Vous êtes sur la page 1sur 65

UNIVERSITE NATIONALE DU BENIN FACULTE DES SCIENCES JURIDIQUES ECONOMIQUES ET POLITIQUES (FASJEP)

3me Anne de Sciences Economiques Option : Sciences de Gestion Filires : Toutes

__________________________________________________________________________________________________________________________________________________________________________

TECHNIQUES QUANTITATIVES APPLIQUEES A LA GESTION (Recherche oprationnelle Quantitatve management)


Introduction aux Techniques Quantitatives de Gestion Titre 1: Programmation Linaire (PL) Chapitre 1 : Introduction la Programmation Linaire (PL) Chapitre 2 : Rsolution manuelle des programmes linaires Chapitre 3 : Rsolution informatique Chapitre 4 : Dualit et Complments Titre 2 : Thorie des Graphes (Thorie des Rseaux) Chapitre 1 : Elments fondamentaux de la thorie des graphes Chapitre 2 : Mthodes dordonnancement Chapitre 3 : Problmes daffectation Titre 4 : Phnomnes dattente Chapitre 1 : Introduction aux phnomnes dattente Chapitre 2 : Etude gnrale des phnomnes dattente

Titre 5 : Gestion des stocks Chapitre 1 : Introduction la gestion de stock Chapitre 2 : Formalisation du cot de gestion de stockage Chapitre 3 : Gestion du stock dun produit

Titre 3 : Thorie des Jeux Chapitre 1 : Notion Gnrales Chapitre 2 : Jeux de deux personne somme nulle Chapitre 3 : Choix dun critre dans lincertitude

CONCLUSION : Limites des mthodes quantitatives et perspectives

Document disponible sur internet ladresse ci-dessous

http://www.softlabo.org/TheMag/Cours/TQAGSE3.PDF
Disclaimer : Ce document et fourni tel quel . Des mises jour peuvent tre disponibles.
__________________________________________________________________________________________________________________________________________________________________________

1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion Page 2 ______________________________________________________________________________________________________________________________________________________

SYLLABUS
I - OBJECTIF
I - 1 Objectif Gnral Le cours de Techniques Quantitatives Appliques la Gestion a pour objectif gnral de systmatiser le raisonnement de ltudiant dans la prise de dcision de gestion. Il sagit de : - modliser le processus de dcision - de dterminer les outils appropris - de rsoudre le problme de gestion - de commenter la solution en prcisant ses limites. Le flou artistique ou flair qui prsidait la prise de dcision est ainsi supprim, sinon minimis grce une exploration systmatique des opportunits et leurs consquences. Mme en avenir incertain, le gestionnaire dispose de moyens qui lui permettent de prendre une dcision claire par la connaissance des tats de la nature et des cots dopportunits de la dcision. I - 2 Objectif Spcifique Lobjectif spcifique est la matrise des outils modernes utiliss dans la rsolution des problmes de gestion dans lentreprise. Ces outils sont classs selon le genre de problme. Lobjectif spcifique de chaque chapitre est prcis au dbut du cours. Il sagit de : - dtecter les types de problmes dont la formalisation ncessite loutil dvelopp dans le chapitre, - tudier les fondements thoriques de loutil - appliquer loutil sur un ou plusieurs exemples dtaills - faire une ouverture sur les problmes ou solutions connexes.

II - METHODOLOGIE DENSEIGNEMENT
Chaque cours est organis en 5 parties 1 - Prsentation du concept et de ses fondements thoriques 2 - Un exemple introductif pris dans le domaine de la gestion 2 - Un exemple approfondi ou complexe 4 - Complments thoriques et autres voies de recherches 5 - Exercices non corrigs titre dentranement la modlisation et la prise de dcision. Les tudiants recevront des polycopis du cours. Lessentiel sera prsent au tableau par le professeur. Les tudiants pourront poser toutes les questions qui leur semblent utiles pour matriser les concepts. Au dbut de chaque cours, une sance dune dizaine de minutes sera rserve pour des questions ponctuelles sur le cours prcdent. Une sance de TD est prvue aprs 3 sances de cours soit une fois par mois. Les tudiants auront reu les exercices lavance et les auraient traits dans un cahier dexercice. La prsence aux cours et aux TD est vivement recommande, mais demeure facultative.

III - EVALUATION
Lvaluation est faite conformment aux rgles en vigueur la Facult. Lexamen sera fait lcrit sur des copies anonymes.

IV - CONTENU DU COURS (Cf. ci-aprs) V - BIBLIOGRAPHIE (Cf. ci-aprs)

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 3 _________________________________________________________________________________________________________________________________________________________

- BIBLIOGRAPHIE
1 - Ouvrage rcapitulatif (Ouvrage de base) - AZOULAY P., DASSONVILLE P., Recherche Oprationnelle de Gestion, Collection Themis-Gestion, Presses Universitaires de France (PUF), Paris 1976, Tome 1 : Recherche oprationnelle en environnement certain Tome 2 : Recherche oprationnelle en environnement incertain 2 - Ouvrages de Recherche Oprationnelle et de mathmatiques conomiques - ARCHER J., GARDELLE J., Programmation Linaire, Dunod Dcision, 1983 - AXELROD Robert, Donnant Donnant : Thorie du Comportement coopratif, Nopuveaux Horizons/Odile Jacob, Paris 1992 - BRABB Georges J., Introduction to Quantitative Management, Holt, Rinehart and Winston, New York 1970 - CHIANG Alpha C., Fundamental Methods of Mathematical Economics, McGrawHill, New-York, 1984, Programmation mathmatique (Part.6 ) : Programmation Linaire (Ch.19), - DEBAZEILLE Grard., Exercices et Problmes de Recherche Oprationnelle, Dunod, Paris 1976 - FOURASTIE Jacqueline, Exerces de mathmatique appliques lconomie avec solutions et rappels de cours, Collection Module, DUNOD, 3me dition, Paris 1987 - GOUJET C., NICOLAS C., Mathmatiques appliques : Probabilits - Initiation la Recherche Oprationnelle, Collection BTS Comptable - IUT de Gestion - HELARY J.M., PEDRONO R. , Recherche Oprationnelle, Exerces corrigs, Hermans, Paris, 1983, - KAUFMANN A. FAURE R., Invitation la recherche oprationnelle, Dunod Entreprise, Paris 1987 - THIREZ Herv, Initiation au Calcul conomique, Collection Economie-Module, DUNOD, Paris 1984 - THIREZ Herv, Comprendre et Utiliser les modles de gestion Collection Dcision-Gestion, DUNOD, Paris 1986 - THIMONIER Claude, Cours de Mathmatiques, Expertise comptable, nouveau rgime (DPECF-DECF) - BTS Comptabilit Gestion - BTS Services informatiques Editions Scientifiques et Juridiques Paris 1999 - VARIAN Hal R., Introduction l'analyse microconomique, Nouveaux horizon/De Boeck Universit, Bruxelles 1992 (Chapitre 26 - La thorie des jeux

3 - Ouvrages de gestion appliquant les techniques quantitatives - BARBOT A., GOURVEST A., Prparation au DECF, Epreuve N 7, : Contrle de gestion, Exercice, Vuibert Compta, Vuibert, Paris 1990, 189 pages. Chapitre 3 : Le simplexe - DARBELET M., et LAUGINIE J.M., Economie dEntreprise, Enseignement suprieur, Foucher, Paris 1988 Tome 1 : Programmation linaire, Thorie des graphes (dcisions squentielles) Tome 2 : Chapitre 5 : Les outils daide la dcision : Thorie des graphes (dcisions squentielles), Analyse multicritre, Dcision en avenir incertain - KOUPHIN C., LANHA M., Comptabilit Analytique dExploitation et Gestion Prvisionnelle, Cotonou, 1991 : Cas N 11 : Budget flexible : Aide la dcision, Cas N 14 : Cot marginal, Cas N 19 : Budget de Production - Programmation linaire, Cas N 20 : Budget des investissements, Evaluation multicritre, Cas N 22 Etude conomique et budgtaire des approvisionnements - VIZZAVONNA Patrice, - Tome 3 : Etudes de cas corrigs de Gestion financire et dvaluation des entreprises, Atol, Paris 1992 Point mort, Seuil de rentabilit, Cas n 6 Gestion de stocks : cas n7,8,9 - Formule de Wilson, Intervalle de confiance Programmation linaire : cas n 18 - rsolution graphique, cas n 19 algorithme du simplexe, Thorie des graphes : cas n 21,22 - PERT Thorie de Jeux et de la dcision : cas n 20 - dcision multi-hypothses, cas n 23 - Critres de Laplace (Esprance mathmatique) de Wald (MaxiMin : critre pessimiste et MaxiMax : critre optimiste), de Hurwicz (Pondration), de Savage (MiniMax) 4 - Ouvrages informatiques - Louis ABRAHAM, Traitement des donnes au CPECEF, CLET-BANQUE, Paris 1986. Chapitre 5 : Tables de dcision - FROT Pierrot, 3 Systmes experts en Turbo Pascal Utile, SYBEX 1990 - REIX Robert, Informatique applique la gestion, FOUCHER, PARIS 1990 Tome 2 - Arbre de dcision (p.147) - Table de dcision (p.150), Systme Interactif daide la Dcision - SIAD (p.22)

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 4 _________________________________________________________________________________________________________________________________________________________

INTRODUCTION AUX TECHNIQUES QUANTITATIVES DE GESTION


1 - Ncessit des techniques Quantitatives en Gestion Le Gestionnaire est amen prendre des dcisions quotidiennement. Certaines concernent le court terme, dautres le long terme. Celles-ci sont dites stratgiques. Les consquences des erreurs de dcision son graves. Dcider de produire 100 units de bien prissable alors que la quantit pouvant tre vendue dans le temps de premption est de : * 10 entrane une perte de 90 units non vendues * 1000 entrane un manque gagner ou cot dopportunit de 900 units non vendues.

Ex 2 : Le problme peut tre dfini autrement : Etant donn que chaque quantit produite rapporte un bnfice de 10 F si elle est vendue ou une perte de 50 F (prix de revient) si elle nest pas vendue, qu elle est la quantit produire ? 2 - Dterminer les hypothses et/ou limitations qui affectent la solution Ex : La demande d'un bien est inconnue et alatoire. Se rfrant ltude E...., on postule quelle suit une loi L de paramtres p. Il est vident que dans ce cas, toute solution est automatiquement dpendante de la loi postule, des paramtres choisis, des valeurs attribues ces paramtres.... 3 - Identifier les actions possibles Existe-t-il un intervalle de variation du nombre dunits ? A quel ensemble appartiennent les solutions possibles. Dans lexemple, la solution doit tre entire. 4 - Isoler le critre de dcision Parfois il est facile de trouver un critre : Maximiser le bnfice par exemple. Mais parfois, sinon souvent plusieurs critres sont candidats et on ne peut en retenir un seul. Cest le cas incertitude o plusieurs critres sont proposs, chacun ayant sa part de logique : Esprance mathmatique - critre pessimiste MaxiMin : - critre optimiste : MaxiMax - MiniMax - Pondration des critres cidessus par modulation des doses doptimisme et de pessimisme. 5 - Dterminer et comparer les possibilits Il faut rsoudre le problme et analyser la solution. Y a-t-il une solution unique ou un ensemble de solutions ? Dans ce dernier cas, laquelle choisir en dfinitive ? La solution est-elle raliste selon des critres qui nont pas t pris en compte dans la modlisation (le facteur humain ou sociologique par exemple ) ?

Cet exemple introductif montre qutre en dessous peut tre aussi grave qutre au dessus de la bonne valeur dite valeur optimale. Lexemple expose aussi lasymtrie entre selon la valeur dcide par rapport la valeur optimale : alors que dans le premier cas il y a une perte financire relle gale au cot de revient des 90 units invendues, dans le second cas, la perte est psychologique , le bnfice quon aurait pu gagner sur 900 units. Cette asymtrie induit aussi des comportements prudent s optimaux (Rgle MiniMax en Thorie des jeux par exemple). Les techniques quantitatives apportent au gestionnaire une mthode et des outils dans la prise de dcision. La mthode est induite par la modlisation, puis la formalistion ncessaires lutilisation des mthodes quantitatives. Les outils sont les techniques utilises pour rsoudre le problme formalis. 2 - Les tapes de la prise de dcision rationnelle La prise de dcision rationnelle se fait par tapes ; certaines tapes tant parfois confondues selon le type de problme. Georges BRABB [ ] suggre les tapes ciaprs : 1 - Dfinir le problme Ex 1 : Combien faut-il produire ? La dfinition du problme revient indiquer un objectif atteindre

6 - Prendre la dcision Ex : On va produire 50 units. 7 - Mettre en uvre la dcision On produit 50 units

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 5 _________________________________________________________________________________________________________________________________________________________ 8 - Piloter les rsultats de la dcision (Monitoring) Il faut valuer les rsultais rels obtenus par la mise en uvre de la dcision et dterminer leur incidence sur le processus mme de dcision. A lexprience : - si on admet que la demande suit une loi L, le paramtre nest pas p mais q. - le facteur humain doit tre intgr au modle comme contrainte que doit satisfaire la solution - le prix de revient est de 48 F - etc. La prise en compte de ces faits nouveaux permet damliorer le modle (processus dapprentissage). * par dfaut * ou par excs ? Exemple : Lorsque la solution mathmatique X gale 2,5, combien davions faut-il produire ? 2 ou 3 avions ou ne pas en produire du tout (X=0) car 2,5 nappartient pas IN, lensemble de dfinition de X ? Il ny a pas de rponse a priori ces questions. Il revient au modliste de prciser lavance, les rponses dans le cas despce. 3.2.2 Modlisation du qualitatif 3 - La modlisation : du monde rel aux outils de dcision 3.1 - Dfinition La modlisation consiste reprsenter le phnomne rel sous forme symbolique. Le symbolisme utilis dans les Techniques Quantitatives de Gestion est le symbolisme mathmatique. On parle aussi de formalisation. Les 4 premires tapes ci-dessus font partie de la modlisation. Au cours ce ces tapes il faut : - dfinir les variables, les constantes, les paramtres - dfinir les objectifs en fonction des variables - dfinir les contraintes en fonction des variables Chacune de ces trois types de dfinition fait appel la modlisation. Dans le passage du rel au modle, plusieurs niveaux dabstraction entrent en jeu. On postule mme plusieurs modles (et non un seul). 3.2 Modle quantitatif et Modle qualitatif 3.2.1. Modlisation du quantitatif Lattitude dun individu face au risque dun homme par exemple est une variable qualitative. Comment la formaliser ? En prenant un critre de dcision optimiste ou pessimiste dans lexemple 1, on modlise ainsi lattitude de lindividu. La logique binaire puis la logique floue permettent de formaliser le qualitatif. Attitude Pessimiste Combinaison Convexe Optimiste Valeur logique 0 (avec 0 << 1) 1 Valeur absolue X X + (1-) Y Y

est ici le degr d'optimisme. 3.3 Modlisation du connu et de linconnu 3.3.1 Modlisation du connu Le comportement du phnomne peut tre connu. Cest le cas par exemple des quations comptables ou rgles dquilibre. Exemple : Soit rpartir une quantit de bien entre trois centres en proportion

, inconnues.

