MATH 10605 – ANALYTIQUE D’AFFAIRES

CAHIER D’ACCOMPAGNEMENT

Simulation et optimisation
MATH 10605 Simulation et optimisation Avant-séance

Simulation et optimisation – Préparation avant la séance

Table des matières

Capsule 1 – Rencontre de l’optimisation et de la simulation ...................................................................................3
Notes de cours trouées (Capsule 1) .....................................................................................................................3
Introduction ......................................................................................................................................................3
Modèle d’optimisation .....................................................................................................................................4
Calcul de la fonction-objectif par simulation....................................................................................................5
Résumé de la capsule 1 ........................................................................................................................................7
Exercices (Capsule 1) – Voir le fichier Excel ..........................................................................................................7

Capsule 2 – Implantation d’une simulation dans un modèle d’optimisation ..........................................................8

Notes de cours trouées (Capsule 2) .....................................................................................................................8
Introduction ......................................................................................................................................................8
Modèle de simulation pour chaque q ........................................................................................................... 10
Scénarios identiques lorsque q varie ............................................................................................................. 11
Résultats approximatifs ................................................................................................................................. 12
Résumé de la capsule 2 ..................................................................................................................................... 13
Exercices (Capsule 2) – Voir le fichier Excel ....................................................................................................... 13

Corrigé des exercices – Voir le fichier Excel de solution ....................................................................................... 13

AUTEUR.E.S. ........................................................................................................................................................... 14

Liens rapides vers toutes les capsules

 Capsule 1 : Rencontre de l’optimisation et de la simulation – Durée ≈ 10 minutes
 Capsule 2 : Implantation d’une simulation dans un modèle d’optimisation – Durée ≈ 9 minutes

2
MATH 10605 Simulation et optimisation Avant-séance

Capsule 1 – Rencontre de l’optimisation et de la simulation

Notes de cours trouées (Capsule 1)

Rappel – Lien vers la capsule : Rencontre de l’optimisation et de la simulation – Durée ≈ 10 minutes

Introduction
L’objectif de cette capsule est de montrer qu’il peut arriver que l’optimisation et la simulation se côtoient dans
un même modèle.

Exemple : Boutique Gilet Mignon

Prenons un exemple concret pour illustrer. La boutique Gilet Mignon offre une vaste sélection de vêtements
haut de gamme pour enfants. Il est temps pour le gérant d’effectuer les achats pour garnir les étalages en
prévision de la prochaine saison hivernale, en particulier l’achat d’un modèle de veste bleue à capuchon.
 Le coût d’approvisionnement est de 30$ par veste.
 Les vestes seront vendues 50$ pièce pendant la saison hivernale.
 Les vestes invendues devront être écoulées à moitié prix, donc à 25$, en fin de saison.
Le gérant doit décider combien de vestes commander de façon à maximiser le profit.
S’il n’en achète pas assez pour combler la demande en saison, alors il ne saisit pas l’opportunité de vendre un
plus grand nombre de vestes, et 000000000000
d'augmenter son profit. Si au contraire il en achète trop, alors il doit écouler
le surplus à perte en fin de saison, ce qui vient réduire
diminuer son profit.
Ce qui vient compliquer sa prise de décision est 00000000000000
l'incertitude quant à la quantité demandée en saison. En
effet, puisqu’il est impossible de prévoir le nombre de vestes qui seront vendues en saison, on ne peut savoir
vraiment si on achète trop ou pas assez. Pas plus qu’on ne peut calculer le profit avec certitude dès maintenant.
En d’autres mots, la quantité demandée est une 0000000000000000000000,
variable aléatoire ce
qui se répercute sur le profit qui est lui-même une variable aléatoire.
variable aléatoire

En se basant sur l’historique des ventes en saison des dernières années, le gérant estime que la quantité
demandée, que nous dénoterons D, est modélisée adéquatement par la loi normale, avec une moyenne de 30
vestes demandées, et un écart-type de 5,5 vestes (D ~ N(30 ; 5,5)). Cette distribution sur la quantité demandée
induit une distribution sur le profit, d’où il devrait être possible de calculer 0000000000000
la moyenne de cette distribution
(ou profit espéré).
espéré Dit autrement, on 000000000000
ne peut pas maximiser directement le profit, car il n’est pas
n'est pas
calculable, mais on peut maximiser la valeur espéréeespérée de la variable profit. Un dernier élément que le gérant
doit prendre en compte est que les vestes lui sont vendues par ballots de 5. Remarque : Pour obtenir une quantité
demandée entière, on arrondira les valeurs de la loi normale à l’entier le plus près.
Pour voir clair, il faut 00000000000
modéliser cette situation.

