et la modalité j de la deuxième variable lorsqu’elles sont indépendantes.
nPij : effectif théorique des individus possédant la modalité i de la première variable et la
modalité j de la deuxième variable.
(Nij −nPij )²
D=∑ki,j
nPij
Statistique du test :
on utilise la statistique D ~ χ2(l−1)(c−1) où l est le nombre de modalités de la première
variable (nombre de lignes du tableau de contingence) et c, le nombre de modalités de
la deuxième variable (nombre de colonnes du tableau de contingence).
Remarque :
(∑j nij )(∑i nij ) ni nj
nPij = = où ni est l’effectif des individus possédant la modalité i de la
n n
première variable et nj l’effectif des individus possédant la modalité j de la deuxième
variable.
Exemple : la distribution du revenu des hommes est-elle différente de celle des femmes ?
Une représentation sur une table de contingence des occurrences des variables permet
d’illustrer la question.
Salaires 1000-2000 2000-3000 3000-4000 4000-5000 Total
Hommes 50 70 110 60 290
Femmes 60 75 100 50 285
Total 110 145 210 110 575
On remarque que les femmes sont plus nombreuses dans les classes à bas salaires et
moins nombreuses dans celles à haut salaire que les hommes. Cette différences (c’est-à-
dire) cette dépendance entre les variables) est-elle statistiquement significative ?
Le test χ² aide à répondre à cette question :
l −1=4−1=3 ; c−1=2−1=1 donc ddl =3×1=3. Pour α=5%, la valeur critique (X²
théorique) trouvée dans les tabes de χ² est 7,81.
Hypothèse : on suppose qu’il n’y a pas de différence entre les salaires des hommes et des
femmes.
20
Cours de mathématiques appliquées (Master en maintenance industrielle)
Le calcul du χ²
X² 1000-2000 2000-3000 3000-4000 4000-5000 Total
Hommes 0,54 0,13 0,16 0,37 1,20
Femmes 0,55 0,13 0,16 0,38 1,23
Total 1,09 0,26 0,32 0,75 2,42
La distance calculée 2,43 étant inférieure à la distance critique (7,81), il n’y a pas lieu de
mettre en cause l’égalité des salaires, avec un risque de se tromper égal à 5%.
21
Cours de mathématiques appliquées (Master en maintenance industrielle)
Xij : i-ème observation du groupe j.
Mesure de la dispersion totale : SCET
̅)²
Somme des carrés des écarts à la moyenne générale : ∑( Xi − X
Mesure de la dispersion intra groupe : SCER
̅ j )²
Somme des carrés des écarts à la moyenne d’un groupe : ∑( Xij − X
Mesure de la dispersion inter groupe : SCEA
Somme des carrés des écarts de la moyenne d’un groupe à la moyenne générale :
̅) ².
∑ nj ( X j − X
On a : SCET = SCER + SCEA
Après avoir décomposé la variance totale, le principe consiste à comparer SA2 /SR2 :
22
Cours de mathématiques appliquées (Master en maintenance industrielle)
3) Exécution du test
H0 : σ2A = σ2R ; H1 : σ2A > σ2R
S2A
Calculer F0 = à partir des observation sur l’échantillon.
S2R
k−1
Comparer F0 à la valeur seuil Fn−1 :
k−1
F0 ≥ Fn−1 (α) : rejet de H0 d’indépendance (au risque α).
k−1
F0 < Fn−1 (α) : non rejet de H0 .
23
Cours de mathématiques appliquées (Master en maintenance industrielle)
2ème PARTIE : RECHERCHE OPERATIONNELLE
CHAPITRE I : PROGRAMMATION LINEAIRE : SOLUTION GRAPHIQUE
I - Définition
La modélisation recouvre un ensemble de techniques d’optimisation sous contraintes
qui permet de déterminer dans quelles conditions on peut rendre maximum ou
minimum une fonction objectif Z (Xj ) de n variables Xj liées par m relations en
contraintes : Hi (Xj ) ≤ 0.
Avec (aij )1≤ i ≤m et (bi )1 ≤ i ≤n sont des réels et par une forme linéaire,
1≤ j ≤n
24
Cours de mathématiques appliquées (Master en maintenance industrielle)
(2) Il s’agit maintenant de déterminer parmi tous les points celui ou ceux qui
correspondent à la plus grande valeur possible de la fonction objectif C1 x1 +C2 x2 .
(3) Considérons la droite d’équation C1 x1 +C2 x2 =k où k est une constante.
Tous les points situés sur cette droite donne à l’expression C1 x1 +C2 x2 la même valeur de
k. Ils sont donc équivalents du point de vue profit. Si on déplace cette droite vers la
droite, k augmente et cette droite passe par un point extrême K qui maximise k. Les
coordonnées de ce point définissent donc la solution du problème appelée solution
optimale.
Une solution optimale est donc une solution réalisable qui donne à la fonction objectif la
plus grande valeur possible (ou la plus petite) sur l’ensemble des solutions réalisables.
Exemple :
L’entreprise « STAT » spécialisée dans la fabrication de matériels informatiques,
propose à son catalogue d’ordinateurs des centaines de références. Pour simplifier, on
ne s’intéresse qu’à deux types d’ordinateurs, le IM4 et le IM5.
Chacun d’eux comporte un processeur – le même- mais les deux modèles diffèrent en
particulier par le nombre de barrettes mémoires. Plus précisément, le IM4 comporte 2
barrettes alors que le IM5 en comporte 6.
Le marché pour ces composants est tel qu’on ne peut espérer acheter auprès des
fournisseurs habituels plus de 10000 processeurs pour le trimestre à venir et à plus de
48000 barrettes, une autre limitation risque d’intervenir sur la production.
L’assemblage est caractérisé en particulier par une opération délicate qui pour IM4 est
de 3 minutes alors qu’elle n’est que d’une minute pour IM5. On ne dispose à priori pour
l’assemblage de ces deux types de machines que de 24000 minutes pour le trimestre à
venir.
Enfin, compte tenu des conditions actuelles du marché, on peut espérer tirer un profit de
400 $ sur l’IM4 et de 800 $ sur l’IM5.
Le problème est de déterminer les quantités de chacun des deux types d’ordinateurs à
fabriquer de manière à obtenir le plus grand profit.
Modélisation du problème
Les quantités fabriquées peuvent être représentées par deux variables x1 pour l’IM4 et
x2 pour l’IM5.
L’ensemble des décisions possibles est représenté par l’ensemble des x1 et x2 vérifiant :
x1 + x2 ≤ 10000
2x1 + 6x2 ≤ 48000
3x1 + x2 ≤ 24000
x1 ≥ 0 , x2 ≥ 0.
On souhaite maximiser le profit représenté par 400x1 + 800x2 .