- La rgle dpuisement exige que la somme des parties fasse lunit : Elle consiste trouver un ensemble de dfinition des valeurs de la variable : , , ou par exemple. La plupart des problmes de gestion sont variable entire + + = 1. alors que les outils sont valeur continue. Lorsque la rsolution du problme - La faisabilit exige que la somme des parts soit infrieure ou gale lunit : + donne une solution non entire pour une variable entire par nature, faut-il considrer : + 1. - quil ny a pas de solution - ou tronquer la solution la valeur entire ? Dans ce cas larrondi se fera-t-il la valeur * la plus proche ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 6 _________________________________________________________________________________________________________________________________________________________ 3.3.2 Modlisation de linconnu Lorsque le phnomne ne suit pas une rgle connue on essai de lapproximer par une loi. Exemple y = f(X) o X est un vecteur de n composantes ou n-uplet. y = f(x1, x2,..., xn) f peut tre (approxime par) une fonction connue. Exemple : les arrives des clients suivent une loi de Poisson de paramtre = 2 (arrives par minutes). Si le paramtre est inconnu il faut encore construire un modle pour le connatre ou lestimer. Lorsque f est inconnue, on procde son estimation. LEconomtrie est une principale source destimation des relations entre variables expliques (dpendante, endogne) et explicatives (indpendante, exogne). Note : Compte tenu de son importance et de son tendue, lEconomtrie qui est aussi une technique quantitative de dcision est tudie en 4me anne. De manire schmatique, lconomtrie peut nous difier sur : - la forme de la fonctionnelle : f est-elle une forme linaire, exponentielle, logarithmique, ou variables dcales dans le temps par exemple ? - quelles sont les variables explicatives significatives (pertinentes) du phnomne ? Ex : y = f(x1, x2, x3) - quelles sont alors les valeurs des paramtres de la fonctionnelle ? Ex : dans la rgression linaire : y = 2 x1,- 5x2,+ x3 2, -5 et 1 sont les coefficients des x1, x2, x3, dans la composition du phnomne quantifi par y. 3.4 Modlisation du certain et de lincertain 3.4.1 Modlisation du certain La plupart des exemples de modlisation ci-dessus procdent du certain. Le modle est dit dterministe. 3.4.2 Modlisation de lincertain Dans la ralit, plusieurs phnomnes tudis en gestion comportent un facteur alatoire. Le nombre darrives par minute, le nombre dunits qui peuvent tre vendues en une unit de temps, sont incertains. Ce sont des phnomnes probabilistes. On parle de processus stochastique. La Statistique et la Probabilit sont des branches des mathmatiques appliques qui apportent une aide pour formaliser ces phnomnes. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA Pour modliser lincertain en Finance, on utilise le concept dtats de la nature. Ex : Sil pleut au cours dune priode, le revenu de laction dune entreprise produisant des parapluies sera de 20 ; sinon il sera de 5. Etat s de la nature S1 : Il pleut au cours de la priode S2 : Il ne pleut pas au cours de la priode Revenu de laction 20 5 Probabilit de ralisation 1-

En incertitude la prise de dcision comprend donc un risque. 4 - Typologie des outils quantitatifs de dcision Les techniques quantitatives de gestion sont nombreuses. Dans ce cours, les outils tudier sont : Titre 1: Programmation Linaire (PL) Titre 2 : Thorie des Graphes (Thorie des Rseaux) Titre 3 : Thorie des Jeux Titre 4 : Phnomnes dattente Titre 5 : Gestion des stocks

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 7 _________________________________________________________________________________________________________________________________________________________ 1.1.3 - Spcification des contraintes : Contraintes de signe : X1 > 0, X2 > 0. Contraintes de temps dans la section Montage X1 units de PT133 : 4 heures * X1 X2 units de DX4100 : 3 heures * X2 Le total: 4X1 + 3 X2 doit tre infrieur ou gal aux disponibilits de 3.600 4 X1 + 3 X2 3.600 Contraintes de temps dans la section Test En reprenant le raisonnement prcdent, on trouve : 2 X1 + X2 1.400 Contrainte de commercialisation X1 500 et X2 1.500 1.1.4 - Rsum du programme Max Z = 4.500 X1 + 3.000 X2 Sous les contraintes : 4 X1 + 2 X1 + X1 X1 1.1.5 Ecriture matricielle 3 X2 X2 X2 X2 3.600 1.400 500 1.000 0 0

Titre 1: Programmation Linaire (PL) Chapitre 1 : Introduction la Programmation Linaire


1. Exemples introductifs 1.1 - Maximisation (Exercice adapt de KOUPHIN C., LANHA M. [ ], Cas N 19) La firme MAGIX monte sous licence deux types dordinateurs compatibles IBM : le PT133 et le DX4100. Elle vous consulte pour lui rsoudre un problme de dcision conomique. Dans une premire tape, vous avez eu recenser les informations suivantes. Les ordinateurs sont monts dans la section Montage puis svrement tests dans la section Test. Il faut 4 heures pour monter le PT133 et 3 heures pour le DX4100. Le test du PT133 prend 2 heures tandis que celui du DX41000 nen prend quune. La section montage ne peut travailler plus de 3.600 heures par an tandis que la section Test ne peut dpasser 1.400 heures dactivit. La firme MAGIX ne peut couler plus de 500 PT133 ni plus de 1000 DX4100 par an. Elle ralise un bnfice de $ 4.500 sur le PT133 et de $ 3.000 sur le DX4100. Ltape suivante consiste modliser le problme sous forme mathmatique 1.1.1 - Choix des variables : Soit X1 la quantit de PT133 et X2 celle de DX4100. 1.1.2 - Dfinition de la fonction conomique et lobjectif Bnfice sur les PT133 : 4.500 X1 Bnfice sur les PT133 : 3.000 X2 La fonction conomique est le Bnfice Total Z = 4.500 X1 + 3.000 X2 Lobjectif est de maximiser le bnfice total : Max Z = 4.500 X1 + 3.000 X2

4 2 1 0

3 x 3600 1 1400 0 500 1 y 1500

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 8 _________________________________________________________________________________________________________________________________________________________ 1.2 - Minimisation Extrait de AZOULAY P., DASSONVILLE P. [ ], La socit Enzymer fabrique des lessives et les commercialise en France. Une tude de march a montr que limpact des divers mdias pouvait tre caractris par le tableau suivant : Media Tl Radio Presse Audience (millions) 10 1 2 Audience fminine Cot par annonce (millions) (millier de F) 7 500 0,6 60 0,8 65 1.2.3 Ecriture matricielle

10 1 2 7 0,6 0,8 1 0 0 0 1 0 0 0 1 2. Dfinitions

14 x 0 0 x 0
x1 24
2 3

Le Directeur commercial dEnzymer cherche dterminer le budget de publicit minimum qui lui permette datteindre le public quil sest fix : au moins 20 millions de personnes dont au moins 14 millions de femmes. Solution (partielle) 1.2.1 - Choix des variables Soient xi, le nombre respectif dannonces dans le mdia de rang i x1 -> tl x2 -> radio, x3 -> presse. 1.2.2 - Formulation de la fonction conomique et de lobjectif Min Z = 500x1 + 60x2 + 65x3 Sous les contraintes : 10x1 + x2 7x1 + 0,6x2 x1 x2

2.1 - Dfinition mathmatique On appelle problme de programmation linaire, tout problme dans lequel il sagit doptimiser (cest--dire maximiser ou minimiser selon le cas) une fonction plusieurs variables , linaire par rapport lensemble de ces variables, celles-ci devant satisfaire un ensemble de contraintes linaires. f/xi = cst pour i = 1,2,...n 2.2 - Typologie des formes de programmes linaires En ignorant les contraintes de signe, 2.2.1 Forme canonique : AX B ou (exclusif) 2.2.2 Forme standard : AX = B 2.2.1 Forme mixte : En dcomposant A en sous matrice de mme nombre de colonnes que A en plusieurs groupes de lignes A1, A2, A3, le programme est sous forme mixte s'il contient au moins deux des trois formes ci-dessous : A1X B1 A2X = B2 A3X B3 AX B

+ +

2 x3 0,8 x3 x3

20 14 0 0 0

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 9 _________________________________________________________________________________________________________________________________________________________

Chapitre 2 : Rsolution manuelle des PL


1. Rsolution graphique : cas o il y a 2 variables de choix

- tre unique : solution unique - ne pas exister : pas de solution - tre un segment de droite : une infinit de solutions. 1.2 - Minimisation : Cas Enzymer ( traiter titre d'exercice)

1.1 - Maximisation : Cas MAGIX 2. Algorithme de simplexe : Mthode des tableaux ou du pivot 2.1 - Principes de base - Mthode dveloppe par Dantzig - Principe : connaissant une solution de base (ralisable donc), rechercher de faon itrative, une solution amliore (Z>0 pour un maximum, Z<0 pour un minimum), jusqu' l'optimum. - Ncessit de la connaissance d'une solution de base. Deux mthode seront tudies pour obtenir une solution de base : mthode du programme auxiliaire et mthode des pnalits. - Forme simpliciale : Un programme est dit sous forme simpliciale si : - elle est sous forme standard - et les constantes du second membre sont toutes positives Le programme doit tre mis sous forme simpliciale avant l'utilisation de l'algorithme de simplexe. 2.2 - Expos de la mthode partir du cas de la firme MAGIX 1.1.1 Mthode "algbrique" Il faut rechercher les coordonnes prcises des sommets du polydre convexe et valuer Z chacun des sommets : Z= 4500 X1 + 3000 X2 O (0,0) => Z(O) = 0 A(0,1000) => Z(A)= 3.000.000 B(150,1000) => Z(B)= 3.675.000 C(300,800) => Z(C)= 3.750.000 Max D(500,400) => Z(D)= 3.450.000 E(500,0) => Z(E)= 2.250.000 Le maximum de bnfice est obtenu pour une production de X1=300 (PT133) et X2=800 (DX4100), soit un bnfice de $ 3.750.000. 1.1.2 Mthode "graphique" Il faut tracer la droite associe la ligne de niveau Z = 4.500 X1 + 3.000 X2 = k pour k=0. et la dplacer paralllement elle-mme en l'loignant de l'origine jusqu' obtenir une tangente un sommet du polydre convexe. Une telle tangente peut : 2.2.1 - Mise sous forme standard Les inquations sont transformes en quations par l'introduction de variables d'cart positives. Max Z = 4.500 X1 + 3.000 X2 sous X1 X2 e1 4X1 2X1 X1 + 3X2 + X2 X2 + e1 +e2 +e3 +e4

e2

e3

e4

Signe = = = =

Bk 3.600 1.400 500 1000

2.2.2 - Application (Voir page entire en annexe) La premire ligne du tableau exprime les manipulations de Gauss effectues. 2.2.3 - Variable entrante et critre d'arrt et d'optimalit

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 10 _________________________________________________________________________________________________________________________________________________________ ligne de niveau la plus proche de l'origine est tangente en un seul sommet du polydre convexe. - sinon, il y a une infinit de solutions, car n'importe quelle autre variable ayant un coefficient nul sur la ligne Z peut (ou aurait pu) entrer la place d'une variable de base affectant les valeurs des autres variables de base tout en gardant Z constant. C'est le cas lorsque la ligne de niveau la plus proche de l'origine est confondue tout un segment de la frontire du polydre convexe. * S'il existe un lment de la ligne Z strictement ngatif tel que les lments de la colonne correspondante sont tous ngatifs ou nuls, le problme n'a pas de solution optimale finie, car il ne peut pas avoir de variable sortante (Cf. cidessous). Ce cas "normalement" exclus du fait mme de la nature des programmes conomiques se produit quand il y a erreur de modlisation. * S'il existe un ou plusieurs lments de la ligne Z strictement ngatifs, on poursuit le processus itratif, jusqu' aboutir l'un des deux cas ci-dessus. 2.2.3 - Variable sortante La variable sortante est toujours celle qui correspond la valeur finie positive la plus petite de la colonne B/k "colonne entrante", qu'il s'agisse de maximiser ou de minimiser la fonction conomique. Comme ce rapport doit toujours tre strictement positif, on comprend pourquoi il ne peut avoir de variable sortante: - dans le cas du maximum, S'il existe un lment de la ligne Z strictement positif tel que les lments de la colonne correspondante sont tous ngatifs ou nuls (Cf. ci-dessus). - dans le cas du minimum, S'il existe un lment de la ligne Z strictement ngatif tel que les lments de la colonne correspondante sont tous ngatifs ou nuls 2.2.4 Pivot et transformation de Gauss Le pivot est la valeur situe l'intersection de la variable entrante et la variable sortante de la base. Le nouveau tableau est construit en rendant unitaire le pivot et en faisant les transformations de Gauss ncessaires pour avoir partout 0 dans la colonne pivot y compris sur la ligne Z de la fonction conomique (Cf. application au cas MAGIX). 2.3 - Recherche d'une solution de base ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

- Pour un maximum, la variable entrante est celle qui, dans le tableau, a l'lment strictement positif le plus grand sur la ligne de la fonction conomique (appel ligne Z ci-aprs). Les valeurs des variables de la base tant toujours positives, celle ayant le coefficient positif de Z le plus lev augmentera plus que les autres la valeur de la fonction conomique. * Si tous les lments de la ligne Z sont ngatifs ou nuls, le programme est optimal : - si les seuls lments nuls de la ligne Z correspondent aux variables de base (ou d'cart), alors le maximum est unique. C'est le cas lorsque la ligne de niveau la plus loigne de l'origine est tangente en un seul sommet du polydre convexe. - sinon, il y a une infinit de solutions, car n'importe quelle autre variable ayant un 0 pour la ligne Z peut (ou aurait pu) entrer la place d'une variable de base affectant les valeurs des autres variables de base tout en gardant Z constant. C'est le cas lorsque la ligne de niveau la plus loigne de l'origine est confondue tout un segment de la frontire du polydre convexe. * S'il existe un lment de la ligne Z strictement positif tel que les lments de la colonne correspondante sont tous ngatifs ou nuls, le problme n'a pas de solution optimale finie, car il ne peut pas avoir de variable sortante (Cf. cidessous). Ce cas "normalement" exclus du fait mme de la nature des programmes conomiques se produit quand il y a erreur de modlisation. * S'il existe un ou plusieurs lments de la ligne Z strictement positifs, on poursuit le processus itratif, jusqu' aboutir l'un des deux cas ci-dessus.