3
MATH 10605 Simulation et optimisation Avant-séance
Modèle d’optimisation
Puisque l’on souhaite maximiser 00000000000000000000,
le profit espéré nous sommes en présence d’un modèle
d’optimisation.

Variables de décision Fonction-objectif Contraintes

q = 00000000000000000000
la quantité commandée (vestes) Maximiser le le
profit espéré
profit espéré q doit être un multiple de 5

Cela suggère de résoudre le problème par la méthode 00000000000000.

d'énumération Il suffit en effet d’examiner la valeur
de la fonction-objectif pour q = 5, 10, 15 et ainsi de suite pour les multiples de 5. Cela exige toutefois de savoir
calculer la fonction-objectif, c’est-à-dire le le
profit espéré, pour différentes valeurs de q.
profit espéré

Lien entre nombre commandé et profit

Pour y parvenir, commençons par examiner ce qu’il se passe lorsque le nombre commandé est inférieur à la
quantité demandée en saison (q ≤ D). Par exemple, q = 2 vestes ont été commandées par le gérant et D = 3 clients
souhaitent acheter une veste en saison.
 Les deux premiers clients achètent alors, mais le troisième non.
 Le nombre de vestes vendues en saison est alors égal à la quantité 00000000000
commandée : V = 000
q = 000.
2
 V = La plus 00000000
petite des deux valeurs (entre q et D).

Examinons maintenant le cas où la quantité commandée excède la demande (q > D), par exemple q = 3 vestes
sont commandées, mais seulement D = 2 clients y sont intéressés en saison.
 Les deux clients achètent.
 Le nombre de vestes vendues en saison est alors égal à la quantité 00000000000
demandée : V = 000
D = 000.
2
 V = La plus 00000000
petite des deux valeurs (entre q et D).

Dans un cas comme dans l’autre, le nombre de vestes vendues correspond à la plus petite
petite des valeurs entre le
nombre commandé et la quantité demandée  V = mi
minn (q ; D ) .

Maintenant, puisque le prix de vente des vestes est de 50$ en saison, et de 25$ en fin de saison, alors le profit
est donné par l’équation ci-dessous :
Nombre écoulé
en fin de saison

Profit = 5
0 0000
V
* 0000
+ 25 000
* q 0000(–

V ) 0000
– 3
0 000
* q
Profit en saison Coût
Profit en fin de saison d'approvisionnement

Sachant que V = min

min (q ; D )
* min ( q ; D )
Profit = 50 000

00+0 25 000
* q 000(– min ( q ; D )

) 000
– 30 000
* q

Profit en saison Coût
Profit en fin de saison

4
MATH 10605 Simulation et optimisation Avant-séance
Nous avons maintenant une vision claire du problème à résoudre. La fonction-objectif est en effet bien définie.
Il s’agit de 0000000000000
la moyenne (valeur espérée)
espérée du profit. Le profit s’exprime lui-même en fonction de la variable
de décision, soit q le nombre de vestes commandées, et de la quantité demandée D, de loi normale.

Pour aller plus loin, nous devons être en mesure de calculer la valeur espérée,
espérée mais ce n’est pas évident étant
donné que le profit est une fonction relativement compliquée de la variable aléatoire D. On peut alors penser à
utiliser la simulation Monte-Carlo comme outil pouvant nous permettre d’estimer la valeur de la fonction-
objectif.

Calcul de la fonction-objectif par simulation

Les deux ingrédients propices à la simulation sont présents lorsque l’on considère une valeur fixée de la variable
de décision, par exemple q = 25.
 Ingrédient 1 : La mesure de performance, 00000000000000000000
le profit dans notre exemple, s’exprime
comme une fonction de variables auxiliaires.
 Ingrédient 2 : Il n’y a qu’une seule variable auxiliaire ici, soit 000000000000000000000.
la quantité demandée On peut en
effet remplacer q par 25, et la seule inconnue dans le profit est D.
o D est une 0000000000000000000000
variable aléatoire primaire, et sa distribution est connue, telle qu’exigée.
 Objectif : Comme les deux ingrédients nécessaires sont présents, la simulation permet d’estimer la
distribution du profit.