Le problème initial est donc modélisé par le problème de programmation mathématique
suivant :
25
Cours de mathématiques appliquées (Master en maintenance industrielle)
max(400x1 + 800x2 )
x1 + x2 ≤ 10000
2x1 + 6x2 ≤ 48000
3x1 + x2 ≤ 24000
{ x1 ≥ 0 , x2 ≥ 0
A chaque couple de variables (x1 , x2 ) on associe un point du plan dont les coordonnées
correspondent aux valeurs des variables.
Les variables étant positives, ces ponts sont situés dans le quart de plan nord-est.
Chaque contrainte permet de délimiter une partie du plan.
Par exemple, la droite x1 + x2 =10000 définit deux demis plans. Au-dessus de cette
droite, les coordonnées des points du plan vérifient x1 + x2 >10000. On est donc
conduit à exclure ces points.
On fait de même pour les deux autres contraintes.
26
Cours de mathématiques appliquées (Master en maintenance industrielle)
La solution optimale du problème est : x1 = 3000 , x2 = 7000.
La valeur maximale de la fonction objectif est 6800000. Pour l’entreprise, ceci signifie
que la répartition optimale entre les deux types d’ordinateurs est de 3000 ordinateurs
de type IM4 et 7000 ordinateurs de type IM5 avec un profit maximal de 6800000.
27
Cours de mathématiques appliquées (Master en maintenance industrielle)
CHAPITRE II : PROGRAMMATION LINEAIRE : METHODE SIMPLEXE
Introduction
L’algorithme du simplexe fut proposé en 1947 par G. B. Dantzig comme méthode de
résolution générale des programmes. La solution optimale est approchée par itérations
successives. Chaque étape correspond au calcul de la valeur objectif d’une solution.
Comme il existe une infinité de solutions réalisables, la méthode propose de n’explorer
qu’un nombre limité de solutions parmi lesquelles se trouve à coup sûr la solution
optimale.
La méthode du simplexe
L’algorithme du simplexe consiste à :
(1) Déterminer une solution de base,
(2) Faire subir un test d’optimalité à cette solution de base pour déterminer s’il
s’agit ou non de la solution optimale :
- S’il s’agit de la solution optimale, le problème est terminé,
- S’il ne s’agit pas de la solution optimale, on passe à l’étape (3).
(3) Afin de réaliser les opérations successives de l’algorithme simplexe, il
convient de mettre le programme sous une forme standard.
I - Forme standard
Soit un PL(programme linéaire) à n variables, on remplace chaque inégalité
a1 x1 +a2 x2 +….+an xn ≤ b1 par l’égalité a1 x1 +a2 x2 +….+an xn +e1 =b1 avec e1 ≥ 0 et
l’inégalité a1 x1 +a2 x2 +….+an xn ≥ b1 par a1 x1 +a2 x2 +….+an xn − e1=b1 avec e1 ≥ 0.
La forme du PL obtenu est le programme linéaire standard et e1 est la variable d’écart.
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
x1 + 2x2 ≤ 1
Exemple : on se donne le PL {
x1 − 2x3 ≤ 5
x1 + x2 −x3 ≤ 2
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, e1 ≥ 0, e2 ≥ 0, e3 ≥ 0
x1 + 2x2 + e1 = 1
La forme standard de ce PL est : x1 − 2x3 + e2 = 5
x1 + x2 −x3 + e3 = 2
{ Z(x1 , x2 , x3 ) = 2x1 + x2 + x3 à optimiser
II - Algorithme du simplexe
Exemple : un ébéniste fabrique des bureaux sous forme standard ou luxe. Des études de
marché ont montré que pour l’année à venir, les possibilités de ventes s’élèvent à 300
unités pour le modèle luxe et à 400 unités pour le modèle standard. L’approvisionnement
en bois est suffisant pour fabriquer annuellement 500 bureaux quel que soit le type. Par
ailleurs, le temps de fabrication d’un modèle luxe est le double de celui d’un bureau de
modèle standard.
La capacité annuelle de fabrication est telle que si tous les bureaux fabriqués étaient du
type standard, on pourrait en fabriquer 700 au maximum. La vente d’un bureau sous
modèle luxe conduit à une marge unitaire sur coût variable égale à 7 ; celle d’un bureau
28
Cours de mathématiques appliquées (Master en maintenance industrielle)
de type standard, une marge égale à 5. On se propose de rechercher le programme annuel
de fabrication conduisant au profit global.
Mise en équation :
Soient x1 le nombre de bureaux de type luxe et x2 le nombre de bureaux de type standard.
x1 ≥ 0, x2 ≥ 0
x1 ≤ 300
x2 ≤ 400
Le programme linéaire est :
x1 + x2 ≤ 500
2x1 + x2 ≤ 700
{Z(x1 + x2 ) = 7x1 + 5x2 à maximiser
Forme standard :
On introduit les variables d’écart x3 , x4 , x5 , x6 .
x1 + x3 = 300
x2 + x4 = 400
x1 + x2 + x5 = 500
2x1 + x2 + x6 = 700
{Z(x1 , x2 ) = 7x1 + 5x2 à maximiser
Variable hors base, variable dans la base
Une solution de base est avant tout une solution réalisable qui satisfait à l’ensemble des
contraintes et conditions de signe. Il y a deux catégories de variable de base :
- Des variables ayant une valeur prédéterminée nulle (ce sont des variables hors
base)
- Des variables ayant une valeur non nulle (ce sont les variables dans la base).
La solution de base de départ de l’ébéniste consiste à ne rien produire : x1 =x2 =0. Les
variables x1 et x2 qui sont nulles sont hors base. Dans ce cas, x3 =300, x4 =400, x5 =500,
x6 =700.
Les variables x3 , x4 , x5 et x6 non nulles, sont dans la base. La valeur de la fonction objectif
est Z(0,0)=7× 0 −5×0=0.
1ère itération
La solution de base de départ consiste à ne rien produire, soit x1 =x2 =0. On étudie ensuite
à partir de cette solution, jusqu’à quel niveau on peut porter x1 ou x2 conformément aux
contraintes de façon à accroître au maximum le profit. Il se pose le problème du choix de
x1 et x2 qui va passer de la valeur 0 à une valeur strictement positive. La variable choisie
est la variable entrante.
La sélection ici se portera sur x1 qui par unité rapporte plus, car le coefficient de x1 est le
plus élevé dans la fonction objectif Z(x1 , x2 )=7x1 +5x2 .
On exprime ensuite x3 , x4 , x5 et x6 et Z en fonction de x1 et x2 :
x3 = 300 − x1
x4 = 400 − x2
x5 = 500 − x1 − x2
x6 = 700 − 2x1 − x2
{ Z = 7x1 + 5x2
x2 reste hors base donc nulle ; x1 entre dans la base. On reporte x2 = 0 dans ce système et
on obtient :
29
Cours de mathématiques appliquées (Master en maintenance industrielle)
x3 = 300 − x1
x4 = 400
x5 = 500 − x1
x6 = 700 − 2x1
{ Z = 7x1
On cherche jusqu’à quel niveau il est possible de porter x1 . On a :
x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0 donc x1 ≤ 300, x1 ≤ 500, x1 ≤ 350.