- Pour un minimum, la variable entrante est celle qui dans le tableau a le coefficient (sur la ligne Z) strictement ngatif le plus grand en valeur absolue. Les valeurs des variables de la base tant toujours positives, celle ayant le coefficient ngatif de Z le plus lev en valeur absolue diminuera plus que les autres la valeur de la fonction conomique. * Si tous les lments de la ligne Z sont positifs ou nul, le programme est optimal : - si les seuls lments nuls de la ligne Z correspondent aux variables de base (ou d'cart), alors le minimum est unique. C'est le cas lorsque la

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 11 _________________________________________________________________________________________________________________________________________________________

La formulation de certains programmes est telle qu'il n'y a pas de solution de base vidente. C'est le cas surtout pour les problmes de minimisation et de faon gnrale, quand des contraintes sont sous forme soit d'galit, soit sous forme de supriorit. Les programmes de maximisation peuvent donc aussi tre concerns. Deux mthodes manuelles sont couramment utilises pour trouver une solution de base ralisable. 2.3.1 - Mthode du programme auxiliaire ou rsolution en deux tapes On construit un programme auxiliaire avec des variables artificielles, - un objectif auxiliaire ne contenant que les variables artificielles ai - on minimise le programme auxiliaire : Min ai Le programme obtenu est une solution de base ralisable. On reprend alors les coefficients originaux de la fonction conomique et on rsout le programme dont l'objectif peut tre de minimiser ou de maximiser la fonction conomique. Application : Cas AZOULAYVILLE (Min) Min Z = 3x1 + 2x2 + 5x3 sous les contraintes x10 , x20 , x30 + x2 + 2x3 x1 + 3x2 + x3 x1 Etape 0.1 : Mise sous forme standard Min Z = 3x1 + 2x2 + 5x3 sous les contraintes x10 , x20 , x30, e10, e20 x1 + x2 + 2x3 - e1 x1 + 3x2 + x3 Il n'y a pas de solution de base ralisable.

Etape 1 : Construction et rsolution du programme auxiliaire Min Z = a1 + a2 x10 , x20 , x30, e10, e20, a10, a20 x1 + x2 + 2x3 - e1 +a1 = 15 x1 + 3x2 + x3 - e2 + a2 = 10 A l'tape 1, on cherche toujours minimiser la fonction objectif que l'objectif initial soir de type max ou min. La rsolution est faite en annexe. 2.3.2 - Mthode des pnalits Rappel : Il n'est ncessaire d'introduire de variable artificielle (toujours positive) que dans les cas o la contrainte est sous forme d'galit (=) ou de supriorit (). Dans la nouvelle quation, la variable artificielle est affecte du signe du second membre. Pour un Max, on construit un objectif Z = CX - Mai. M est une constante positive arbitrairement grande qui tend rduire la fonction conomique, tant que les variables artificielles sont dans la base. On dit qu'on pnalise la fonction objectif, d'o le nom de la mthode. Pour un Min, on construit un objectif Z = CX + Mai. M est une constante positive arbitrairement grande qui tend augmenter la fonction conomique, tant que les variables artificielles sont dans la base. On dit qu'on pnalise la fonction objectif, d'o le nom de la mthode.

15 10

- e2

= =

15 10

Etape 0.2 : Introduction des variables artificielles Note : Il n'est ncessaire d'introduire de variable artificielle (positive) que dans les cas o la contrainte est sous forme d'galit (=) ou de supriorit (). Dans la nouvelle quation, la variable artificielle est affecte du signe du second membre.. Min Z = 3x1 + 2x2 + 5x3 sous les contraintes x10 , x20 , x30, e10, e20, a10, a20 x1 + x2 + 2x3 - e1 +a1 = 15 x1 + 3x2 + x3 - e2 + a2 = 10 Il existe une solution de base ralisable, mais qui ne contient que des variables artificielles. On peut commencer l'tape 1 de l'algorithme de simplexe.

Application : Cas AZOULAYVILLE : Min Min Z = 3x1 + 2x2 + 5x3 + Ma1 + Ma2 sous les contraintes x10 , x20 , x30, e10, e20, a10, a20 x1 + x2 + 2x3 - e1 +a1 x1 + 3x2 + x3 - e2 avec M arbitrairement grand. (Rsolution en annexe)

+ a2

= =

15 10

3. Travaux de post-optimisation et interprtation conomique Ces tudes seront faites au chapitre 3 travers les rapports du Solveur (Rapport des rponses, Rapport de la sensibilit, Rapport des limites) et au chapitre 3 lors de l'tude des proprits du dual en rapport avec le primal et de l'interprtation conomique du dual.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion Page 12 ______________________________________________________________________________________________________________________________________________________


RESOLUTION DU PROGRAMME MAGIX PAR LA METHODE DU SIMPLEXE : Approche Tableaux Etape 1 : La base est constitue des seules variables d'cart Formule Base x1 x2 e1 L1 e1 4 3 1 L2 e2 2 1 0 L3 e3 1 0 0 L4 e4 0 1 0 L5 Fonction co. 4500 3000 0 Pivot x1 entre dans la base et e3 en sort

e2 0 1 0 0 0

e3 0 0 1 0 0

e4 0 0 0 1 0

R 3 600 1 400 500 1 000 0

R/Bk Le vecteur 900 sortant a 700 toujours le 500 Min #DIV/0! des R/Bk>0 Sommet O(0,0) Z=0

Pour un Max la col. entrante est dtermine par ce cj le plus fort

Etape 2 : Une variable de choix entre dans la base Formule Base x1 x2 L1'=-4*L3+L1 e1 0 3 L2'=-2*L3+L2 e2 0 1 L3'=L3/Pivot 1 0 x1 L4'=L4 e4 0 1 L5'=-4500L3+L5 Fonction co. 0 3000 x2 entre dans la base et e2 en sort Pivot

e1 1 0 0 0 0

e2 0 1 0 0 0

R/Bk 533.333333 400 #DIV/0! 1000 Sommet E(500,0) Z=2.250.000 Z est la valeur oppose de celle du tableau

e3 -4 -2 1 0 -4500

e4 0 0 0 1 0

R 1 600 400 500 1 000 - 2 250 000

Etape 3 : Une seconde variable de choix entre dans la base Formule Base x1 x2 e1 L1'=-3*L2+L1 e1 0 0 1 L2'=L2/Pivot 0 1 0 x2 L3'=L3 1 0 0 x1 L4'=-L2+L4 e4 0 0 0 L5'=-3000L2+L5 Fonction co. 0 0 0 e3 entre dans la base et e2 en sort

e2 -3 1 0 -1 -3000

e3 2 -2 1 2 1500

e4 0 0 0 1 0 Pivot

R 400 400 500 600 - 3 450 000

R/Bk 200 200 500 300 Sommet D(500,400) Z=3.450.000

Etape 4 : Une variable d'cart entre nouveau dans la base car on est pas encore l'optimum Formule Base x1 x2 e1 e2 e3 e4 R L1'=L1/2 e3 0 0 0.5 -1.5 1 0 200 L2=2*L1+L2 0 1 1 -2 0 0 x2 800 L3'=-L1+L3 1 0 -0.5 1.5 0 0 x1 300 L4'=-2*L1+L4 e4 0 0 -1 2 0 1 200 L5'=-1500L1+L5 Fonction co. 0 0 -750 -750 0 0 - 3 750 000 Tous les coefficients dans la fonction conomique sont ngatifs ou nul => Maximum Les coefficients nuls de Z correspondent uniquement aux variables de base : le maximum est unique

R/Bk

Sommet C(300,800) Z=3.750.000

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 13 _________________________________________________________________________________________________________________________________________________________


RESOLUTION DU PROGRAMME AZOULAYVILLE PAR LA METHODE DU PROGRAMME AUXILIAIRE (EN 2 ETAPES) Etape 1.a : La base est constitue des seules variables artificielles Formule Base x1 x2 x3 e1 L1 a1 1 1 2 -1 L2 a2 1 3 1 0 L3 Faux Min 0 0 0 0 L4=L3-L1-L2 Faux Min -2 -4 -3 1 Le vecteur R/Bk sortant a 15 toujours le 3.33333333 Min des R/Bk>0

e2 0 -1 0 1

a1 1 0 1 0

a2 0 1 1 0

R 15 10

Une variable de base doit avoir des coefficients nuls sur la ligne Z, d'o la transformation ci-dessous qui permet d'avoir des 0 pour a1 et a2

-25

x2 entre dans la base et a2 en sort Etape 1.b Formule L1'=-L2'+L1 L2'=L2/3 L3'=4*L2'+L3

Pour un Min la col. entrante est dtermine par le cj le plus ngatif

Base a1 x2 Faux Min

x1 0.66667 0.33333 -0.66667

x2 0 1 0

x3 1.667 0.333 -1.667

e1 -1 0 1

e2 0.333333333 -0.33333333 -0.33333333

a1 1 0 0

R 11.67 3.333 -11.67

R/Bk 7 10

x3 entre dans la base et a1 en sort Etape 1.c Formule Base L1''=L1'/(5/3) x3 L2''=L1'/3+L2 x2 L3''=(5/3)*L1'+L3 Faux Min

Inutile de garder la variable artificielle qui sort de la base x1 0.4 0.2 0 x2 0 1 0 x3 1 0 0 e1 -0.6 0.2 0 e2 0.2 -0.4 0 R 7 1 0 R/Bk 35 -2.5

Une solution de base ralisable est : x1=0, x2=1, x3=7 et Z=3*0+2*1+5*7=37 On reprend alors le programme principal sur la ligne 4 L4 L5=L4-5L1'' Vrai Min Min 3 1 2 2 5 0 0 3 0 -1 7 -28

Une variable de base doit avoir des coefficients nuls sur la ligne Z, d'o la transformation ci-dessous qui permet d'avoir 0 pour X3 qui rentre

Elle n'est pas encore optimale car la ligne Z contient une valeur ngative qui peut rduire Z en rentrant dans la base. x3 sort et e2 entre dans la base Etape 2.a Formule Base x1 x2 x3 e1 e2 R R/Bk L1'''=L1''/0.2 e2 2 0 5 -3 1 35 L2'''=0.4*L1'''+L2 1 1 2 -1 0 x2 15 L3'''=L1'''+L5 Min 3 2 5 0 0 7 Tous les coeff. dans la fonction co sont positifs ou nul => Minimum x1=x3=0 et x2=15 => Z = 2*15=30 Il faut remplacer les valeurs trouves de xi dans le vrai objectif

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 14 _________________________________________________________________________________________________________________________________________________________

RESOLUTION DU PROGRAMME DE MINIMISATION "AZOULAYVILLE" PAR LA METHODE DES PENALITES Tableau 1 : La base est constitue des seules variables artificielles Formule Base x1 x2 x3 e1 e2 a1 L1 a1 1 1 2 -1 0 1 L2 a2 1 3 1 0 -1 0 L3 Fonct. Eco. 3 2 5 0 0 +M Une variable de base doit avoir des coefficients nuls sur la ligne Z, d'o la transformation ci-dessous qui permet d'avoir des 0 pour a1 et a2 L4=L3-(L1+L2+L3)M Fonct. Eco. 3-2M 2-4M 5-3M M M 0 x2 entre dans la base et a2 en sort Tableau 2 : x2 entre dans la base et a2 en sort Formule Base x1 L1'=-L2'+L1 a1 0.66666667 L2'=L2/3 x2 0.33333333 L3'=L3-(2-4M)*L2' Fonct. Eco. (7-2M)/3 x3 entre dans la base et a1 en sort Tableau 3 : x3 entre dans la base et a1 en sort Formule Base x1 L1'=L1/(5/3) x3 0.4 L2'=L1'/3+L2 x2 0.2 L3'=L3-L'1*(13-5M)/3 Fonct. Eco. (-51+21M)/6 Pour un Min la col. entrante a le cj le plus ngatif Le vecteur R/Bk sortant a 15 toujours le 3.33333 Min des R/Bk>0

a2 0 1 +M

R 15 10

-25M

x2 0 1 0

x3 1.666667 0.333333 (13-5M)/3

e1 -1 0 M

e2 0.333333 -0.33333 (2-M)/3

a1 1 0 0

R 11.666667 3.3333333 (20-25M)/3

R/Bk 7 10

Inutile de garder la variable artificielle qui sort de la base

x2 0 1 0

x3 1 0 0

e1 -0.6 0.2 2.6

e2 0.2 -0.4 -0.2

R 7 1 (-21+10M)/3

R/Bk 35 -2.5

Solution de base utile: x1=0, x2 = 1, x3 = 7 et Z = 2*1 + 5*7 = 37 Tableau 4 : e2 entre dans la base et x3 en sort Formule Base x1 x2 L1'=L1/0.2 e2 2 0 L2'=L2+0.4*L1' x2 1 1 L3'=L3+0.2*L1' Fonct. Eco. -8.1+21M/6 0 Tous les coefficients de la ligne des Z sont positifs ou nul => Minimum

x3 5 2 1

e1 -3 -1 2

e2 1 0 0

R 35 15 (10M)/3

x1=x3=0 et x2=15 => Z = 2*15=30

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 15 _________________________________________________________________________________________________________________________________________________________

Chapitre 3 : Rsolution informatique des PL (Notions)


Lorsque le nombre de variables et/ou de contraintes devient important, les mthodes manuelles sont source d'erreur humaine : l'utilisateur de l'ordinateur est alors indispensable. Mais l'ordinateur ncessite un programme pour rsoudre un problme donn. Le noyau du programme est la traduction d'un algorithme dans un langage prcis. Les algorithmes informatiques sont souvent optimiss et ne sont pas ncessairement ceux appris dans le chapitre prcdents. Ce sont notamment : - mthode du produit factoriel de l'inverse - mthode de dcomposition de Dantzig et Wolfe - mthode de Kantorovitch - mthode du gradient Ragnar Frisch - mthode de Newton - etc. On se bornera dans ce cours rsoudre un programme linaire par un tableur, en l'occurrence le Solveur de Microsoft Excel. Le tableau ci-dessous dcrit le programme de la firme MAGIX.

Contrainte 1 : E5=B5*B4+C5*C4 Contrainte 2 : E6=B6*B4+C6*C4 Contrainte 3 : E7=B7*B4+C7*C4 Contrainte 4 : E8=B8*B4+C8*C4 Rsolution du programme avec le Solveur dExcel Une fois le problme pos sous forme de tableau, il faut appeler le Solveur par le Menu : Outils - Solveur. Si le Solveur napparat pas dans le menu Outils, installez la macro complmentaire Solver.xla. Procdure : Menu - Outils - Macro complmentaire. Cochez la case Solveur.