Ingrédient 1 Ingrédient 2 Objectif

Variables X1, X2, … , Xk de Distribution
Illustration Y = f ( X1 , X2 ,... , X k )
distributions connues de Y
Exemple P= 50 × min ( q ; D ) N ( µ 30
D = = ; σ 5,5) Distribution
du profit
= + 25 × ( q − min ( q ; D ) )

= − 30 × q

Une fois la distribution du profit établie, du moins approximativement, on peut en estimer lala moyenne
moyenne, qui
correspond à la fonction-objectif. Bref, on a estimé la valeur de la fonction-objectif, du moins pour la valeur de
q que nous avons fixée au départ, donc q = 25. Or, si cette stratégie d’évaluation fonctionne pour q = 25, elle
fonctionnerait également pour toute autre valeur de q pour laquelle nous souhaiterions évaluer la fonction-
objectif.

5
MATH 10605 Simulation et optimisation Avant-séance
Si on récapitule, on est en présence d’un modèle d’optimisation qui vise à maximiser 00000000000000000000
le profit espéré
en fonction de 00000000000000000000.
la quantité commandée Optimiser une fonction nécessite que pour toutes valeurs des
variables de décision, q ici, il y ait une formule, ou du moins une procédure qui nous permette de calculer la
valeur de la fonction-objectif correspondante, le le profit espéré ici. Dans le cas présent, ce n’est pas si
profit espéré
simple, puisque l’expression du profit est relativement compliquée et dépend d’une variable normale.
Heureusement, il s’avère que pour chaque valeur de q, tous les ingrédients sont en place pour que la simulation
soit adéquate comme procédure pour calculer la valeur correspondante du profit espéré.

Variables de décision Fonction-objectif

Valeur de q Simulation E[profit]

Profit = 50 × min ( q ; D ) + 25 × ( q − min ( q ; D ) ) − 30 × q

N ( µ 30
D = = ; σ 5, 5)

Le prix à payer pour utiliser cette procédure qui repose sur la génération de scénarios aléatoires est que la
fonction-objectif ne sera pas évaluée exactement, mais elle sera plutôt approximée.

La marche à suivre est maintenant claire. En effet, puisque la quantité q est un multiple de 5, nous allons procéder
par énumération. Ainsi, l’idée est de créer un tableau comportant les valeurs de q (5, 10, 15, etc.) sur sa première
ligne. Sur la seconde ligne, on souhaite estimer la valeur de la fonction-objectif. Pour ce faire, on utilisera la
simulation comme mécanisme de calcul. C’est à ce moment que l’on utilisera la relation connue entre la quantité
q, la demande aléatoire D et le profit (voir équation ci-dessus).

Quantité commandée q 5 10 15 20 25 30 35 40 45 50 55 60
E[Profit] estimé

À terme, on devrait obtenir une approximation du profit espéré pour chaque valeur de q dans le tableau. C’est
en examinant ces valeurs que l’on parvient à déterminer le nombre optimal de vestes à commander.
Quantité commandée q 5 … 30 35 40 … 60
E[Profit] estimé 100,00 $ … 544,75 $ 561,41 $ 548,38 $ … 450,31 $

6
Correction 1
MATH 10605 Simulation et optimisation Avant-séance

Résumé de la capsule 1

Il arrive que la modélisation d’une situation exige à la fois des éléments d’optimisation et de simulation. C’est
notamment le cas quand une simulation est nécessaire pour calculer la fonction-objectif d’un problème
d’optimisation, comme dans l’exemple Gilet Mignon présenté dans cette capsule.

Résoudre un problème d’optimisation nécessite d’être capable de calculer la valeur

de la 00000000000000000000 correspondant à toute valeur des variables
0000000000000000000 :

Valeurs des variables Valeur de la

de décision fonction-objectif

 Il arrive que la simulation Monte-Carlo soit l’outil qui permette ce calcul.

 Le prix à payer est que la fonction-objectif n’est alors pas calculée
exactement, mais plutôt approximativement.

Notes complémentaires (à utiliser au besoin)

Exercices (Capsule 1) – Voir le fichier Excel

Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.