La valeur maximale prise par x1 est 300. On remplace x1 par 300 dans le système et on
obtient : x3 =0, x4 =400, x5 =200, x6 =100 et Z(300,0)=2100.
x3 est nulle ; elle sort de la base et est appelée variable sortante. Les variables x1 et x3 sont
permutées.
On exprime le programme standard en fonction des nouvelles variables hors base x2 , x3 .
Le programme standard donne :
x1 = 300 − x3 x1 + x2 = 300
x4 = 400 − x2 x2 + x4 = 400
x5 = 500 − (300 − x3 ) − x2 <=> x2 − x3 + x5 = 400
x6 = 700 − 2(300 − x3 ) − x2 x2 − 2x3 + x6 = 100
{ Z = 7(300 − x3 ) + 5x2 {Z = 5x2 − 7x3 + 2100
2ème itération
Z=5x2 − 7x3 +2100
La variable entrante est x2 car 5 est le coefficient positif (l’autre est négatif).
x3 reste hors base donc nulle. En remplaçant x3 par 0 dans le système précédent, on
obtient : x1 =300, x4 =400−x2 ≥ 0, x5 =200−x2 ≥ 0 et x6 =100−x2 ≥ 0 ; donc x2 ≤400,
x2 ≤200 et x2 ≤100.
La valeur maximale prise par x2 est 100. Dans ce cas, x1 =300, x4 =300, x5 =100 et x6 =0.
La variable sortante est x6 , les valeurs hors base sont donc x3 et x6 .
Pour x1 =300 et x2 =100, on a Z=2600. x2 et x6 sont donc permutés.
On exprime les variables dans la base en fonction des nouvelles variables hors base x3 et
x6 . On obtient :
x1 = 300 − x3
x1 + x3 = 300
x2 = 700 − 2(300 − x3 ) − x6
x2 + x4 = 400
{ <=> x4 = 400 − (100 + 2x3 − x6 )
x1 + x2 + x5 = 500
x5 = 500 − (300 − x3 ) − (100 + 2x3 − x6 )
Z = 7x1 + 5x2
{ Z = 7(300 − x3 ) + 5(100 + 2x3 − x6 )
On obtient finalement :
x1 + x3 = 300
x2 − 2x3 + x6 = 100
2x3 + x4 − x6 = 300
x3 + x5 − x6 = 100
{Z = 2600 + 3x3 − 5x6
3ème itération
Z=3x3 − 5x6 + 2600
x3 sera la variable entrante car toute augmentation entraine une diminution de la fonction
objectif Z. On exprime les variables dans la base en fonction des variables hors base x3 et
x6 .
30
Cours de mathématiques appliquées (Master en maintenance industrielle)
x1 = 300 − x3
x2 = 100 + 2x3 − x6
{
x4 = 300 − 2x3 + x6
x5 = 100 − x3 + x6
x6 reste hors base donc nulle ; on remplace x6 par 0. On obtient x1 =300−x3 ≥ 0,
x2 =100+2x3 ≥ 0, x4 − 2x3 ≥ 0 et x5 =100−x3 ≥ 0. Les contraintes de positivité donnent
x3 ≤ 300, x3 ≥ −50, x3 ≤ 150 et x3 ≤ 100. On obtient x1 =200, x2 =300, x4 =100 et x5 =0.
La variable qui sort est x3 . Cette itération conduit à x1 =200 et x2 =300. La valeur de la
fonction économique est Z=2900.
Les variables x3 et x5 permutent. On exprime les variables dans la base en fonction des
variables hors base x5 et x6 .
x3 = 100 − x5 + x6 x3 + x5 − x6 = 100
x1 = 300 − (100 − x5 + x6 ) = 200 + x5 − x6 x1 − x5 + x6 = 200
x2 = 100 + 2(100 − x5 + x6 ) = 300 − 2x5 + x6 <=> x2 + 2x5 − x6 = 300
x4 = 300 − 2(100 − x5 + x6 ) = 100 + 2x5 − x6 x4 + 2x5 + x6 = 100
{Z = 2600 + 3(100 − x5 + x6 ) = 2900 − 3x5 − 2x6 {Z = 2900 − 3x5 − 2x6
C’est la colonne obtenue en divisant les coefficients constants par la colonne des
coefficients de la variable qui entre dans la base x1 .
On sélectionne dans cette colonne le plus petit entier strictement positif (300). La
variable x3 sort de la base. Les deux variables x1 et x3 sont permutées. Le pivot est situé
à l’intersection de la colonne de x1 et de la ligne de x3 (x3 variable sortante).
31
Cours de mathématiques appliquées (Master en maintenance industrielle)
2ème tableau :
Impérativement dans la colonne des variables dans la base, on remplace x3 qui sort par
x1 qui rentre. Ensuite on recopie la ligne du pivot LP :
LP 1 0 1 0 0 0 300
x5 0 1 −1 0 1 0 200 200
= 200
1
x6 0 1 −2 0 0 1 100 100
= 100
1
Z 0 5 −7 0 0 0 −2100
32
Cours de mathématiques appliquées (Master en maintenance industrielle)
Pour obtenir C, les coefficients de la colonne Cste sont divisés par ceux de la valeur
entrante x3 . Dans cette colonne, le coefficient strictement positif est 100. Les variables
x3 et x5 permutent. Le pivot est 1. Dans ce tableau, on remplace x5 qui sort par x3 qui
rentre. La ligne pivot est LP : x3 +x5 − x6 =100. On exprime le système en fonction de x5
et x6 , c’est-à-dire qu’on élimine x3 qui est entrée en base.
Pour la nouvelle ligne Lx1 , on effectue Lx1 − LP .
Pour la nouvelle ligne Lx4 , on effectue Lx4 − 2LP .
Pour la nouvelle ligne LZ , on effectue LZ − 3LP .
On obtient le 4ème tableau suivant :
x1 x2 x3 x4 x5 x6 Cste
x1 1 0 0 0 −1 1 200
x4 0 0 0 1 −2 1 100
x5 0 0 1 0 1 −1 100
x2 0 1 0 0 2 −1 300
Z 0 0 0 0 −2 −2 −2900
Conclusion : la fonction objectif s’écrit : Z=3x5 − 2x6 +2900. On s’arrête puisque les
coefficients de x5 et x6 sont négatifs.
Donc x1 =200, x2 =300, x3 =100, x4 =100 et Z=2900. La fonction objectif atteint son
maximum pour x1 =100 et x2 =300 vaut 2900.
NB : toutes les explications entre les tableaux ne sont pas obligatoires. Elles visent
seulement à montrer clairement leur remplissage. Vous pourrez donc directement
dresser les quatre tableaux afin de résoudre le problème.
33
Cours de mathématiques appliquées (Master en maintenance industrielle)
Car AB∗ est inversible et xH∗ = 0.