On appelle ensuite le Solveur et on lui fournit les valeurs des paramtres. Remarquons que le Solveur ne rsout pas que des programmes linaires.

Au dpart les cellules ci-aprs sont vides : E2 : destine contenir la valeur optimale B4,C4 : destines contenir les variables X et Y E5,E6,E7,E8 : destines aux valeurs des contraintes. Les solutions napparaissent quaprs la rsolution. Formulation de lobjectif et du membre gauche de la contrainte Contenu de la cellule objectif : E2=B2*B4+C2*C4 Contenu des cellules de contrainte

Ecriture des contraintes dans le Solveur Les cellules E5,E6,E7,E8 sont respectivement compares avec les valeurs limites contenues dans G5,G6,G7,G8. Les options ci-dessous permettent d'optimiser la recherche. La mthode de recherche slectionne ici est l'algorithme de Newton. Le modle est linaire.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 16 _________________________________________________________________________________________________________________________________________________________ Le Solver propose galement : 3 rapports fournis ci-aprs : - Rapport des rponses - Rapport de la sensibilit - Rapport des limites
Microsoft Excel 5.0 Rapport des rponses Feuille: [MAGIX.XLS]Firme Magix Date du rapport: 30/1/96 3:10

Cellule cible (Max)


Cellule Nom Valeur initiale Valeur finale

$E$2

Objectifs Valeur Objectif

3 750 000

Cellules variables
Cellule Nom Valeur initiale 0 Valeur finale

Rsoudre le programme (Bouton Rsoudre) Aprs rsolution, le Solveur inscrit les rponses dans les cellules qui lui ont t indiques, savoir ici X dans la cellule B4 et Y dans la cellule C4 et la valeur optimale dans la cellule E2.

$B$4 $C$4 Contraintes


Cellule

Valeurs X Valeurs Y

300 800

Nom

Valeur

Formule

Etat

Marge

$E$5 $E$6 $E$7 $E$8

Contraintes Contraintes Contraintes Contraintes

3600 $E$5<=$G$5 1400 $E$6<=$G$6 300 $E$7<=$G$7 800 $E$8<=$G$8

Li Li

0 0 200 200

Non li Non li

Li = Satur

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 17 _________________________________________________________________________________________________________________________________________________________

Microsoft Excel 5.0 Rapport de la sensibilit Feuille: [MAGIX.XLS]Firme Magix Date du rapport: 30/1/96 3:11

Cellules variables
Valeur Cellule Nom finale Cot rduit Coefficient objectif Augmentation Diminution admissible admissible

$B$4 $C$4

Valeurs X Valeurs Y

300 800

0 0

4500 3000

1500 375

500 750

Contraintes
Valeur Cellule Nom finale Cot dual Contrainte droite Augmentation Diminution admissible admissible

$E$5 $E$6 $E$7 $E$8

Contraintes Contraintes Contraintes Contraintes

3600 1400 300 800

750 750 0 0

3600 1400 500 1000

200 133.333333 1E+30 1E+30

400 100 200 200

Microsoft Excel 5.0 Rapport des limites Feuille: [MAGIX.XLS]Firme Magix Date du rapport: 30/1/96 3:11 Cible Cellule Nom Valeur

$E$2

Objectifs Valeur Objectif

3 750 000

Variable Cellule $B$4 $C$4 Nom Valeurs X Valeurs Y Valeur 300 800

Limite infrieu re #N/A #N/A

Cible

Limite suprie ure 300 800

Cible

#N/A #N/A

3750000 3750000

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 18 _________________________________________________________________________________________________________________________________________________________

Chapitre 4 : Dualit et Complments


4.1 - Dualit 4.1.1 - Dfinition Programme dual Soit le programme initial que nous dsignerons primal ci-aprs : Max C X Le choix de la forme de l'un quelconque des est (1,n)(n,1) vecteur C et X (ligne ou colonne) arbitraire, mais sous chaque choix impose des formes pour la A X B cohrence du produit matriciel. On peut aussi (m,n)(n,1) (m,1). utiliser les vecteurs ou matrices transposes. Son dual est par dfinition : Min UB (1,m)(m,1) sous U A C (1,m)(m,n) (1,n)

- le nombre de variables du primal est gal au nombre de contraintes (autres que celles de signe) du dual. Utile : Ainsi, si un problme comporte n>2 variables mais m<3 contraintes, son dual pourrait tre rsolu graphiquement grce aux thormes ci-dessous. Exercice : Ecrire les duaux des cas Max(Enzymer) et Min(AZOULAYVILLE) 4.1.4 - Thormes dans le cas de PL sous forme canonique Thorme 1 : Deux problmes duaux ont la mme valeur optimale de la fonction conomique lorsque l'optimum existe. Dfinition : Une contrainte est dite sature lorsque la variable d'cart qui lui est associe est nulle l'optimum. (Cf. Cas MAGIX, Rapport de sensibilit, Chapitre 3).

ou

A' U' C' (n,m)(m,1) (n,1)

(Forme plus lisible (cf. tableau

Thorme 2 : Si pour une solution optimale d'un programme linaire une contrainte n'est pas sature, alors la valeur optimale (duale) correspondante est nulle. La rciproque n'est pas (ncessairement) vraie. Corollaire du Thorme 2 : Si la valeur optimale d'une variable n'est pas nulle, alors la contrainte duale correspondante est sature pour la solution optimale. Le corollaire est trs utile pour rsoudre un programme partir de la solution de son dual. 4.1.5 - Application, Utilit et Interprtation conomique Exemple : Cot marginal et Prix des facteurs de production Un industriel dispose de deux machines M1 et M2 pour fabriquer deux biens A et B. Pour fabriquer une unit du bien A, il faut utiliser M1 durant 3 heures et M2 durant 5 heures. Pour fabriquer une unit du bien B, il faut utiliser M1 durant 5 heures et M2 durant 2 heures. Compte tenu des contraintes techniques, la machine M1 ne peut fonctionner plus de 15 heures par jour et M2 plus de 10 heures par jour. A est vendu 5 F l'unit et B 3F l'unit. 1- Ecrire le programme optimal de l'industriel, puis son dual. 2 - Rdiger un nonc motiv pour le dual. 3 - Rsoudre le primal. 4 - En dduire la solution du dual.

4.1.2 - Exemple Programme dual : Cas MAGIX PRIMAL DUAL ----------------------------------------------------------------------------------------------------------Max 4500x1 + 3000x2 Min 3600u1 + 1400u2 + 500u3 + 1000u4 ----------------------------------------------------------------------------------------------------------4x1 + 3x2 3600 4u1 + 2u2 + 1u3+ 0u4 4500 2x1 + 1x2 1400 3u1 + 1u2 + 0u3 + 1u4 3000 1x1 + 0x2 500 0x1 + 1x2 1000 -----------------------------------------------------------------------------------------------------------xi 0, i=1,2 ui 0, i=1,4 ----------------------------------------------------------------------------------------------------------4.1.3 - Proprits - le dual du dual est le primal - le dual d'un programme de Maximisation est le primal d'un programme de Minimisation et rciproquement. - les variables primales et duales sont de mme signe : X 0 <=> U 0 - les sens des ingalits sont inverss : AXB <=> UA C - le nombre de contraintes (autres que celles de signe) du primal est gal au nombre de variables du dual

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 19 _________________________________________________________________________________________________________________________________________________________

Rsolution du dual MAGIX partir du primal


1 - Utilisation du Thorme 2 Si pour une solution optimale d'un programme linaire une contrainte n'est pas sature, alors la valeur optimale (duale) correspondante est nulle. En terme conomique, par exemple, si un bien est abondant (il n'y en a plus qu'on ne peut utiliser efficacement), son cot marginal (une heure de location supplmentaire) considr comme son prix d'quilibre (la variable duale associe) est nul.2 A l'optimum, les contraintes N 3 et 4 ne sont pas satures , ce qui implique que les variables duales associes u3 et u4 sont nulles. u3=0, u4=0 2 - Utilisation du Corollaire du Thorme 2 Si la valeur optimale d'une variable n'est pas nulle, alors la contrainte duale correspondante est sature pour la solution optimale. X1 et X2 sont non nuls alors les inquations 1 et 2 du dual deviennent des quations 4u1 + 2 u2 = 4500 3u1 + u2 = 3000 4 = 3 4500 1 = 3000 4 2 = 3 3000 u2 = 2/ = -1500/-2 = + 750 1 4500 = 4*300-3*4500 = 12.000-13.500 = -1.500 1 2 = 4500*1-3000*2 = 4.500-6.000 = - 1.500 2 = 4*1 - 3*2 = 4-6 = -2

Min 3600u1 + 1400u2 + 500u3 + 1000u4 = 3.600*750 + 1400*750 = 3.750.000 qui est la valeur optimale du primal. Rcapitulation des rsultats du dual u1 = 750 u2=750 u3 = 0 u4 = 0 Z' = 3.750.000

Corrig de 4.1.3 - Application, Utilit et Interprtation conomique 1- Ecrire le programme optimal de l'industriel, puis son dual. L'objectif de l'industriel est de Maximiser son chiffre d'affaires sous l'ensemble de contraintes. Max z = 5x1 + 3x2 sous le systme de contraintes : x1 0, x2 0 3 x1 + 5 x2 15 5 x1 + 2 x2 10 2 - Rdiger un nonc motiv pour le dual. Un autre industriel dsire acheter les heures des machines M1 et M2 et pour cela les deux industriels recherchent une estimation d'un prix horaire u1 pour la machine M1 et d'un prix horaire u2 pour la machine M2. Pouvant disposer de 15 heures de machine M1 et 10 heures de machine M2, l'acheteur cherche donc dterminer u1 et u2 tels que l'expression du cot z'=15u1 + 10 u2 soit minimum. Le vendeur lui cherche des prix u1 et u2 pour lesquels le gain soit au moins le mme que lorsqu'il produisait les biens A et B ; u1 et u2 devront alors vrifier les inquations 3 u1 + 5u2 5 5u1 + 2 u2 3 En effet, A est vendu 5 F et pour produire A il fallait 3 heures de M1 et 5 heures de M2. De mme B est vendu 3 F et pour produire B il fallait 5 heures de M1 et 2 heures de M2. De plus u1 et u2 sont non ngatifs : u1 0, u2 0

u1 = 1/ = -1500/-2 = + 750

Vrification du Thorme 1 : Deux problmes duaux ont la mme valeur optimale de la fonction conomique lorsque l'optimum existe.
2

Rappel de microconomie : A l'quilibre, le prix est gal au cot marginal.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 20 _________________________________________________________________________________________________________________________________________________________ Le programme dual est : Min z'=15u1 + 10 u2 sous le systme de contraintes : u1 0, u2 0 3 u1 + 5u2 5 5u1 + 2 u2 3 Vrification du Thorme 1 : Deux problmes duaux ont la mme valeur optimale de la fonction conomique lorsque l'optimum existe. Min 15u1 + 10u2 = 15*5/19 + 10*16/19 = 235/19 qui est la valeur optimale du primal. Rcapitulation des rsultats du dual 3 - Rsoudre le primal. Il n'y a que deux variables, le problme peut tre rsolu graphiquement. La solution est : x1 = 20/19 x2 = 45/19 z=235/19 F 4.2 Complments 4 - En dduire la solution du dual. 1 - Utilisation du Thorme 2 Si pour une solution optimale d'un programme linaire une contrainte n'est pas sature, alors la valeur optimale (duale) correspondante est nulle. Interprtation dans le cas d'espce : Si une machine n'est pas utilise sa pleine capacit, alors son cot marginal pour une heure supplmentaire de location (=prix) est nul Saturation des contraintes du primal 3*20/19 + 5 *45/19 = 15 => Contrainte (1) sature 5* 20/19 + 2*45/19 = 10 => Contrainte (2) sature Attention : La rciproque du thorme 1 n'tant pas vraie, nous ne pouvons trouver d'implication lorsque les contraintes sont satures ! 2 - Utilisation du Corollaire du Thorme 2 Si la valeur optimale d'une variable n'est pas nulle, alors la contrainte duale correspondante est sature pour la solution optimale. X1 et X2 sont non nuls alors les inquations 1 et 2 du dual deviennent des quations 3u1 + 5 u2 = 5 5u1 + 2u2 = 3 La rsolution de systme de deux quations deux inconnues donne la solution u1 = 5/19 u2 = 16/19 Les problmes tudis dans les chapitres prcdents sont dit variables continues. Cette approche est justifie quand la variable de choix est une quantit infiniment divisible comme le temps machine. Certains problmes de programmation linaire sont variables discrtes : nombre d'avions produire par exemple. Le passage du rsultat rel vers le rsultat entier est dlicat comme indiqu dans l'introduction gnrale de ce cours de TQAG. Aucune technique n'est vraiment satisfaisante, il faut tudier au cas par cas. Deux mthodes heuristiques sont souvent utilises : - les mthodes de SEP (sparation et volution progressive). - la mthode de troncatures qui consiste rduire (tronquer) l'ensemble des solutions admissibles en introduisant des contraintes linaires arbitraires jusqu' obtenir une solution valeurs entires. Dantzig et Gomery ont chacun propos une mthode qui tout tant heuristique, tentent de rduire l'arbitraire dans le choix des contraintes linaires./. u1 = 5/19 u2=16/19 Z' = 235/19

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 21 _________________________________________________________________________________________________________________________________________________________

5 - Exercices dentranement
EXERCICE N 1 A la suite dun appel doffre lanc par le Ministre des Armes, la socit SOCRATE a obtenu une commande de larme de terre de dix millions de bidons par an pendant trois ans. Ces bidons, dune contenance de dix litres, ont une forme particulire. La socit SOCRATE doit en consquence acqurir les moules cette fabrication. Trois types de moules sont susceptibles de fabriquer ces bidons spciaux : les moules A, B et C. Une tude prospective effectue par le chef comptable en collaboration avec vous a montr que ces moules avaient des caractristiques particulires. Les moules A, B, et C seront installs dans un atelier dnomm atelier spcial . Cet atelier effectuera 1700 heures de travail par an. Afin de mieux apprhender le modle prvisionnel vous avez envisag trois hypothses (annexes I, II, et III ). QUESTIONS : 1 Vous dterminerez successivement, partir des hypothses 1, 2 et 3, le nombre de module A, B et C quil convient d acheter pour maximiser la marge bnficiaire horaire de latelier spcial. 2 Vous calculerez cette marge. 3 Vous commenterez, dans une courte note (quinze lignes maximum), les rsultats trouvs. Annexe I PREMIERE HYPOTHESE a) Budget de latelier spcial : (en francs) Anne 1 : 61 200 Anne 2 : 40 800 Anne 3 : 34 000 b) Cot horaire dutilisation des moules : (en francs) Moule A 1,20 1,30 1,60 Moule B 1,00 1,00 1,60 Moule C 0,80 1,00 0,80