7
MATH 10605 Simulation et optimisation Avant-séance

Capsule 2 – Implantation d’une simulation dans un modèle d’optimisation

Notes de cours trouées (Capsule 2)

Rappel – Lien vers la capsule : Implantation d’une simulation dans un modèle d’optimisation – Durée ≈ 9 minutes

Introduction
L’objectif de cette capsule est de voir comment développer correctement un modèle de simulation imbriqué
dans un modèle d’optimisation.

Exemple : Boutique Gilet Mignon

Reprenons l’exemple du gérant de la boutique Gilet Mignon. Il doit décider combien de vestes commander à
l’aube de la saison hivernale afin de maximiser le profit espéré, sujet à la contrainte que les vestes sont livrées
en ballots de 5. Les paramètres du problème ont été colligés dans la feuille « C2 - Différents » du fichier Excel
associé à cette préparation.
 Gilet Mignon doit payer 30$ pour acquérir chaque veste
 Il pourra les vendre 50$ chacune pendant l’hiver.
 Les vestes invendues devront être écoulées à moitié prix en fin de saison.
 Le nombre de vestes demandé par la clientèle est une 0000000000000000000000
variable aléatoire de loi normale.
Profit = 50 × min ( q ; D ) + 25 × ( q − min ( q ; D ) ) − 30 × q
N ( µ 30
D = = ; σ 5, 5)

Rappelons que ce qui complique le problème est la nature 00000000000 aléatoire de la quantité demandée,
déterminante dans le calcul du profit. En effet, on doit, pour optimiser, savoir comment calculer, pour chaque
valeur de la variable de décision, la valeur correspondante de la fonction-objectif. Cela exige ici de calculer une
valeur espérée, ce qui n’est pas simple.
L’outil qui nous permettra de réaliser ce calcul, du moins approximativement, est la simulation.
simulation

Variables de décision Fonction-objectif

Valeur de q Simulation
Simulation E[profit] estimé

Profit = 50 × min ( q ; D ) + 25 × ( q − min ( q ; D ) ) − 30 × q

N ( µ 30
D = = ; σ 5, 5)

8
MATH 10605 Simulation et optimisation Avant-séance
Nous allons commencer par construire un modèle de simulation Excel pour q = 25. Nous avons inscrit cette valeur
dans la cellule C16 de la feuille C2 - Différents du fichier Excel.
Puisque la quantité demandée est 00000000000
aléatoire et obéit à la loi normale, on doit générer des scénarios de cette
quantité. On prévoit une 000000000
ligne par scénario (la demande simulée et les numéros de cellules sont différents
de ceux montrés dans la capsule).
 Les 8 premières lignes (sur 10 000) sont ici représentées.
 Le gabarit Simulateur permet de générer les 10 000 scénarios
souhaités de la quantité demandée (colonne B). Rappel : Ce sont les
fonctions LOI.NORMALE.INVERSE.N et TABLEAU.ALEA qui sont
utilisées dans cette situation, vous devez être en mesure de les
utiliser par vous-même.
 On peut ensuite calculer le profit (colonne C). Par exemple, pour le
premier scénario, voici la formule Excel qui découle directement de
l’expression mathématique que nous avons établie lors de la
modélisation :
Profit = 50 × min ( q ; D ) + 25 × ( q − min ( q ; D ) ) − 30 × q
= $D$9 *MIN ( C$16, B21 )

= + $D$10 * ( C$16 − MIN ( C$16, B21) )

= − $D$8 * C$16
On réfère bien sûr à la cellule B21 où se trouve la quantité demandée sous le premier scénario. Similairement,
on réfère à la cellule de la quantité commandée (cellule C16), au besoin, de même qu’aux cellules contenant les
données du problème. On fait usage des signes de « $ » à bon escient afin de pouvoir recopier la formule vers le
bas et ainsi calculer le profit sous chaque scénario.

Maintenant, notre objectif est d’évaluer la valeur espérée du profit. On estime cette valeur en calculant la
moyenne de tous les scénarios de profits. Cela donne 486,19$ (avec les nombres de la feuille C2 – Différents).

Nous avons ainsi construit un modèle de simulation qui permet de calculer la fonction-objectif lorsque q = 25.
Nous pouvons maintenant construire un modèle similaire pour chaque valeur de q.