On a xB∗ = A−1 −1
B∗ b − AB∗ AH∗ xH∗ ;
On note A−1 ∗ ∗
B∗ AH∗ = AH∗ . La matrice AH∗ est obtenue avec le dernier tableau de la
méthode du simplexe.
Condition d’optimalité :
La condition LTH∗ = CH∗
T
− CBT A∗H∗ ≤ 0 est une condition pour qu’une solution de base
réalisable soit optimale.
x1
Z(x)=C1 x1 +C2 x2 +…..+Cn xn = (C1 ……Cn )( ... )
xn
C
=CT x avec C=(CB∗ ).
H∗
Exemple 1 :
3x1 + 9x2 ≤ 81
4x1 + 5x2 ≤ 55
On a le problème suivant : 2x1 + x2 ≤ 20
x1 ≥ 0, x2 ≥ 0
{Z(x1 , x2 ) = 6x1 + 4x2
15
x∗1
La solution optimale est x*=( ∗ )=( 2 ).
x2 5
On se pose la question suivante : comment se comporte la solution optimale si on
81
modifie un des coefficients dans Z ou un des coefficients du second membre b=(55) ?
20
On regarde la sensibilité des coefficients devant x1 dans Z. On remplace 6 par C1 . La
Ck C1 −C1
droite a une équation de la forme x2 = − x → λ1 =
4 4 1 4
x2 = 20 − 2x1 → λ2 = −2
55 4 −4
x2 = − x1 → λ3 = 5
5 5
λ1 , λ2 et λ3 représentent le coefficient directeur des différentes droites.
16
Si λ2 ≤ λ1 ≤ λ3 alors x* reste la solution ; donc pour ≤ C1 ≤ 8, la solution x* est
5
optimale.
La méthode qu’on vient d’utiliser se base sur la méthode graphique.
Utilisons maintenant la méthode énoncée en début du 3) pour trouver un critère
algébrique de la sensibilité.
Si on utilise la méthode du simplexe pour résoudre le problème, le dernier tableau nous
permet d’écrire :
1 2
x 2 = 5 − e2 + e3 ;
3 3
15 1 5
x1 = + e2 − e3 ;
2 6 6
27 5 7
e1 = + e2 − e3 ;
2 2 2
34
Cours de mathématiques appliquées (Master en maintenance industrielle)
27 1 7
Z= − e2 − e3 où e1 , e2 , e3 sont des variables d’écart.
2 3 3
1 −2
5 3 3
x2 e2 15 −1 5
xB∗ =(x1 ) ; A−1 ∗
B∗ = ( 2 ) ; xH∗ =(e ) et AH∗ =( 6 6 ).
27 3
C1 2
−5 7
2 2
−1
3
Le vecteur coût réduit LH∗ = (−7 ).
2
4
(00)
−1
On a CB∗ =(6) ; C∗ = donc LTH∗ = CH∗
T T ∗
− CB∗ AH∗ = (0, 0) – (4, 6, 0) A∗H∗ = ( 3 ; −7
3
).
0
4 0
On remplace 6 par C1 : CB∗ = (C1) , CH∗ = (0).
0
4 C1 −8 5C1
LTH∗ = T
CH∗ − T ∗
CB∗ AH∗ = −( − ; + );
3 6 3 6
4 C1
− ≥0 C1 ≤ 8
LTH∗ ≤ 0 <=> {−83 6
5C1 <=> {
C1 ≥
15
+ ≥0 6
3 8
16 x
Conclusion : Si ≤ C1 ≤ 8, alors le problème admet comme solution optimale x* (xB∗ );
5 H∗
x1 5
15 0
xB∗ = (xe2 ) = ( 2 ) ; xH∗ = (ee2) = (0).
1 27 1
2
15
La solution optimale x* n’a pas changé mais Z a changé. Z(x*) = C1 x1 + 4x2∗ = C1 +20.
2
35
Cours de mathématiques appliquées (Master en maintenance industrielle)
graphique conduit à la conclusion que la solution associée au point B est toujours
1 P1 800
optimale. Ainsi ≤ ≤ 1 soit ≤ P1 ≤ 800.
3 800 3
On a donc mis en évidence un intervalle de variation du coefficient de x1 dans la fonction
objectif sur lequel la solution optimale n’est pas changé.
800
Conclusion : tant que le profit sur l’IM4 reste entre et 800, il faut continuer à
3
produire 3000 unités de l’IM4 et 7000 de l’IM5.
36
Cours de mathématiques appliquées (Master en maintenance industrielle)
CHAPITRE III : PROGRAMMATION LINEAIRE EN NOMBRES ENTIERS
Introduction
Conduisons le programme linéaire suivant : Max Z = Ct x.
Sujet à Ax=b où A est une matrice et x et b des matrices colonnes. On s’intéresse à un
programme linéaire où les variables sont entières, A et b aussi
I – Définition
Un programme linéaire entier est un programme qui fournit toujours une solution
optimale entière.
On peut donc se demander sous quelles conditions un programme linéaire est entier.
A chaque itération quelconque de la méthode du simplexe, xB =B−1 b (xB solution de
base réalisable). Pour que cette solution soit entière, il est nécessaire que xB soit entier.
Comme b est entier, il suffit que B−1 soit une matrice entière (une matrice entière est
une matrice dont tous coefficients sont entiers).
(B∗ )t
Nous savons que B−1 = où B∗ désigne la matrice des cofacteurs. Vu que A est
det B
entière, alors B∗ est entier. Ainsi pour que B−1 soit entière, il suffit que det B ∈ {−1, 1}.
2) Définition 2
Soit A une matrice m×n ; A est totalement uni modulaire si toute sous matrice carrée B
d’ordre k (1 ≤ k≤ min(m, n)) extraite de A est uni modulaire.
3) Théorèmes
Théorème 1
Soit le programme linéaire entier (PLE) Max Z = Ct x.
Sujet à Ax ≤ b, x entier, x ≥ 0 admet une solution optimale entière qui est aussi solution
optimale la PLE.
Exemple : Soit à résoudre :
Min z = x1 +x2 + 5x3
Sujet à x1 +x2 +x3 =3
−x1 +x2 =5
x1 , x2 , x3 ≥ 0 entiers.
37
Cours de mathématiques appliquées (Master en maintenance industrielle)
1 −1 1
Vu que la matrice | | est totalement uni modulaire, la solution optimale de ce
−1 1 0
problème est celle du programme linéaire obtenu en oubliant les contraintes d’intégrité
du problème à résoudre.
Après application de la méthode du simplexe, on obtient x1 =0, x2 =5, x3 =8 et zmin =45.
M1 M2 ……… Mj … … . MN
E1 a11 a12 ……... a1j … … . a1N
E2 …. a21 a22 ……... a2j … … . a2N
Ei ai1 aI2 ……... aij … … . aiN
EN aN1 aN2……... aNj … … . aNN
38
Cours de mathématiques appliquées (Master en maintenance industrielle)
Si aij = 0, on supposera Cij = +∞ ce qui signifie que xij = 0. En pratique, xij est omise
dans le modèle.