Moule A : 4,00 Moule B : 4,50 Moule C : 5,00 Annexe II DEUXIEME HYPOTHESE a) Contraintes budgtaires de latelier spcial : (en francs) Anne 1 : 61 200 Anne 2 : 61 200 Anne 3 : 61 200 b) Cot horaire dutilisation des moules : (en francs) Moule A 1,20 1,30 1,60 Moule B 1,00 1,00 1,60 Moule C 2,00 1,00 0,80

Anne 1 Anne 2 Anne 3

c) Marge bnficiaire horaire : (en francs) Moule A : 4,00 Moule B : 4,50 Moule C : 5,00 Annexe III TROISIEME HYPOTHESE a) Contraintes budgtaires de latelier spcial : (en francs) Anne 1 : 68 000 Anne 2 : 68 000 Anne 3 : 68 000 b) Cot horaire dutilisation des moules : (en francs) Moule A 1,20 1,30 1,60 Moule B 1,00 1,00 1,60 Moule C 2,00 1,00 0,80

Anne 1 Anne 2 Anne 3

Anne 1 Anne 2 Anne 3

c) Marge bnficiaire horaire : (en francs) Moule A : 5,00 c) Marge bnficiaire horaire : (en francs) Moule B : 5,00 ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 22 _________________________________________________________________________________________________________________________________________________________ Moule C : 5,00 EXERCICE N 2 Rsoudre le problme de programmation linaire suivant : MIN Z (X) = 2X1 + 3X2 + X3 X1 + X2 - X3 X2 + X3 X1 0 X2 0 X3 0 EXERCICE N 3 Une entreprise d'appareillages lectriques, la socit anonyme LECTRO, au capital de 40 millions de F, fabrique trois types de radiateurs X, Y et Z dans ses usines. Celles-ci se composent d'un premier atelier Presse o une machine dcoupe le bti. Les produits passent ensuite dans un deuxime atelier Soudage o, grce huit appareils similaires utiliss chacun par un ouvrier, on effectue un certain nombre d'oprations. Enfin dans un atelier Assemblage, une cinquantaine d'ouvriers ralisent manuellement le finissage des radiateurs. Cette entreprise ne peut, pour une priode mensuelle, vendre au maximum que : - 3 000 radiateurs X au prix de 260 F hors taxes ; - 5 000 radiateurs Y au prix de 350 F hors taxes ; - 4 000 radiateurs Z au prix de 420 F hors taxes. Mais pour des raisons commerciales, elle doit cependant livrer au minimum : - 1 000 radiateurs X ; - 1 000 radiateurs Y ; - 1 000 radiateurs Z. La machine de l'atelier Presse peut raliser les productions suivantes par heure, tout au long de l'anne : - 75 radiateurs X ; - ou 50 radiateurs Y ; 1 - ou 30 radiateurs Z. Les appareils de l'atelier Soudage peuvent raliser les productions suivantes par heure et par machine : - 8 radiateurs X ; - ou 5 radiateurs Y ; - ou 4 radiateurs Z. Enfin, les ouvriers de l'atelier Assemblage mettent une heure pour terminer un radiateur, quel qu'en soit le type. Dans la socit LECTRO, chaque ouvrier peut travailler au maximum 200 heures par mois. Cela correspond la capacit de l'atelier Presse. Il y a 48 ouvriers prsents habituellement l'atelier Assemblage. On concevra que les congs (4 semaines par an) sont tals rgulirement durant toute l'anne, l'effectif de cet atelier tant de 52 personnes. Les lments de cots sont les suivants (pour un mois) : Elments de cots - matire utile pour la fabrication d'un radiateur X - matire utile pour la fabrication d'un radiateur Y - matire utile pour la fabrication d'un radiateur Z - cot horaire de la main-d'oeuvre directe d'Assemblage - cot horaire de fonctionnement de la section Presse - cot horaire de fonctionnement d'un appareil de la section Soudage cot horaire par ouvrier de fonctionnement de la section Assemblage - cot de structure de la section Presse - cot de structure de la section Soudage - cot de structure de la section Assemblage - frais gnraux communs Notes : - La marge sur cot variable unitaire est gale au prix de vente minor du cot variable unitaire. - Les cots de structure sont les cots fixes. Ils ne sont pas affects aux produits mais dduits globalement de la marge sur cot variable totale de tous les produits. Francs 70 96 100 30 1 500 320 20 200 000 200 000 20 000 280 000

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 23 _________________________________________________________________________________________________________________________________________________________ Question 1 . Formaliser le programme de fabrication permettant de maximiser le rsultat en procdant par tapes : 1a - Calculer par produit dans un tableau : * le cot variable : cot des matires, de la main d'oeuvre directe et de fonctionnement des sections * et la marge sur cot variable. 1b - Pour chaque atelier, dgager le temps ncessaire pour fabriquer la production minimale de chaque type de radiateur. En dduire le temps disponible pouvant tre affect indiffremment aux types de radiateurs. 1c - Les productions minimales tant donc satisfaites, crire le systme de contraintes et l'objectif en fonction des productions complmentaires pour chaque type de radiateur. Question 2 . On considre que le programme ci-aprs est quivalent au programme de la question prcdente. Les quantits x1, x2 et x3 sont les productions complmentaires respectives des type de radiateur Y, Y, Z et ne contiennent donc pas les productions minimales. MAX MSCV = 80x1 + 110x2 + 140x3 Sous les contraintes : 0 x1 2 000, 0 x2 4 000, 2x1 + 3x2 + 5 x3 5x1 + 8x2 + 10x3 x1 + x2 + x3

Chaque colonne de cette matrice correspond une technique de production. Les quatre lignes dfinissent respectivement : le nombre dheures de travail, la quantit de matire premire et la dure dutilisation des deux types dquipement (en heures-machines) pour produire une unit de bien avec les diffrentes techniques. Ainsi, produire une unit de bien avec la premire technique (colonne 1) ncessite 12 heures de travail, 9 units de matires premires, 4 Heures dutilisation dune machine de type 1 et 1 heure dutilisation dune machine de type 2. On peut interprter ces donnes en supposant, par exemple, que pour la premire technique fonctionnant intensit unit, une machine de type 1 est utilise par trois ouvriers pendant une heure, lheure restante correspondant des tches de manutention et contrle ne ncessitant pas dquipement particulier (les 12 heures se dcomposent alors en 2 x 4 + 3 x 1 + 1, mais dautres combinaisons correspondant aux donnes de la matrice sont disponibles). Lentreprise dispose de 10 machines de type 1 et de 8 machines de type 2. Chaque machine peut fonctionner 10 heures par jour. Les quipements du premier type peuvent donc tre utilises quotidiennement pendant une dure de 100 heures-machines et les quipements du deuxime type pendant 80 heuresmachines. Le salaire horaire ouvrier et le prix unitaire de la matire premire sont gaux lunit. Le bien produit est vendu sur un march de concurrence parfaite un prix unitaire gal 30. Lentreprise vise maximiser son profit. On note x1, x2, ...., x5 les productions quotidiennes ralises respectivement avec les techniques 1, 2, ..., 5. La marge quotidienne sur cot variable correspondant la technique 1 est gale la diffrence entre le chiffre daffaires 30x1 et les cots variables 21x1 (dont 12x1 de cot salarial et 9x1 de cot de matire premire). De mme pour les autres techniques. On note respectivement p1 et p2 le prix dune machine de type 1 et 2. On estime que chaque type dquipement perd 10% de sa valeur chaque anne pour des raisons dusure. Par ailleurs, les actionnaires de lentreprise peuvent raliser des placements alternatifs procurant un rendement annuel de 12 %. Les cots fixes annuels CF sont valus comme la somme de lamortissement des quipements, cest--dire 0,10(10p1 + 8p2) et du cot dopportunit support par les actionnaires, cest--dire 0,12(10p1 + 8p2). On a donc : CF = 0,22(10 p1 + 8 p2) = 2,20p1 + 1,76p2

0 x3 3 000 20 000 41 000 6 600

2.a - Rsoudre ce programme linaire 2.b - Calculer le rsultat optimal mensuel. Exercice 4 Une entreprise emploie de la main ouvrire et utilise une matire premire et deux types dquipements, pour produire un bien dun certain type. Elle dispose de cinq techniques de production, fonctionnant rendements constants et caractrises par la matrice suivante : 12 15 14 6 8 9 12 12 9 12 4 3 0 2 2 1 0 2 2 1

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 24 _________________________________________________________________________________________________________________________________________________________ Lentreprise fonctionne 250 jours par an. Le profit total sobtient par diffrence entre les marges obtenues sur lensemble des techniques et des cots fixes supports, cest--dire : = 250(9x1 + 3x2 + 4x3 +15 x4 +10 x5) - CF Questions 1 - Ecrivez le programme linaire dfinissant les intensits dutilisation optimales des diffrentes techniques. 2 - Dfinissez le programme dual et rsolvez le par un raisonnement graphique. 3 - Quelles sont les intensits dutilisation optimales des techniques. 4 - Pour quelle valeur de p1 + p2, lentreprise a-t-elle intrt acqurir une machine supplmentaire de type 1 ou de type 2. 5 - Pour des raisons techniques lies lexigut des ateliers, lentreprise ne peut envisager que lachat dune seule machine (soit de type 1, soit de type 2). Quel choix doit-elle faire si p1 = 20 000 et p2 = 45 000 ? Exercice 5 Une usine spcialise dans la production de froid fabrique deux types de produits : des rfrigrateurs et des conglateurs. La fabrication passe par quatre ateliers : moteurs, armoires, montage des rfrigrateurs, montage des conglateurs. Latelier fabrication des moteurs peut produire 10.000 moteurs de rfrigrateurs ou 5.000 moteurs de conglateurs ou une combinaison des deux : un moteur de conglateur tant quivalent deux moteurs de rfrigrateurs. Latelier dhabillage des appareils peut fabriquer 10.000 armoires de rfrigrateurs ou 12.500 armoires de conglateurs ou une combinaison des deux : une armoire de conglateur tant quivalente 10/12,5 armoire de rfrigrateurs. Les ateliers de montage ont une capacit mensuelle respectives de 4.200 pour les rfrigrateurs et de 3.500 pour les conglateurs. TRAVAIL A FAIRE 1 - Sachant que la marge sur cot variable est de 600 F pour un rfrigrateur et de 850 F pour un conglateur, dterminer le programme optimal de production et le rsoudre graphiquement. 2 - Rsoudre le programme dual correspondant et linterprter. EXERCICE N 6 La ferme avicole "CalAvi" situ une lieue du campus universitaire lve des poulets, des pintades et des dindons. Au stade actuel de son dveloppement elle ne peut loger au maximum que 1.000 volailles tous genres confondus. L'tude de march a montr que l'exploitant de CalAvi ne peut vendre plus de 300 pintades par mois. Des tudes statistiques ont montr qu'une pintade consomme 2 fois plus de grains qu'un poulet ; un poulet consomme 4 fois moins qu'un dindon. L'approvisionnement mensuel en grain permettrait au maximum d'lever 1600 poulets. L'levage d'un poulet cote 1.000 F, celui d'une pintade 1.300 F et celui d'un dindon 3.000 F. L'exploitant leveur peut vendre le poulet 1.500 F, la pintade 2.400 F et le dindon 4.800 F. Quelles volailles doit-il lever mensuellement pour avoir un maximum de profit ? EXERCICE N 7 Deux pays P et Q produisent de l'alimentation et des vtements. Les travailleurs du pays P peuvent produire 1 unit d'aliments et 3 units de vtements en 1 heure. Ceux du pays Q produisent 2 units d'aliments et unit de vtements en 1 heure. Ces pays mettent en commun leur production. Les contraintes en matires premires impliquent que l'on ne peut produire plus de 20 000 units d'aliments et 30 000 units de vtements. Comment les travailleurs (ou plutt les heures de travail) doivent-il se rpartir entre les deux pays pour que la production soit la plus grande possible (on considre qu'une unit d'aliments vaut une unit de vtements) ? (C.N.A.M. Paris). EXERCICE N 8 L'entreprise Marcell S.A. fabrique des tlphones cellulaires de deux types Procell ("pour les professionnels") et Allcell ("pour tout le monde"). Marcell S.A. dfinit son programme d'activit mensuellement partir des donnes suivantes. Le cellulaire Procell est vendu 138 000 F tandis que le cellulaire Allcell est vendu 136 000 F. Les cellulaires sont fabriqus grce 3 sections homognes (SH1, SH2, SH3) aux capacits limites mensuellement comme suit : SH1 : 200 ; SH2 : 540 ; SH3 : 480. A ces sections homognes de fabrication sont associes des units d'uvre dont les cots variables sont respectivement 10 000 F, 12 000 F et 14 000F. Un Procell ncessite 2 units d'uvre dans SH1, 1 unit d'uvre dans SH2, 4 units d'uvre dans SH3. Un Allcell ncessite 1 unit d'uvre dans SH1, 4 units d'uvre dans SH2, 3 units d'uvre dans SH3. 1 - Dterminer la marge sur cot variable d'units d'uvre de chaque produit. 2 - Quelle quantit de chaque produit doit fabriquer l'entreprise pour maximiser sa marge mensuelle globale ? 3 - Prciser la valeur de cette marge mensuelle par produit et la marge globale.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 25 _________________________________________________________________________________________________________________________________________________________

Titre 2 : Thorie des Graphes (Thorie des Rseaux)


Chapitre 1 : Elments fondamentaux de la thorie des graphes

10 8 5 2 1 6 3 9 11
(A complter en amphi titre d'exercice ) b) par sa matrice boolenne c 1 2 3 4 5 6 7 8 9 10 11 12 1 1 0 0 0 0 0 0 0 0 0 0 0 2 1 1 0 0 0 0 0 0 0 0 0 0 3 1 0 1 0 0 0 0 0 0 0 0 0 4 1 1 0 1 0 0 0 0 0 0 0 0 5 1 0 0 0 1 0 0 0 0 0 0 0 6 1 1 1 0 0 1 0 0 0 0 0 0 7 1 0 0 0 0 0 1 0 0 0 0 0 8 1 1 0 1 0 0 0 1 0 0 0 0 9 1 0 1 0 0 0 0 0 1 0 0 0 10 1 1 0 0 1 0 0 0 0 1 0 0 11 1 0 0 0 0 0 0 0 0 0 1 0 12 1 1 1 1 0 1 0 0 0 0 0 1

7
1 - Graphes et matrices associes 1.1 - Dfinitions de base Soit X un ensemble non vide et U un sous-ensemble du produit cartsien XxX. On note G={X,U} le graphe dont les lments de X sont les sommets et les lments de U sont les arcs. On note la relation binaire qui relie ou non (matrice boolenne) deux lments quelconques de X. Remarque : xy <=> y -1x x est dit prdcesseur ou prcedent de y et y est successeur ou suivant de x 1.2 - Illustrations Exemple X tant l'ensemble des 12 premiers nombres entiers naturels strictement positifs, on considre la relation binaire sur X : x y <=> x divise y. Reprsenter cette relation a) par son graphe b) par sa matrice boolenne, c) par son dictionnaire des prdcesseurs d) par son dictionnaire des successeurs Corrig a) Graphe (Reprsentation sagittale)

4 12

Convention utilise : La cellule l'intersection de la ligne x et de la colonne y prend la valeur 1 si xy et 0 sinon. La matrice boolenne est une matrice triangulaire (suprieure). NOTE : On peut ne pas mettre les zros pour une meilleure lisibilit du tableau.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 26 _________________________________________________________________________________________________________________________________________________________

c) Dictionnaire des prdcesseurs (ici Les diviseurs de X) Fig 1.a ................................................ X -1(X) X -1(X) 1 1 8 1,2,4,8 2 1,2 9 1,3,9 3 1,3 4 1,2,4 10 1,2,5,10 5 1,5 11 1,11 6 1,2,3,6 7 1,7 Fig 1.b ................................................