9
MATH 10605 Simulation et optimisation Avant-séance
Modèle de simulation pour chaque q
Par exemple, nous pouvons construire le modèle de simulation pour q = 5, 10, 15, etc. Voir la feuille
C2 – Différents, la demande simulée diffère (pour le moment) de simulation en simulation et diffère des images
de la capsule.

Fixons pour un moment notre attention sur les modèles pour q = 25 et q = 30.

L’estimation du profit espéré 00000000000

n'est pas la même. Il semble 0000000
plus avantageux de commander 30 vestes.
Mais avant de sauter aux conclusions, notons que la variation observée dans le profit moyen s’explique par deux
sources.
1. On a considéré des valeurs de q 000000000000.
différentes
o Si on commande des quantités différentes
différentes de vestes, on peut s’attendre à des profits
différents.
différents
2. On a considéré des scénarios 00000000000
différents de quantité demandée.
o Nous avons généré aléatoirement des scénarios de loi normale pour q = 25 (23, 27, 32, etc.).
o Même principe pour q = 30. Le hasard fait que les scénarios sont différents
différents (34, 43, etc.).

Ultimement, on veut mesurer l’impact du changement de q sur le profit moyen (espéré).

Ainsi, nous sommes heureux d’avoir mis en place un mécanisme qui serve ce but. Cependant, la 0000000000seconde
source de variations est nuisible. Elle 0000000000
augmente l’incertitude et vient réduire notre capacité à comparer le
profit moyen selon les valeurs de q. Il faut donc l’éliminer.

En d’autres mots, pour isoler l’effet de q sur le profit moyen, on veut comparer
différentes valeurs de q, toute autre chose étant maintenue 00000000000.
constante

10
MATH 10605 Simulation et optimisation Avant-séance
Scénarios identiques lorsque q varie
Il est donc primordial de construire le modèle Excel de façon à ce que les scénarios de quantité demandée soient
00000000000
identiques pour les diverses valeurs de q considérées.

On utilise pour cela une seule feuille de calcul Excel (voir la feuille C2 – Identiques). Avec le gabarit, on y génère
uneune
seule fois des scénarios pour les variables aléatoires primaires, ici la quantité demandée (Rappel : Vous
seule fois
devez être en mesure d’utiliser les fonctions Excel appropriées pour simuler ces valeurs par vous-même). Pour
toutes les valeurs de la variable de décision considérée, la mesure de performance, le profit ici, doit être calculé
en utilisant les mêmes scénarios aléatoires. Précisément, on se base ici encore sur l’équation ci-dessous pour
calculer le profit. Nous écrivons la formule Excel pour la cellule C21, en haut à gauche.

Profit = 50 × min ( q ; D ) + 25 × ( q − min ( q ; D ) ) − 30 × q

= $D$9 *MIN ( C$16, $B21) + $D$10 * ( C$16 − MIN ( C$16, $B21) ) − $D$8 * C$16

Les références à la quantité demandée ($B21) réfèrent aux uniques scénarios aléatoires générés. Notez d’ailleurs
les signes de « $ » pour fixer la 000000000
colonne de la quantité demandée. On réfère similairement à la cellule de la
quantité commandée (C$16), en prenant bien soin de fixer la 000000000
ligne avec un « $ ». Les références aux
cellules de données ($D$8, $D$9, $D$10) sont quant à elles fixées au moyen de deux signes de $. En recopiant la
formule vers la droite puis vers le bas, on obtient le profit sous chaque scénario de demande, simultanément
pour toutes les valeurs de q considérées.

Il est maintenant temps d’estimer la fonction-objectif simultanément pour toutes les valeurs de q. On calcule
d’abord le profit moyen lorsque q = 5 à l’aide de la fonction MOYENNE. Ensuite, on recopie la formule vers la
droite et le tour est joué.