∑N
j=1 aij xij = 1 ; i =1, 2, ....,N.
De même, une machine ne peut recevoir sous les hypothèses qu’un employé, c’est-à-dire
∑N
i=1 aij xij = 1 ; j =1, 2, ....,N.
On a donc le programme linéaire suivant :
Min z = ∑N N
i=1 ∑j=1 Cij x ij
Sujet à ∑N j=1 aij xij = 1 ; i =1, 2,....,N
∑Ni=1 aij xij = 1 ; j =1, 2, ....,N.
xij = 0 ou 1, i=1, 2, …..,N ; j=1, 2,…..,N.
A est totalement uni modulaire.
Dans notre exemple, prenons le cas où on veut affecter 3 employés à 3 machines. On
définit donc le problème suivant :
aij M1 M2 M3
E1 1 1 0
E2 0 1 1
E3 1 0 1
Cij M1 M2 M3
E1 6 8 ∞
E2 ∞ 4 5
E3 3 ∞ 4
39
Cours de mathématiques appliquées (Master en maintenance industrielle)
3ème PARTIE : PROCESSUS STOCHASTIQUES
CHAPITRE I : PROBABILITES : VARIABLES ALEATOIRES
3) Fonction de répartition
a) Définition
On appelle fonction de répartition de la variable aléatoire X, la fonction Fx définie sur IR
par : ∀ x ∈ IR, Fx =P(X≤x)= ∑xk ∈ X (Ω) P(X=xk ).
xk ≤x
b) Théorème
La fonction de répartition Fx d’une variable aléatoire est croissante, continue à droite et
limitée à gauche en point.
lim Fx (𝑥) = 0 et lim Fx (𝑥) = 1.
𝑥→−∞ 𝑥→+∞
4) Espérance mathématique
a) Définition
Soit X une variable aléatoire discrète vérifiant ∑xk ∈ X (Ω) |xk |P(X=xk )<+∞.
On appelle espérance mathématique de X le réel E(X) défini par :
E(X)=∑xk ∈ X (Ω) xk P(X = xk ).
E(X) est donc le barycentre des valeurs possibles de X pondérées par leurs probabilités
de réalisation.
b) Propositions
(P1 ) Pour toutes les variables aléatoires X et Y ayant pour espérances mathématiques
respectives E(X) et E(Y) on a :
40
Cours de mathématiques appliquées (Master en maintenance industrielle)
E(X+Y) =E(X) + E(Y)
E(aX) = aE(X) avec a ∈ IR.
On dit que l’espérance mathématique est linéaire.
(P2 ) Soient X une variable aléatoire discrète et f une fonction numérique dont
l’ensemble de définition contient X(Ω). Si E(f(x)) existe alors :
E(f(x)) =∑x ∈X(Ω) f(x)P(X = x).
(P3) Si E(X) existe alors |E(X)| ≤ E|x| < +∞.
(P4) * Si X a une espérance mathématique et si X ≥ 0 alors E(X) ≥ 0.
* Si X et Y ont une espérance mathématique et si X ≤ Y alors E(X)≤E(Y).
(P5) Si Z est une variable aléatoire discrète ayant une espérance mathématique et si pour
tout ω ∈ Ω, |X(ω)| ≤ Z(ω) alors X possède une espérance mathématique.
5) Variance
a) Définition
Soit X une variable aléatoire, on appelle respectivement variance de X et écart type de X
les quantités V(X)= E[(X−E(X)²], σ(x)=√V(X).
Remarque : lorsque X représente une grandeur physique, E(X) et σ(X) ont la même unité
mais pas V(X).
b) Propositions
(P1) ∀ a ∈ IR, ∀ b ∈ IR, V(ax+b)=a²V(X) (translation et changement d’échelle).
(P2) V(X)=0 <=> X=E(X) <=> X est presque sûrement constante.
(P3) V(X)=E(X²)−[E(X)]² (Formule de Koenig).
Espérance mathématique
SI X ~ B(P) alors E(X)=P.
Variance
La variance d’une loi de Bernoulli de paramètre P est P(1-P) =pq.
En effet V(X)=E(X²)−(E(X))²=p-p²=p(1−p).
41
Cours de mathématiques appliquées (Master en maintenance industrielle)
Définition : la variable aléatoire X suit la loi uniforme sur l’ensemble de réels {x1 ,…, xn } si
Px est l’équiprobabilité sur cet ensemble. Autrement dit, X(Ω)={x1 ,…, xn } et ∀ k=1,
1
P(X=xk )= .
n
Espérance mathématique
1
E(X)=∑ni=1 xi P(X=xi )=n ∑ni=1 xi .
Si X suit la loi uniforme sur l’ensemble {x1 , x2 ,…, xn }, E(X) est égale à la moyenne
arithmétique de x1 .
Variance
n2 −1
Si X suit la loi uniforme sur {1,…n}, V(X)= .
12
1 1 n(n+1)
En effet E(X)=∑ni=1 kP(X = k) = n ∑ni=1 k = n × 2
n+1
= 2
1 1 n(n+1)(2n+1)
E(X)=∑n 2
i=1 k P(X = k) = ∑n k 2 = ×
n i=1 n 6
(𝑛+1)(2𝑛+1)
=
6
𝑛2 −1
V(X)=[E(X)]²-E(X)²= .
2
Définition
On dit qu’une variable aléatoire suit la loi de Poisson de paramètre λ> 0 si l’ensemble
e−λ λk
des valeurs possibles est X(Ω)=IN et ∀ k ∈ IN, P(X = k) = .
k!
On note X ~P(λ).
Espérance mathématique
Si X suit la loi de Poisson de paramètre λ alors E(X)=λ.
Variance
Si X suit la loi de Poisson de paramètre λ, V(X)=λ.
2) Loi de probabilité
Soit X une variable aléatoire continue sur (Ω, F, P). On lui associe la famille d’ensembles
Px définie sur la famille BIR de parties de IR en posant :
Px (B)=P(X ∈ B)=P{ω ∈ Ω / X(ω) ∈ B}=P(X −1 (B)).
La fonction d’ensemble Px ainsi définie est une probabilité sur BIR . On l’appelle la loi de
la variable aléatoire X.
42
Cours de mathématiques appliquées (Master en maintenance industrielle)
3) Fonction de répartition
a) Définition
Soit X une variable aléatoire continue dont la loi Px est caractérisée par les probabilités
d’intervalle Px (]a, b])=P(X ∈ ]a, b]), a et b ∈ IR.
Sa fonction de répartition Fx est définie par Fx : IR→ [0, 1]
x→ Px (]−∞,x])=P(X ≤ x ), x ∈ IR.
b) Théorème
La fonction de répartition d’une variable aléatoire continue est croissante sur IR,
continue à droite et limitée à gauche en tout point. Elle tend vers 0 en −∞ et vers +1 en
+∞.