12 1,2,3,4,6,12

d) Dictionnaire des successeurs (ici Les multiples de X) X (X) X (X) 1 1,2,3,4,5,6,7,8,9,10,1,12 5 5,10 6 6,12 7 7 2 2,4,6,8,10,12 8 8 9 9 10 10 3 3,6,9,12 11 11 4 4,8,12 12 12 Fig 1.C ................................................ Fig 1.d ................................................

2 - Dfinitions de base 2.1 - Concepts orients (qui font intervenir le sens des arcs) 2.1.1. Un Chemin est une succession d'arcs adjacents permettant de passer d'une manire continue d'un sommet un autre. (Voir Chane) 2.1.2. Un Circuit est un chemin dont l'origine et l'extrmit sont confondues (Voir Cycle) 2.1.3. Une Boucle est un arc dont l'origine et l'extrmit sont confondues (Rlexivit). 2.1.4. La Longueur d'un chemin ou d'un circuit est le nombre d'arcs que comprend ce chemin ou circuit. 2.2 - Concepts non orients (qui ne font pas intervenir le sens des arcs) 2.2.1. Une Chane est une squence d'arcs adjacents. Contrairement au cas d'un chemin, le sommet origine d'un arc ne concide pas ncessairement avec l'extrmit de l'arc qui le prcde 2.2.2. Un Cycle est une chane ferme 2.2.3. Un Graphe est valu (ou valoris) si tout arc qui constitue le graphe, il correspond une valeur numrique. La signification de cette valeur dpend du problme modlis : distance entre deux points, dure d'une opration, dbit circulant entre les deux points, le cot dune opration, etc. 2.2.4 - Arborescence Tel un arbre, c'est un graphe compos d'un sommet S n'ayant aucun sommet antcdent, et d'o partent un ou plusieurs arcs qui possdent les proprits suivantes - tout sommet Xi du graphe autre que S aboutit un arc et un seul - le graphe est sans circuit.

N.B. Cette dfinition sera amliore aprs lintroduction des graphes valus. Exercice : Mettre un mot ou plusieurs mots dans la liste dfinie ci-avant sous chacun des dessins ci-aprs

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 27 _________________________________________________________________________________________________________________________________________________________

Exercice : Mettre un mot ou plusieurs mots dans la liste dfinie ci-avant sous chacun des dessins ci-aprs. Fig 2.a ............................................... Fig 2.b ................................................

B
5 8 9

F
6

A
Fig 2.C ................................................ Fig 2.d ................................................

2 2 4

D
6

G
3

3 - Recherche d'un chemin de valeur optimale dans un graphe : algorithme de Ford 3.1 - Un Enonc Soit le graphe sans circuit valu suivant

- Construire le dictionnaire des prcdents - Dterminer les niveaux des sommets du graphe - Re-dessiner le graphe ordonn par niveau - En dduire le chemin le plus long passant de la racine au sommet de niveau le plus lev. - Redessiner le graphe ordonn par niveau en y faisant figurer les dates au plus tt et au plus tard et le chemin critique. - Calculer les marges totales et marges libres des tches.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 28 _________________________________________________________________________________________________________________________________________________________ 3.2 Principes de rsolution - Construire le dictionnaire des prcdents Niveau 0 X -1(X)

- Redessiner le graphe ordonn par niveau

A -

B A

C A,B

D A

E C,D

F B,C

G B,E,F

NIVEAU 0

NIVEAU 1

NIVEAU 2

NIVEAU 3

NIVEAU 4

- Dterminer les niveaux des sommets du graphe A n'a pas de prcdent. Le sommet de niveaux 0 est {A}. C'est la racine de l'arborescence. On limine A du dictionnaire des prcdents. Niveau 1 X -1(X)

B
5 4 3 8

B -

C B

D -

E C,D

F B,C

G B,E,F

A
2

9 7

6 3

B et D n'ont plus de prcdent. Les sommets de niveaux 1 sont {B,D}. On limine B et D du dictionnaire de prcdents. Niveau 2 X -1(X)

C -

E C

F C

G E,F

C n'a plus de prcdent. Le sommet de niveaux 2 est {C}. On limine C du dictionnaire des prcdents. Niveau 3 X -1(X) - En dduire le chemin le plus long passant de la racine au sommet de niveau le plus lev. Application au graphe prcdent E et F n'ont plus de prcdent. Les sommets de niveaux 3 sont {E,F}. On limine E et F du dictionnaire des prcdents. Niveau 4 X -1(X) Principe : On marque le sommet y selon la formule m(y) = Max[m(x)+L(x,y)] pour x appartenant l'ensemble des prcdents de y, avec m(Racine)=0. L(x,y) est la longueur de l'arc d'origine x et d'extrmit y. G Niveau 0 m(A)=0, car pas de prcdent, donc pas d'arc aboutissant A.

E -

F -

G E,F

G n'a plus de prcdent. Le sommet de niveaux 4 est {G}. G n'a pas de suivant. Il n'y a donc plus de niveau suprieur, le processus est termin.

Niveau 1 Dans cet exemple, les sommets de niveau 1 n'ont qu'un seul arc aboutissant. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 29 _________________________________________________________________________________________________________________________________________________________ m(B) = m(A) + L(A,B) = 0 + 5 = 5 m(D) = m(A) + L(A,D) = 0 + 2 = 2 (En provenance de A) (En provenance de A) La formulation de certains problmes peut tre telle que l'objectif est de retrouver le chemin le plus court. L'algorithme est le mme que dans le cas du chemin le plus long sauf qu'il faut remplacer la formule m(y) = Max[m(x) + L(x,y)] par : m(y) = Min[m(x) + L(x,y)]. 3.4 - Calendrier du projet Notations Soient : - x, une tche. - Tx : date de dbut au plus tt de la tche x - Tx* : date de dbut au plus tard de la tche x Ces informations sont reportes sur le grape dans un rectangle ou un cercle. (En provenance de C) X On aboutit F en provenance de C ou de B. m(B)+L(B,F) = 5+ 3 = 8 m(C)+L(C,F) = 9 + 9 = 18 d'o m(F)=Max[m(B)+L(B,F),m(C)+L(C,F)] = 18 Tx (En provenance de C) Tx : date de dbut au plus tt de la tche x Tx est la longueur du chemin le plus long aboutissant x : La date au plus tt d'une tche est sa marque. Tx = m(x) La formule de calcul de la marque est donne plus haut. Application : Cf. calculs ci-dessus reports dans le graphique ci-aprs. 3.4.2 - Date de dbut au plus tard d'une tche Tx* : date de dbut au plus tard de la tche x On pose pour la tche finale z, Tz* = Tz Soit un sommet dont tous les sommets suivants sont marqus (on a dj dtermin les dates au plus tard de tous ses suivants). On a alors : Tx* = Min [Ty* - L(x,y)] (y dcrit est l'ensemble des suivants de x). Tx*

Niveau 2 On aboutit C en provenance de A ou de B. La marque est Max [m(x)+ L(x,y)] pour x appartenant l'ensemble des prcdents de y. m(A)+L(A,C)= 0 + 2 = 2 m(B)+L(B,C)= 5 + 4 = 9 d'o m(C)=Max[m(A)+L(A,C),m(B)+L(B,C)] = 9 (En provenance de B) Niveau 3 On aboutit E en provenance de C ou de D. m(C)+L(C,E) = 9 + 7 = 16 m(D)+L(D,E) = 2 + 6 = 8 d'o m(E)=Max[m(C)+L(C,E),m(D)+L(D,E)] = 16

3.4.1 - Date de dbut au plus tt d'une tche

Niveau 4 On arrive G en provenance de B,E ou F. m(B)+L(B,G) = 5 + 8 = 13 m(E)+L(E,G) = 16 + 3 = 19 m(F)+L(F,G) = 18 + 6 = 24 d'o m(G)=Max[m(B)+L(B,G),m(E)+L(E,G),m(F)+L(F,G)] = 24 (En provenance de F) Le chemin est retrouv partir de la fin G <-F<- C <-B <-A, soit le chemin ABCFG. Note : Pourquoi rechercher le chemin le plus long ? Les valeurs du graphe prcdent peuvent dans un problme d'ordonnancement tre les dlais minima ncessaires entre deux tches. La tche B ne peut dmarrer que 5 jours aprs le dmarrage de la tche A par exemple. Il s'agit de contraintes d'antriorit values. 3.3 - Cas du chemin le plus court.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 30 _________________________________________________________________________________________________________________________________________________________ Remarque : Sur le chemin critique, les dates au plus tt sont gales aux dates au plus tard. Application Sur le chemin critique : Tx* =m(x) En consquence : TG* = 24 TF* = 18 TC* = 09 TB* = 05 TA* = 00 Pour les autres points : Tx* = Min [Ty* - L(x,y)] (y dcrit est l'ensemble des suivants de x).
NIVEAU 0 NIVEAU 1 NIVEAU 2 NIVEAU 3 NIVEAU 4

B 5 5 4 F 18 18 3 E 16 21 G 24 24 5 3 8

A 0 0 2

2 9

C 9

9 7

Niveau 3 E n'a qu'un seul suivant G TE = TG* - L(E,G) = 24-3 = 21 Niveau 2 C a deux suivants : E et F TC = MIN [TE* - L(C,E), TF* - L(C,F),= Min( 21-7,18-9)=Min(14,9) = 9 Remarque : C tant sur le chemin critique, on retrouve la rponse dj connue. Ce calcul est effectu des fins d'illustration du cas de Min sur 2 valeurs). On peut s'amuser aussi calculer pour B Qui a 3 suivants. Niveau 1 D n'a qu'un seul suivant E TD = TE* - L(D,E) = 21-6 = 15 Schma rcapitulatif

D 2 15

3.5 - Dfinition et calcul des marges 3.5.1 - Marge totale C'est le retard total que l'on peut prendre dans la mise en route d'une tche, sans remettre en cause les dates au plus tard des tches suivantes, donc sans retarder les travaux. Pour une tche x, la marge totale est donc : Mtx = Tx*- Tx Remarque : Sur le chemin critique, les dates au plus tt sont gales aux dates au plus tard. En consquence, les marges totales y sont nulles. 3.5.2 - Marge libre C'est le retard maximum que l'on peut apporter la mise ne route d'une tche, sans remettre en cause la date au plus tt d'aucune autre tche. Pour une tche x, la marge libre est donc : Mlx = Min[Ty - Tx - L(X,Y)] (pour y dcrivant l'ensemble des suivants de x).

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 31 _________________________________________________________________________________________________________________________________________________________ Pour la tche finale : Mlz=0 par dfinition. Remarque : La marge totale d'une tche est toujours infrieure ou gale sa marge libre. Mtx Mlx. Remarque : Sur le chemin critique, les marges libres sont nulles.

3.4.3 - Application Marge totale Tche x A B C D E F G Marge libre Tche x Calculs [TB - TA - L(A,B)] = 05 - 00 - 05 = 00 [TC - TA - L(A,C)] = 09 - 00 - 02 = 07 [TD - TA - L(A,D)] = 02 - 00 - 02 = 00 [TC - TB - L(B,C)] = 09 - 05 - 04 = 00 [TF - TB - L(B,F)] = 18 - 05 - 03 = 10 [TG - TB - L(B,G)] = 24 - 05 - 08 = 11 [TE - TC - L(C,E)] = 16 - 09 - 07 = 00 [TF - TC - L(C,F)] = 18 - 09 - 09 = 00 [TE - TD - L(D,E)] = 16 - 02 - 06 = 08 [TG - TE - L(E,G)] = 24 - 16 - 03 = 05 [TG - TF - L(F,G)] = 24 - 18 - 06 = 00 Marge libre Ml = 0 Tx* 0 5 9 15 21 18 24 Tx 0 5 9 2 16 18 24 Mtx = Tx*- Tx 0 0 0 13 5 0 0

A B

Ml = 00

Ml = 00

C D E F G

Ml = 08 Ml = 05 Ml = 00 Ml = 00

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 32 _________________________________________________________________________________________________________________________________________________________

Exercices dentranement
EXERCICE N 1 Lentreprise Bontemps dcide de lancer un produit nouveau sur le march. Les services commerciaux ont dtermin lensemble des tches ncessaires cette action : a, b, c, d, e, f, g, h, i, j, k. Les conditions dantriorit liant ces tches et les dures en jour de celle-ci sont rassembles dans le tableau ci-dessous : Tches a b c d e f g h i j k Tches antrieures e j, e d f, d a, c, d h, a, c, e, k, d, f e f, d Dure 4 6 12 14 8 2 10 6 8 12 2

Dnomination des tches A B C D E F G H I

Signification prcise des tches

a) Dterminer les tches immdiatement antrieures chaque tche. b) Tracer le graphe du projet par la mthode des potentiels et dterminer le ou les chemins critiques en indiquant sur le graphe les dates au plus tt et les dates au plus tard. En quel temps minimum le lancement pourra-t-il tre ralis ? c) Dresser un tableau des marges de flottement ( marges totales ) et des marges libres.