11
MATH 10605 Simulation et optimisation Avant-séance
Rappelons que l’objectif est de maximiser le profit espéré. En examinant tous les profits Profit moyen en fonc�on de la quan�té commandée
espérés estimés, on remarque que le plus grand survient lorsque q = 35 vestes sont $600
commandées (voir le tableau de la page précédente ou le premier tableau plus bas sur cette
$500

Profit moyen (es�mé)

page). On peut également visualiser les résultats graphiquement (voir ci-contre). Cela
$400
confirme que le profit moyen est maximisé lorsque 35 vestes sont commandées. Le profit
espéré maximal est estimé à 561$. $300

$200
Remarque : La stratégie que nous avons privilégiée, soit de conserver des scénarios
$100
aléatoires 00000000000
identiques pour chacune des valeurs de q, a pour effet de lisser la courbe
formée par les valeurs estimées de la fonction-objectif. Cela facilite l’identification du $0
0 5 10 15 20 25 30 35 40 45 50 55 60 65
maximum. Quan�té commandée q

Résultats approximatifs
Autre petite remarque, nos résultats reposent sur une simulation 0000000000000.
aléatoire Cela signifie qu’ils sont approximatifs,
approximatifs et qu’ils peuvent
peuvent varier
selon les scénarios simulés. Par exemple, on a répété ci-dessous deux fois toute la simulation de A à Z. On constate des différences dans les résultats. Par
exemple, pour 50 vestes commandées, le profit espéré a été estimé à un montant entre 498$ et 502$ selon l’essai. Ce qui est toutefois très rassurant est
que la décision demeure stable : on prescrit de commander 35 vestes lors de chacun des essais.
Simulation # 1 (associée au graphique ci-dessus)
Quantité commandée q 5 10 15 20 25 30 35 40 45 50 55 60
E[Profit] estimé $100,00 $200,00 $299,90 $398,29 $486,82 $544,75 $561,41 $548,38 $525,20 $500,31 $475,31 $450,31

Simulation # 2 (nouveaux scénarios de la demande par rapport à simulation # 1)

Quantité commandée q 5 10 15 20 25 30 35 40 45 50 55 60
E[Profit] estimé $100,00 $200,00 $299,86 $398,01 $486,46 $545,58 $563,15 $550,24 $527,04 $502,21 $477,21 $452,21

Simulation # 3 (nouveaux scénarios de la demande par rapport aux simulations # 1 et 2)

Quantité commandée q 5 10 15 20 25 30 35 40 45 50 55 60
E[Profit] estimé $100,00 $200,00 $299,88 $398,11 $486,15 $544,23 $559,38 $545,91 $522,88 $498,02 $473,02 $448,02

12 Correction 2
MATH 10605 Simulation et optimisation Avant-séance

Résumé de la capsule 2

Quand un modèle de simulation est utilisé pour calculer une fonction-objectif dans le but d’en optimiser la valeur,
un principe fondamental doit être respecté :

Toujours utiliser la 00000 liste de scénarios générés aléatoirement.

L’idée maitresse est de

comparer les différentes valeurs des variables 00000000000000000000,

toute autre chose étant maintenue 00000000000.

Cela permet en effet de mieux isoler l’effet des variables de décision sur la valeur de la fonction-objectif.

Remarques :
Puisqu’ils reposent sur la simulation aléatoire de scénarios,
 Les résultats sont approximatifs.
 Les résultats peuvent changer si on recommence la simulation de zéro.

Notes complémentaires (à utiliser au besoin)

Exercices (Capsule 2) – Voir le fichier Excel

Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.

Corrigé des exercices – Voir le fichier Excel de solution

13
MATH 10605 Simulation et optimisation Avant-séance

AUTEUR.E.S.

CONCEPTION DES CAPSULES VIDÉOS

Chantal Labbé, Professeure agrégée, département de sciences de la décision

RÉDACTION DU CAHIER D’ACCOMPAGNEMENT

Josué Djossou, Maître d’enseignement, département de sciences de la décision

CORRECTION DU CAHIER D’ACCOMPAGNEMENT

Chantal Labbé, Professeure agrégée, département de sciences de la décision

CONCEPTION DE LA PAGE DE PRÉSENTATION

David Di Pietro, Concepteur pédagogique, DAIP

DATE DE LA DERNIÈRE MODIFICATION

[Novembre 2022]

Réinitialisation du formulaire

Attention : le bouton rouge ci-dessous sert à réinitialiser le formulaire lorsque de la préparation de vos
documents. Cela veut dire que si vous cliquez dessus, vous effacerez toutes les informations préalablement
inscrites dans ce document. Il est donc fortement déconseillé de cliquer dessus, à moins que vous vouliez
volontairement effacer toutes les informations déjà rentrées dans votre version du document.

Reinitialiser le formulaire

14