4) Variables à densité
a) Définitions
(1) Une fonction f : IR→IR est appelée densité de probabilité si elle est positive(en tout
+∞
point t ∈ IR où elle est définie f(t) ≥ 0), intégrable sur IR et si ∫−∞ f(t)dt = 1.
(2) La variable aléatoire X suit la loi de densité f si : ∀ a ∈ IR, ∀ b ∈ IR,
b
P(X ∈]a, b])=∫a f(t)dt.
Exemple de densités :
1
1
f(t)=b−a⁄ [a, b](t) g(t)=
𝜋(1+𝑡 2 )
1
−𝑡
h(t)=𝑒 ⁄[0, +∞[(t) i(t)=2√𝑡⁄ ]0, 1](t)
b) Proposition
Si la variable aléatoire X a pour densité f, sa fonction de répartition F vérifie :
x
i) ∀ x ∈ IR, F(x) = ∫−∞ f(t)dt
ii) F est continue sur IR
iii) Si f est continue en x0 alors F est dérivable en ce point et F’(x0 )=f(x0 )
c) Espérance mathématique
Si la loi de la variable aléatoire continue X a une densité f telle que l’intégrale
+∞ +∞
∫−∞ |x|f(x)dx converge, on appelle espérance de X le réel E(X)=∫−∞ xf(x)dx.
d) Variance
+∞ 2
Si la loi de la variable aléatoire X a une densité f telle que ∫−∞ (x − E(X)) f(x)dx
+∞ 2
converge, on appelle variable de X le réel ∫−∞ (x − E(X)) f(x)dx.
43
Cours de mathématiques appliquées (Master en maintenance industrielle)
0 si x ∈ ] − ∞, a]
x−a
F(x)={ x−b si a < x ≤ b
1 si x ∈ ]b, +∞[
Propositions :
l([a,b] ∩ I)
(1) Si la loi est uniforme, P(X ∈ I)= où l(J) désigne la longueur de l’intervalle J.
l([a,b])
𝑎+𝑏 (𝑏−𝑎)²
(2) Si X suit la loi uniforme sur [a, b], E(X)= et V(X)= .
2 12
+∞ b x x² a+b
En effet E(X)=∫−∞ xf(x)dx = ∫a dx = [ ]b =
b−a 2(b−a) a 2
+∞ b x² 1 𝑥3 b
E(X²)=∫−∞ x 2 f(x)dx = ∫a 𝑑𝑥 =[ ]
b−a 3 b−a a
1
= (b²+ab+a²).
3
1
V(X)=[E(X)]²−E(X²)= (a²+b²−2ab)
12
(𝑏−𝑎)²
= .
12
b) Lois exponentielles
Définition : soit a une réel strictement positif. La variable aléatoire continue X suit la loi
−at
exponentielle de paramètre a si elle admet pour densité f(t)= ae ⁄[a, +∞[(t).
En pratique, plutôt que travailler avec la fonction de répartition d’une loi exponentielle,
il est plus commode d’utiliser la fonction G :
1 si x ≤ 0
G(X)=P(X > x)=1−F(x)={ −ax
e si x > 0
Théorème
Si la variable aléatoire X suit une loi exponentielle alors elle vérifie la propriété
d’absence de mémoire :
∀ s ∈ IR+ , ∀ t ∈ IR+ , P(X > t + s/ X > t)=P(X > s).
Réciproquement si une variable aléatoire X vérifie la propriété d’absence de
mémoire, alors elle suit une loi exponentielle.
44
Cours de mathématiques appliquées (Master en maintenance industrielle)
CHAPITRE II : PROCESSUS STOCHASTIQUES
I - Définitions :
soit (Ω, F, P) un espace probabilisé.
Un processus stochastique à temps discret est une famille X=(Xn )ntIN de
variables aléatoires. Dans ce cas on note T=IN.
Un processus à temps continu est une famille X=(Xt )ttIR+ de variables aléatoires.
Dans ce cas on note T=IR+ .
En fait, un processus stochastique X=(Xt )ttIR+ est une famille de variables aléatoires Xt
indexée par un ensemble T.
Un processus dépend de deux paramètres :
Xt (ω) dépend de t (en général le temps) et de l’aléatoire ω ∈ Ω.
- Pour tout t ∈ T, ω ∈ Ω → Xt (ω) est une variable de l’espace probabilisé.
- Pour tout ω ∈ Ω fixé, t ∈ T → Xt (ω) est une fonction à valeurs réelles appelée
trajectoire du processus.
Remarque : dans les définitions précédentes, l’ensemble est muni d’une relation totale
(c’est-à-dire étant donné (s, t) ∈ T², on a s ≤ t ou t ≤ s).
45
Cours de mathématiques appliquées (Master en maintenance industrielle)
2) Proposition
On dispose d’une formulation équivalente du deuxième point de la définition de la
chaine de Markov.
∀ n ∈ IN, ∀ (n+1)-uplet à valeurs dans S(x0 ,…, xn ), vérifiant P(X0 =x0 ,…, X n1 = xn−1 )≠0
on a : P(Xn =xn /Xn−1=xn−1,…, X0=x0 )=P(Xn =xn /Xn−1=xn−1).
En fait, un processus est une chaine de Markov si la transition d’un état xn−1 à l’instant
n − 1 à un autre xn à un instant n ne dépend que :
De la position xn−1 à l’instant n − 1 et pas du reste de la trajectoire passée (c’est-
à-dire de x0 ,…, xn−2).
Du résultat d’une expérience aléatoire distribuée selon la probabilité
conditionnelle sachant que Xn−1=xn−1 (notée P(./Xn−1=xn−1).
3) Noyau de transition
Définitions :
(1) On appelle noyau de transition ℙ, une fonction ℙ : S×S →[0, 1] telle que pour tout x ∈
S, (x, y) → ℙ (x, y).
L’application P(x, .) : S →[0, 1]
y → ℙ (x, y)
est une mesure de probabilité : ∑y ∈ S ℙ(x, y)=1.
(2) On dit que (Xn )n ϵ IN est une chaine de Markov de noyau P et de loi initiale u si :
- c’est une chaine de Markov au sens de la définition précédente,
- la variable aléatoire X0 suit la loi u, c’est-à-dire que ℙ (X0 =x0 )=u(x0 ), ∀ x ∈ S,
- les probabilités conditionnelles sont données par la fonction p= ℙ.
4) Graphe de transition
On représente très souvent une chaine de Markov à l’aide d’un graphe sur l’espace
d’états S, appelé graphe de transition.
Les sommets du graphe sont tous les états x ∈ S.
Les arêtes orientées sont des couples (x, y) telles que ℙ (x, y)> 0.
De plus, sur les arêtes orientées, on indique la probabilité de transition correspondante.
5) Distribution
Soit (Xn )n ϵ IN une chaine de Markov de noyau de transition ℙ sur un espace d’états S et
de la loi initiale u : pour tout état x0 ∈ S on a ℙ (X 0 =x0 )=u(x0 ).