Prparation dtaille du plan de campagne Ecriture des textes Illustration Passation des contrats avec les journaux Fabrication des clichs Envoi des clichs aux journaux Dessin de l'affiche Impression de l'affiche Prparation et passation du contrat d'affichage J Distribution des affiches K Ecriture des Scripts L Prparation et signature du contrat portant sur le tournage du film publicitaire M Tournage du film publicitaire N Passation du contrat d'mission de T.V O Envoi du film la tlvision P Prparation de la confrence finale - Les tches : B,C,D,E,F concernent la Presse - Les tches : G,H,I,J concernent l'Affichage - Les tches : K,L,M,N,O, concernent la Tlvision

Dure de ralisation (en semaine) 2 4 4 3 2 1 8 1 3 1 3 4 6 3 1 4

EXERCICE N 2 : Thorie des Graphes (6 points/20) Une agence cherche tablir le planning d'une campagne publicitaire pour lancer un nouveau produit. Elle envisage d'utiliser les affiches, la tlvision et des annonces dans la presse. Une confrence de presse est galement prvue la date du lancement officiel du produit.

1 - Recensement des tches accomplir avec les dures de ralisation probables prvues. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

2 - Etablissement des contraintes de succession entre les diverses tches. L'agence se donne 2 semaines pour tablir un plan dtaill de la campagne aprs quoi ses reprsentants commencent ngocier les 4 contrats (presse, affiche, tournage du film publicitaire, tlvision). Pendant ces ngociations les artistes, dessinateurs et rdacteurs avanceront le plus possible leur travail. Les illustrations destines aux journaux seront conues dans le mme temps que l'on rdigera le texte qui doit les accompagner ; on ne pourra fabriquer les plaques d'impression que lorsque les illustrations et le texte seront prts. Les plaques sont ensuite envoyes aux journaux mais seulement aprs la ngociation du contrat de publicit. Cette partie du travail sera alors termine. L'affiche est entre temps dessine puis imprime ensuite. La distribution de ces affiches ne se fera qu'aprs la conclusion du contrat avec la compagnie de publicit terminant ainsi une autre partie de la campagne. Il faut prparer le texte du film tlvis en mme temps que l'on ngocie le contrat avec la socit qui ralisera le film. Une fois le film termin, il faut l'envoyer

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 33 _________________________________________________________________________________________________________________________________________________________ la socit qui gre la chane de tlvision, opration qui ne se fait bien sr qu'aprs signature du contrat avec la tlvision. Ce n'est que lorsque toutes les oprations prcdentes sont termines que l'on peut organiser la confrence de presse finale. 3 - Le problme que se pose l'agence: Etablir un calendrier de ralisation du projet prdisant par exemple la date du dbut d'excution de chaque tche, permettant de raliser le projet dans la dure minimale de temps. Les donnes du problme sont synthtises par le tableau ci-dessous : Dnomination Contraintes d'antriorit des tches A (Pas de contrainte d'antriorit) B A termine C A termine D A termine E B termine, C termine F D termine, E termine G A termine H G termine I A termine J H termine, I termine K A termine L A termine M K termine, L termine N A termine O M termine, N termine P A,B,C,D,E,F,G,H,I,J,K,L,M,N,O termines TRAVAIL A FAIRE 1 - Prsenter un tableau qui supprime les redondances existant dans le tableau prcdent. 2 - Dterminer les rangs des tches 3 - Construire le graphe MPM en y portant les dlais de ralisation des tches 4 - Dterminer le chemin critique et en dduire la date au plus tt de la fin du projet. Exercice 3 - Thorie des Graphes (7 points) La socit Tandy radio spots (TRS) base Paris (en France) est la filiale dune grande entreprise amricaine de fabrication et de distribution de microprocesseurs et de micro-ordinateur. Elle jouit dune trs large autonomie de gestion et ne ddaigne pas, loccasion, complter ses activits de base (montage et ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA commercialisation de matriel lectronique) par des travaux de conseil en informatique et de mise au point des logiciels. La direction de la TRS a un objectif prioritaire : tre prsente sur le march des micro-ordinateur possdant un logiciel de comptabilit gnrale et analytique adapt au nouveau plan comptable ds le 1er janvier N+2 . Pour le lancement de son nouveau modle de machine PCTRS, la direction envisage lorganisation des oprations selon le tableau de lannexe. TRAVAIL A FAIRE 1 - Construire un tableau qui supprime les redondances ventuelles de l'nonc, ne comprenant que les colonnes Tches et Antcdentes. 2 - Tracer le graphe MPM en y faisant figurer les dates au plus tt et au plus tard. 3 - En dduire le chemin critique associ ce rseau et la dure du projet. 4 - Que se passerait-il si lopration K (Impression de brochures en Italie) subissait un retard de 21 jours cause de problmes douaniers ? ANNEXE OPERATION A REALISER POUR MENER A BIEN LE PROJET Point de dpart : 1er Septembre n. Fin imprative prvue : 31 Dcembre n + 1

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 34 _________________________________________________________________________________________________________________________________________________________ Exercice 4 - Thorie des graphes (8 points) T- Description Dure Antcches (jours) dentes a Premiers contact avec le Conseil National de la 3 e Comptabilit b Entrevue avec le Prsident du Conseil rgional de 1 e l'Ordre des experts comptables c Sminaire de formation l'Institut d'Etudes Politique de 6 e Paris (initiation) d Sminaire d'approfondissement au CESA 14 c e Dtermination des objectifs de la socit dans le cadre 7 de la politique long terme f Autorisation de la maison mre TRS Incorporated aux 25 e USA aprs tudes de faisabilit g Stage chez TRS aux USA, initiation la nouvelle 95 e,f gamme de produits du groupe et leur technologie h Commande de microprocesseurs 51 e,f,g i Contrat d'approvisionnement disquettes 28 e,f j Impression des pochettes des disquettes du logiciel 15 o,v k l m n o p q r s t u v w x Impression des brochures d'utilisation en Italie Prsentation du produit la tlvision rgionale Publicit dans les journaux spcialiss Cocktail de prsentation la chambre de Commerce Mise en place du service aprs vente Formation des formateurs Formation des vendeurs par les formateurs Jeu d'essai Analyse organique des traitements Analyse fonctionnelle des traitements Dcoupage modulaire des programmes Raction des programmes en langage volu Rdaction des routines en langage machine Test gnral du logiciel 45 14 50 7 35 25 15 10 40 10 10 30 65 7 o,v a,b,f,g, h,i e,f,l e,f,l a,b,h,i c,d,e,f p j,q l,m,t e,f,g s,t n,t,u o,t,v k,r w La socit Losud au capital de 6.000.000 F (30.000 actions de nominal 200 F) est une socit dirige par un groupe familial : la famille Lonard. Ses membres ont su conserver, malgr les augmentations successives de capital et une introduction rcente en bourse, le contrle de la socit, en dtenant 50% des actions. Cette socit, initialement spcialise dans la fabrication de machines comptables, a pour objet depuis sept ans la fabrication de micro-ordinateurs et la conception des logiciels d'exploitation qui y sont adapts. Son sige social est situ Nice (Alpes-Maritimes) o elle emploie 400 personnes pour un chiffre d'affaires d'environ 150 millions de F. Elle diffuse actuellement un type de micro-ordinateur professionnel avec deux options possibles suivant la capacit de la mmoire centrale 4 ou 8 Mo ; ces appareils sont respectivement dnomms le Lo I et le Lo II. Les ordinateurs fabriqus par la socit Losud sont adapts aux normes franaises (clavier AZERTY,...) et les logiciels qui sont proposs ont, tout particulirement t tudis sur un plan pdagogique. C'est pourquoi l'on peut distinguer essentiellement deux catgories de clientles d'ingales importances : - principalement les tablissements d'enseignement : ceux qui dpendent du Ministre de l'Education Nationale, ainsi qu'un certain nombre d'tablissements d'enseignement privs.. En effet, grce la gamme importante des logiciels pdagogiques proposs, la socit Losud a russi obtenir une position importante dans ce secteur. - accessoirement quelques petites et moyennes entreprises, principalement situes dans le dpartement des Alpes-Maritimes et les dpartements limitrophes. Ce march reprsente approximativement 10% du chiffre d'affaires en N-1 et a t, en pratique, obtenu grce aux relations personnelles de la famille Lonard. Les dirigeants de la socit Losud se sont proccups de cette situation au cours de nombreuses runions. Deux problmes se posent paralllement : - la difficult de tenir les conditions imposes par les marchs publics passs avec le Ministre de l'Education Nationale. Ces marchs imposent en effet des conditions de prix et des dlais de paiement qui posent parfois de dlicats problmes de gestion (cot de production) et de trsorerie ;

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 35 _________________________________________________________________________________________________________________________________________________________ - la difficult de s'implanter auprs des entreprises pour lesquelles le matriel propos et surtout les logiciels paraissent mal adapts. En effet, leur qualit pdagogiques leur fait perdre de l'efficacit lors de leur exploitation en ralentissant considrablement la vitesse d'excution de certains programmes par rapport au matriel que proposent les concurrents. M. Albert a propos lors d'une runion de s'orienter plutt vers le march des micro-ordinateurs familiaux, arguant que ce qui est inconvnient vis--vis des entreprises deviendrait ici un atout de choix puisque le caractre pdagogique faciliterait les manipulations des acheteurs non initis l'informatique. Ayant approfondi son ide, M. Albert Lonard propose de lancer sur le march un micro-ordinateur dont la conception interne serait exactement celle du Lo I, mais dont l'apparence extrieure (le look selon son expression) serait modernis pour satisfaire les gots d'une clientle plus oriente vers les activits ludiques. M. Laurent, directeur de la production, approuve cette proposition et estime qu'elle ne devrait pas entraner de grandes difficults pour ses services. Cette ide a finalement t adopte par le conseil d'administration runi le 5 janvier N. Mais ce dernier ne veut pas se lancer dans l'aventure de l'ordinateur familial ! selon l'expression de M. Bernard Lonard, sans avoir tudi avec prcision dans quelle mesure ce projet peut tre ralis. La direction profite de cette occasion pour introduire dans la socit la gestion budgtaire. Elle demande donc de procder une tude de rentabilit du nouveau produit 5 ans. Le conseil estime que l'ensemble des budgets doit tre achev au 31 octobre afin que la dcision finale tant prise, l'ventuelle mise en place puisse tre ralise dans de bonnes conditions avant le dbut de l'anne N+1. A cet effet, les diffrentes tapes (ou tches) accomplir lors de l'tablissement des budgets ont t recenses et leur dure respective a t value. La liste de ces tches, les conditions d'antriorit vous sont communiques en annexe. TAF Le conseil, peu familiaris avec la gestion budgtaire, consulte votre cabinet d'expertise comptable. Il vous demande : 1 - en respectant les conditions d'antriorit (encore appeles contraintes de succession), de prsenter l'enchanement des oprations sous forme de graphique MPM en y faisant figurer les dates au plus tt et au plus tard. 2 - d'en dduire le chemin critique associ ce rseau et la dure du projet. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA ANNEXE T- Description ches A Budget de trsorerie B C D E F G H I J K L M N O P Q R S T U V W X Y Etude de march Dtermination des goulets concernant les facteurs de production (main d'uvre, machine) Fixation des prix de vente Prvision de sous-traitance Analyse des charges de distribution Budget des approvisionnements Plan d'amortissement Budget de TVA Prvision en matire de recours au crdit bancaire court terme Prvision des charges de distribution Calcul de la marge unitaire Prvision des charges de production Etablissement du budget des ventes Bilan prvisionnel Analyse des charges de production Budget des recettes Prvision des approvisionnements (quantit, dates des commandes, prix, dates de livraison) Prvision de ventes en volume Compte de rsultat prvisionnel Prvision d'investissements (date de commande, date de livraison, date de paiement) Prvision des dlais de crdit (clients et fournisseurs) Programme de production Prvision de financement (augmentation de capital, recours l'emprunt) Budget des dpenses

Dure Antc(jours) dentes 5 Q, Y 40 15 4 2 5 8 2 1 4 2 1 6 8 3 10 3 12 3 2 10 6 8 10 5 S B C K R U N,G A N P,K P D,S T,L,J S V,N,X W B K,M,R, H,N,E C B C U L,M,U, V,F

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 36 _________________________________________________________________________________________________________________________________________________________ EXERCICE N 5 EXERCICE N 6 On prpare un jardin comprenant une alle traversant une pelouse. Pour faire l'alle, on tale un asphalte tout prt sur une couche de hrisson (e) , puis on passe au rouleau compresseur pour le faire durcir (f). Il faut commander et faire livrer le hrisson et l'asphalte (d). Par ailleurs, la pelouse doit tre laboure (b) avant que l'alle ne soit commence (c). Elle est ensuite seme (g). On doit rceptionner au point de dpart des travaux proprement dits, tous les matriaux (a). L'inauguration (z) n'a lieu qu'aprs la fin de l'arrosage. Les dures des tches suivent : a - Commander et rceptionner tous les matriaux......................... 15 jours b - Labourer la pelouse..................................................................... 3 jours c - Creuser l'alle.............................................................................. 2 jours d - Faire Livrer le hrisson et l'asphalte............................................ 1 jour e - Etaler le hrisson et l'asphalte..................................................... 2 jours f - Passer l'asphalte au rouleau compresseur................................... 1 jour g - Semer la pelouse......................................................................... 5 jours h - Arroser la pelouse........................................................................ 1 jour. 1 - Ecrire le dictionnaire des prcdents selon l'nonc. Exploiter les transitivits ou dominances ventuelles pour le simplifier son expression minimum. 2 - Etablir les niveaux des tches 3 - Produire le graphe MPM correspondant en y faisant figurer les dates au plus tt et au plus tard 4 - Enoncer le chemin critique, et la dure totale du travail. 5 - Quelle est l'impact d'un retard de deux jours de la tche (f) sur l'inauguration (z) ? Une agence doit raliser un projet avec des contraintes rsumes dans le tableau ci-aprs. Tches A B C D E F Tches antrieures B, D F B B, C, F Dure en mois 5 8 2 3 5 1

1 - Prsenter un tableau qui supprime les redondances ventuelles du tableau prcdent. 2 - Dterminer les niveaux des tches. 3 - Tracer le graphe du projet et dterminer le ou les chemins critiques, en indiquant sur le graphe les dates au plus tt et les dates au plus tard. 4 - En quel temps minimum le projet pourra-t-il tre inaugur ? 5 - Dresser un tableau des marges de flottement (marges totales) et des marges libres.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 37 _________________________________________________________________________________________________________________________________________________________