Pour tout état xn ∈ S, on a :
ℙ (Xn =xn )=∑x0 ,...xn−1 ∈ Sn ℙ(Xn =xn , Xn−1=xn−1,…, X1 =x1 , X0 =x0 )
=∑x0 ,...xn−1 ∈ Sn ℙ(Xn =xn /Xn−1=xn−1 )…ℙ(X1=x1 / X0 =x0 ) P(X0=x0 )
ℙ (Xn =xn )=∑x0 ,...xn−1 ∈ Sn 𝑢(x0 )P(x0 , x1 )… ℙ (xn−1, xn ).
On dispose également de la formule de récurrence suivante en conditionnant
uniquement par rapport à la position à l’instant précédent n − 1.
ℙ (Xn =xn )=∑xn−1 ∈ 𝑆 ℙ(Xn = xn , Xn−1=xn−1)
=∑xn−1 ∈ 𝑆 ℙ(X n = xn / Xn−1=xn−1) ℙ (X n−1=xn−1)
=∑xn−1 ∈ 𝑆 ℙ( X n−1=xn−1) ℙ (xn−1=xn ).
46
Cours de mathématiques appliquées (Master en maintenance industrielle)
Grâce à cette dernière formulation, on voit que connaissant la loi initiale u et le noyau de
transition ℙ, on peut calculer de façon simple et itérative la loi xn à n’importe quel
instant n.
Définition : on représente une loi de probabilité P sur S à l’aide d’un vecteur ligne ; si
S={1,….N}, il s’agit du vecteur P=(P(1),…, P(N)). Si S=IN, on a un vecteur infini
(P(1),….,P(N),….).
Les lois de probabilité sont donc identifiées avec les vecteurs lignes vérifiant deux
conditions :
i) Tous les coefficients sont positifs ou nuls
ii) Leur somme est égale à 1.
Théorèmes
(1)Pour tout n ∈ IN, si on note un la loi de xn c’est-à-dire le vecteur ligne tel que un (xn )=
ℙ (Xn =xn ), on a un =x0 ℙn le produit matriciel du vecteur ligne u0 et de la matrice
carrée P n .
(2) Soit f : S→IR, une fonction (supposée bornée si S est infinie). On a E[f(Xn )= u0 ℙn f où
f est vu comme vecteur colonne.
(3) ∀ n ∈ IN ∗ , ℙn est une matrice de transition.
De plus, pour tout x ∈ S, la ligne ℙn est une loi de probabilité, précisément la loi de Xn ,
lorsque la condition initiale est X0 =x ; ℙn (x, y)=P (Xn =y/X0 =x).
C’est une conséquence du théorème (2).
6) Lois invariantes
Définitions
Une chaine de Markov d’espace d’états S est dite stationnaire si pour tout entier m ∈ IN,
la loi du vecteur aléatoire de longueur m+1(Xn ,… Xn+m ) ne dépend pas de n.
47
Cours de mathématiques appliquées (Master en maintenance industrielle)
Proposition
Dans ce cas, conditionnement aux évènements {Xn =xn }, le processus (Xn+m )m ∈ IN est
une chaine de Markov :
De position initiale xn
De noya de transition ℙ (ne dépendant pas de n ; c’est le même noyau que la
chaine initiale)
Indépendante de (X0 ,…. Xn−1).
On peut remplacer l’entier n par un temps aléatoire T à deux conditions :
On conditionne par rapport aux évènements {T< +∞} ∩ {XT =x}.
T doit être le temps d’arrêt.
En fait fixons un état a ∈ S. On pose la position initiale X0 =a, si bien qu’on regarde des
trajectoires de la chaine de Markov toutes issues de a.
On pose ∀ k ∈ IN, T0 (a)=0
T1 (a)=inf {n ≤ T0 (a)+1 ; Xn =a}
(a)
Tk+1= inf {n ≤ Tk (a)+1 ; Xn =a}
Avec la convention suivante : si pour un entier k on a {n ≤ Tk (a)+1 ; Xn =a}=∅ alors on
pose Tl (a)=+∞ pour tout l ≥ k+1 ; si à partir d’un moment la chaine ne revient pas en a,
on décide que le temps de retour est +∞.
La suite aléatoire Tk (a)k ∈ IN décrit les temps de retour successifs de la chaine à l’état a.
Ce sont des temps d’arrêt.
La propriété fondamentale est la suivante :
(XT0 (a) =a,…., XT1 (a)−1 ) , (XT1 (a) =a,…., XT2 (a)−1)…. (XTk (a) =a,…., XTk+1 (a)−1 ),….. sont des
morceaux de trajectoires indépendantes et identiquement distribuées, avec la propriété
que chaque début de trajectoire est en a et que a n’est pas visité ensuite. En d’autres
termes, à chaque retour en a, on calcule une nouvelle trajectoire issue de a,
indépendamment de tout le passé et du numéro de retour toujours avec la même
distribution de probabilité. On s’arrête au retour suivant et on enlève a en fin de
trajectoire.
48
Cours de mathématiques appliquées (Master en maintenance industrielle)
Proposition : l’espace d’états peut se partitionner en classes de communication :
S s’écrit à la manière d’une union d’ensembles Ci deux à deux disjoints de telle sorte que
pour tout i ∈ T et tous x, y ∈ S, (x ∈ Ci et y ∈ Ci ) <=> x ↔ y.
La classe associée à l’état x est l’unique élément Ci de la partition tel que x ∈ Ci . Alors
pour tout y ∈ S, x ↔ y <=> y ∈ Ci .
b) Récurrence – transcience
Définition :
Un état x ∈ S est dit récurrent (pour le noyau ℙ ) si ℙ (xn =x pour une infinité d’entiers
n/x0 =x)=1. Dans le cas contraire x est dit transcient.
Si on pose T(x)= inf {n ∈ IN ∗ , Xn =x} et N(x)=card { n ∈ IN ; Xn =x}, la définition devient x
récurrent <=> P (N(x)=∞/X0 =x)=1, avec N(x) et T(x) deux variables aléatoire IN ∪
{+∞}.
Théorème
x récurrent <=> N(x)= +∞ presque surement sachant que X0 =x.
<=> E[N(x)/ X0 =x]= +∞
<=> ∑+∞ n
n=0 ℙ (x, x) = + ∞
<=> P(T(x) < +∞/X0 =x) = 1
x récurrent <=> P(N(x) = +∞/X0 =x) < 1
<=> E[N(x)] < +∞
<=> ∑+∞ n
n=0 ℙ (x, x) < +∞
<=> P(T(x) < +∞/ X0 =x < 1
Proposition : pour toute paire d’états x, y qui communiquent, x est récurrent si et
seulement si y l’est. On dit que la récurrence et la transcience sont des propriétés de
classe.
d) Périodicité
Définition : Soit x ∈ S, un état.
On définit la période de x par :
d(x)=pgcd {n ≥ 1, ℙn (x, y) > 0}. On dit que x est apériodique si d(x)=1.
49
Cours de mathématiques appliquées (Master en maintenance industrielle)
CHAPITRE III : FILES D’ATTENTE
I – Introduction
La théorie des files d’attente consiste à l’étude de systèmes où des clients se présentent à
dispositif de service appelé serveur. Puisqu’un client occupe le serveur pendant un
certain temps, les autres clients doivent attendre avant d’être servis formant ainsi une
file d’attente.
Exemple : atelier : serveur : machine : client : tâche.
II – Définition
Une file d’attente est constituée de clients, d’une salle d’attente, de guichets et de
serveurs. On va supposer que les temps inter arrivées sont indépendants et de même
type de loi (dépendant d’un ou plusieurs paramètres) et indépendants des temps de
services également indépendants et de même type de loi. On suppose que dès qu’un
guichet se libère, il est utilisé à nouveau s’il y avait un client dans la salle d’attente. On
utilise la notation suivante :
Loi d’inter arrivée / loi de service / nombre de serveurs / longueur maximale.
Le dernier paramètre est facultatif ; par défaut il vaut 00 ; la salle d’attente a une
capacité non limitée
On a la notation de Kendall A/B/C/K/N/D.
A : processus d’arrivée
B : processus de service
C : nombre de serveurs
K : capacité du système (file + serveurs)
N : taille de la population (habituellement infinie)
D : discipline de services (par défaut PAPS : premier arrivé, premier servi mais
aussi RANDOM.
50
Cours de mathématiques appliquées (Master en maintenance industrielle)
D ~ Exp (u) (A et D sont indépendants)
Probabilité qu’une arrivée se produise avant un départ :
λ
P(A<D)=
λ+u
Probabilité qu’un départ se produise avant une arrivée :
u
P(D<A)=
λ+u
d) Notations et formules
Notations
N̅ Q : nombre moyen de clients faisant la queue
N̅ S : nombre moyen de clients entrain d’être servis
N̅ =E(N)= N ̅ Q +N
̅ S : nombre total (attente + service) moyen dans le système en
équilibre
NQ , NS et N sont les variables aléatoires correspondantes.
On a P(N=k) =πQ
T̅Q : temps moyen d’attente
T̅S : temps moyen de service
T̅=T ̅Q +T
̅S : temps moyen qu’un client passe dans le système.
TQ , TS et T sont les variables aléatoires correspondantes.
51
Cours de mathématiques appliquées (Master en maintenance industrielle)
- ̅ Q =N
N ̅ S = P²
̅−N
1−P
̅
N P² 1
- ̅= =
T =
λ λ(1−P) u−λ
λ
- ̅Q =T
T ̅−T
̅S =
u(−λ)
0 si N = 0
- Un seul serveur NQ = {
N − 1 si N > 1
- P(NQ =0)=(1−P)(1+P)
- P(NQ =k)=P k+1(1−P) pour k > 0
- N+1=N1 ~Geom(P=1−P)
- T~Exp(u−λ)
- P(TQ =0)= π0 =1−P
TQ
- ⁄{N > 0} ~ Exp(u − λ)
Q
2) Modèle M/M/1/K
Pour un système de capacité K(taille maximale de la file d’attente de K−1) avec
λ
P= ≠1 , on peut montrer que pour n=0, 1,….K :
u
- Si P<1
P(Y=n+1) Pn (1−P)
πn =P(Y=n+1 / Y ≤ K+1)= = avec Y~ Geom(1−P)
P(Y≤K+1) 1−PK+1
- Si P>1
P(Y=K−n+1) Pn (1−P) 1
πn =P(Y=K−n+1 / Y ≤ K+1)= = avec Y~ Geom(1− )
P(Y≤K+1) 1−PK+4 P
- L’équilibre est atteint pour tout P :
1−P
Si P≠ 1, πn =P n
1−PK+1
1
Si P=1, on considère les états équiprobables πn = pour n=0, 1,….K.
K+1
- Le système est en pleine capacité avec la probabilité πK .
- Taux d’entrée λe =λ(1−πK ).
IV – Travaux pratiques
Soit une file d’attente (illimitée) avec un serveur unique ; le système d’attente se
trouve une banque ouverte de 9h à 17h sans interruption. Il accueille en moyenne 64
personnes par jour. Le temps moyen passé par une personne est de 2 minutes et
demi. Un statisticien a observé que la loi de probabilité de la durée du service est
exponentielle et que les arrivées des clients forment un processus de Poisson.
1) Quel est le nombre moyen de personnes présentes dans la banque, le temps
moyen à attendre son tour, le temps moyen passé dans la banque ?
2) Quelles sont les probabilités qu’il n’arrive aucun client entre 15h et 16h pour que
six clients arrivent entre 16h et 17h ?
3) Quel est en moyenne par heure, la durée pendant laquelle l’employé d’un guichet
n’est pas occupé avec un client ?
4) Quelle est la probabilité d’avoir 4 personnes dans la file d’attente, derrière le
client qui est occupé avec l’employé du guichet.
52
Cours de mathématiques appliquées (Master en maintenance industrielle)
Solution
60
1) On a le modèle M/M/1/∞ avec λ=8 (clients par heure) et u=24= (nombre de
2,5
clients par heure).
λ 8 1
On pose P= = = . Comme P < 1, le système est à l’équilibre : la probabilité qu’il y ait k
u 24 3
clients à un instant donné est πk =(1−P)P k .
Temps moyen passé à attendre :
λ 1
̅Q =E(TQ )=
T = heures.
u(u−λ) 48
Temps moyen passé dans système :
̅ =E(T)= λ = 1 heures.
T
u−λ 16
2) * Probabilité pour qu’aucun client n’arrive entre 15h et 16h
On sait que le nombre de clients qui arrive dans le système pendant une unité de temps
λk
est une variable aléatoire qui suit la loi de Poisson P(N=k)=e−λ × donc
k!
1
P(N=0)= e−λ =e−8= 8 .
e
1
La Probabilité qu’aucun client n’arrive entre 15h et 16h est P(N=0)= .
e8
*Probabilité pour que six clients arrivent entre 16h et 17h
86
P(N=6)= 𝑒 −8 = . La probabilité pour que six clients arrivent entre 16h et 17h est
6!
e−8 86
P(N=6)= .
6!
3) Durée pendant laquelle l’employé n’est pas occupé par le client
L’employé n’est pas occupé par le client lorsque le système est à l’état 0, ce qui
2
correspond à la probabilité π0 =1−P= soit une moyenne de 40mn par heure.
3
4) Probabilité d’avoir 4 personnes dans la file d’attente
S’il y a 4 personne dans la file d’attente, il y a 5 clients en tout dans le système, ce qui
2
correspond à la probabilité π5 =(1−P)P 5 = 6 .
3
53
Cours de mathématiques appliquées (Master en maintenance industrielle)
54
Cours de mathématiques appliquées (Master en maintenance industrielle)