Titre 3 : Thorie des Jeux


Chapitre 1 : Notion Gnrales
1 Typologie des Jeux - Selon le nombre de personnes : * Jeux deux personnes * Jeux plus de deux personnes - Selon la perfection de l'information * Jeu information parfaite (le ludo, le jeu de dames, les checs), * Jeu information imparfaite (duopole, concurrence monopolistique) - Selon le nombre de coup ou de squence * jeu un seul coup * jeu squentiel - Selon le rsultat * jeu somme nulle (les uns ne gagnent que ce que perdent les autres) * jeu somme non nulle (positive ou ngative) - Selon la collusion * jeu coopratif * non jeu coopratif Le Dilemme du prisonnier est un jeux non coopratif somme non nulle. L'enqute auprs de deux personnes souponnes mais prsumes innocentes. Le tableau ci-dessous contient les peines que promet l'Enquteur ses prvenus ()
Personne B Avoue Peine de A Personne A Avoue 50 ans N'avoue pas 25 ans

Les deux prvenus sont spars et informs du tableau des rsultats. De manire gnrale, une telle matrice conduit rarement lacquittement si dlit il y a eu, car aucun prvenu ne voudrait couvrir l'autre ses propres frais. - Exemple de jeu somme nulle : L'ensemble des joueurs de la loterie et l'Entreprise mettrice de Loterie. Cette entreprise ne gagne que dans la mesure o l'ensemble des joueurs perd. Il n'y a pas de cration nouvelle de richesse, mais juste un transfert de l'ensemble des joueurs en faveur de l'Entreprise. 2 - Tableau de causalit du jeu Note : On s'intresse dans ce cours d'introduction aux jeux non coopratifs information parfaite de deux personnes somme nulle. Cela permet deux simplifications pour la thorie : - Deux personnes => Matrices de dimension 2 de type m x n m : nombre de dcisions ou tactiques du joueur A n : nombre de dcisions ou tactiques du joueur B - Somme nulle : Les gains de A sont les pertes de B et vice versa. Dans l'exemple de l'Enquteur, on a deux valeurs de rsultats pour chaque croisement de tactique et la matrice des rsultats contient 8 valeurs. En somme nulle, il suffit d'exprimer les rsultats de l'un et ceux de l'autre sont automatiquement connus (on aurait alors 4 valeurs au lieu de 8). Dans la suite, sauf prcision contraire, les rsultats du tableau seront toujours ceux du joueur en ligne, ici A. Sous ces hypothses, la matrice des gains du joueur A peut se prsenter comme suit.
Personne B Avoue N'avoue pas

Peine de B

50 ans

75 ans

Personne A

Avoue

50 a ns

25 a ns

N'avoue Pas

Peine de A

75 ans

Acquittement

N'a voue p a s

75 a ns

Ac q uittem ent

Peine de B

25 ans

Acquittement

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 38 _________________________________________________________________________________________________________________________________________________________ Chaque "Joueur" attribue chaque valeur du tableur une "utilit". Une peine dans le cas des suspects ci-dessus a une valeur ngative sur l'chelle de l'utilit. 2.2 - Le risque dune tactique est le plus mauvais rsultat possible relative cette tactique. 2.3 - Une tactique prudente comporte le risque le plus faible.
Tactiques du joueur B 2 3 4 0 4 1 1 -1 4 1 0 2

Chapitre 2 : Jeux de deux personnes somme nulle


1. Hypothses et donnes du problme H1 : jeu deux personnes H2 : jeu somme nulle H3 : les valeurs aij du tableau sont les rsultats du joueur A lorsquil joue la tactique i et que B joue j. Un aij > 0 signifie un gain pour A et une perte de la mme valeur pour B (et inversement). On dit alors que A est un joueur maximisant et B un joueur minimisant. H4 : lobjectif de chaque joueur est dobtenir le meilleur rsultat possible H5 : le jeu est un seul coup, cest--dire que la dcision nest pas dcompose en une suite de dcisions. H6 : chaque joueur est dans lignorance totale de la dcision de lautre. H7 : les joueurs sont prudents et intelligents. (ils ne se laissent pas aller un optimiste ou un pessimisme, ni la prise de risques vidents; chaque joueur estime que son adversaire est galement intelligent et prudent). Cest le comportement de Abraham WALD ou de John Von NEUMANN. Les donnes du problme sont rsumes dans le tableau des gains de A ci-aprs.
Tactiques du joueur B ..... h j .......

1 Tactiques du joueur A 1 2 3 2 2 3

Le risque du Joueur maximisant A Risque Tactique (plus faible gain) 1 2 3 0 -1 1

Sa tactique prudente est la tactique 3.


n

Le risque du Joueur minimisant B Risque (plus Tactique forte perte de B = plus gros gain de A) 1 3 2 4 3 4 4 2 Sa tactique prudente est la tactique 4.

1 1 Tactiques du joueur A .... i k .... m

aih akh

aij akj

2.4 - Dominance : Une tactique k dun joueur maximisant A domine une autre tactique i du mme joueur si les gains akj sont suprieurs au gains aij pour j dcrivant lensemble des tactiques adverses (soit : 1 j n). Dans ce cas le tableau de jeu peut tre allg de la tactique non pertinente i. La rduction du jeu par domination consiste supprimer dans lensemble des stratgies de chaque joueur, celles qui sont domines.

Exemple

2 - Dfinitions 2.1 - Lorsque la partie comporte un seul coup, on appelle tactique ou stratgie pure, la dcision de chaque joueur. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 39 _________________________________________________________________________________________________________________________________________________________


Tactiques du joueur B 1 2 3 4 Tactiques du joueur A 1 2 3 2 2 3 0 4 1 1 -1 4 1 0 2

Cette approche est dite rgle du MiniMax. Dans le corollaire il faut se rappeler quon utilise le tableau des gains de A sans changement de signe. Dfinition : Lorsque le Maximin(A) = MiniMax(B), on dit que le jeu a un point dquilibre qui est lintersection des deux stratgies.

Pour le Joueur maximisant A : 3 domine 1 Pour le Joueur minimisant B : 4 domine 1 do le jeu rduit : Application 1 : Jeu sans point dquilibre
Tactiques du joueur B 2 3 4
Tactiques du joueur A

Tactiques du joueur B 2 3 4
Tactiques du joueur A

-1

-1

3 - Rgle fondamentale en comportement prudent et intelligent Pour le Joueur A (joueur maximisant) Th1 : Le joueur maximisant A fait son choix en deux tapes : - dabord valuer les risques de chaque tactique (minimum de gain possible) - slectionner parmi elles, la tactique qui offre le gain maximum (maximum dans lensemble dfini par les min) Cette approche est dite rgle du MaxiMin. Remarque : Lobjectif de chaque joueur tant de maximiser son gain, le mme thorme sapplique pour B. Mais comme le tableau reprsente les gains de A, pour optimiser pour B, il faut : - soit remplir le tableau avec les valeurs opposes de celle de A - soit employer le corollaire du Th1 nonc ci-aprs comme la rgle du MiniMax. Corollaire de Th 1 : Le joueur minimisant B fait son choix en deux tapes : - dabord valuer les risques de chaque tactique (maximum de perte possible) - slectionner parmi elles, la tactique qui offre la perte minimum (minimum dans lensemble dfini par les max) 1re tape : Recherche des gains Minimum Si A joue la tactique 2, B jouera sa tactique 3 et le gain de A sera -1 Si A joue la tactique 3, B jouera sa tactique 2 et le gain de A sera +1 2me tape : Choix du Max dans lensemble prcdent A choisira la tactique 3 et gagnera +1, B choisissant sa tactique 2 Remarque : La mme approche peut tre utilise pour B en dterminant dabord le tableau des gains de B. Pour le Joueur B (joueur minimisant) : Utilisation du corollaire du Thorme fondamental Rappel : B est dit minimisant il cherche simplement minimiser les gains de son adversaire, ce qui revient, en jeu somme nulle, maximiser son propre gain.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 40 _________________________________________________________________________________________________________________________________________________________

1re tape : Recherche des pertes Maximum Si B joue la tactique 2, A jouera sa tactique 2 la perte de B sera 4 Si B joue la tactique 3, A jouera sa tactique 3 la perte de B sera 4 Si B joue la tactique 4, A jouera sa tactique 3 la perte de B sera 2 2me tape : Choix du Min dans lensemble prcdent B choisira la tactique 4 et perdra 2, A choisissant sa tactique 3. Le jeu na pas de point dquilibre puisque le MaxiMin(A) MiniMax(B)

Chapitre 3 : Choix dun critre dans lincertitude


1. Donnes du problme Lentreprise PERISH fabrique un bien prissable. Elle ne connat pas sa demande journalire a priori, mais elle a fait des hypothses de productions vendables. Si la quantit produite est infrieure la demande, il y a une perte dopportunit. Par contre, si la production est suprieure la demande, les invendus sont brads. Le bureau dtude interne de PERISH a produit la matrice des bnfices, mais ne peut aller plus loin dans le travail de dcision. En ligne figurent les productions possibles. En Colonne figurent les demandes possibles. 80 0,8 0,6 0,4 0,2 0,0 90 0,8 1,1 0,9 0,7 0,5 100 0,8 1,1 1,4 1,2 1,0 110 0,8 1,1 1,4 1,7 1,5 120 0,8 1,1 1,4 1,7 2,0

Application 2 : Jeu avec point dquilibre


I I
Tactiques du joueur A -1 4 3

II
0 1 2

III
4 -2 3

Min -1 -2 2 MaxiMin

80 90 100 110 120

II III

Le Directeur Gnral de PERISH vous consulte en tant quExpert en Thorie de la dcision. Vos termes de rfrence (TDR) : proposer des objectifs en expliquant les avantages et les inconvnients, puis en valuer les rsultats pour PERISH. 2. Transposition du Thme en Thorie des jeux

Joueur B Max 4 2 MiniMax 4 Concordance

- Le cas PERISH est un jeu somme non nulle entre lEntreprise et la Nature. - Les quantits produites constituent les stratgies du Joueur maximisant : PERISH.

Le jeu possde un point dquilibre : A joue sa stratgie III, B joue sa stratgie II, et le gain de A est de 2 quivalant une perte de B de 2. N.B. Pour qu'un quilibre existe, il ne suffit pas d'avoir l'galit mathmatique MaxiMin(A)=Minimax(B). La condition ncessaire et suffisante est : le couple qui a prsid la dtermination du MaxiMin(A) doit tre identique celui qui a prsid au la dtermination de MiniMax(B).

- Les quantits demandes peuvent tre considres comme la rponse adverse de la Nature : chaque ralisation est un tat de la nature. Parmi tous les tats, un seul se produit effectivement par unit de temps comme le rsultat dun lancer dune pice est : soit pile soit face. - Lobjectif de PERISH est de maximiser son bnfice. Quand elle ne produit pas suffisamment par rapport la demande, elle a un manque gagner : elle perd lopportunit de gagner. Lorsque voulant gagner davantage elle produit plus, elle court le risque de perdre tout son bnfice et mme de faire des pertes (Offre largement suprieure 120) si la demande nest pas au rendez-vous.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 41 _________________________________________________________________________________________________________________________________________________________ - Le jeux nest pas somme nulle, car la Nature ne perd rien ; par contre lentreprise peut perdre. La nature na pas pour objectif de maximiser son gain au sens dentraner des pertes pour lentreprise, ni de minimiser ses pertes au sens dentraner des cots pour lentreprise. La demande dans ce cas est considre comme alatoire. La Nature est un concept utilis juste pour reprsenter lincertitude. Les ralisations possibles sont alors appeles des tats de la nature. Note : La micro-conomie offre une srie de formalisations : duopole, monopole, monopsone, oligopole, etc. o les ractions sont beaucoup plus interactives. (Cf. cours de micro-conomie). La thorie financire donne des exemples de jeu contre la Nature : quel sera le cours de mon titre x demain au moment de sa vente ? Ce cours peut mtre favorable comme dfavorable. La Nature nest donc pas un adversaire. Dautre part mon offre ninflue pas de manire perceptible sur le cours du titre (hypothse datomicit) : il ny a pas une rponse systmatique ma tactique. - La Nature na pas le comportement prudent et intelligent de von NEUMANN. Mieux, elle na pas pour objectif de faire perdre lHomme. Par consquent, le critre classique de MaxiMin ne peut sappliquer systmatiquement. En consquence il faut dfinir des critres qui sont tous subjectifs, do la ncessit de bien comprendre les comportements sous-jacents aux rgles de dcision ciaprs. NOTE Comme la Nature ne joue pas au sens de Neumann, il y a toujours une solution dans les jeux contre la Nature. Il nest donc pas question de vrifier lexistence de point selle au sens de Neumann. La solution est en elle-mme subjective. Elle consiste attribuer arbitrairement une stratgie la nature selon sa propre attitude face au risque. Dominance Il faut faire attention lors de la rduction par dominance dans les jeux contre la Nature. - Pour le joueur maximisant en ligne (lentreprise), la dominance a un sens : une ligne ou tactique qui rapporte dans tous les cas plus quune autre domine cette dernire. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA - Par contre la Nature na pas dobjectif. On ne peut formuler de manire classique une rgle de dominance qui ait un sens sans lui prter (ou dcouvrir ?) un objectif. Les critres en thorie des jeux sont dits intelligents parce quils sont bass sur un objectif de jeu conforme au comportement de lhomo economicus. 3. Les principaux critres de choix dans lincertitude 3.1 - Critre de Laplace : esprance mathmatique 3.1.1 - Fondements thoriques Les tats de la nature se produisent avec une probabilit qui constituent les rgles stratgiques de la nature. A chaque jeu j ou ralisation de la nature est associe une probabilit inconnue pj. Lesprance mathmatique dun jeu en ligne i est alors : Ei = pjaij pour j=1 n (pj=1 pour j=1 n)

Laplace considre que les tats de la nature ont une quiprobabilit de ralisation pj = 1/n pour j=1 n, do sa simplification : Li = aij / n pour j=1 n

Le critre de Laplace est alors : Choisir la ligne qui donne la plus forte esprance mathmatique de gain en tats quiprobables. Avantage : Comme tous les critres ci-aprs, celui de Laplace permet de lever lindtermination qui bloque le bureau dtude interne de PERISH en formulant clairement une hypothse. Inconvnient : il est ncessaire de dterminer des tats de la nature assez quiprobables ou dont la dispersion nest pas forte en terme dincidence financire. Si les vnements ne sont pas rellement quiprobables, pour plusieurs rptitions de lexprience, la stratgie sera biaise. Le biais peut profiter lentreprise ou lui tre dfavorable. Il ny a donc pas dinconvnient systmatique.

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 42 _________________________________________________________________________________________________________________________________________________________ 3.1.2 - Application Calcul i=1 i=2 i=3 i=4 i=5 Dcision Les hypothses de production i=3 et i=4 donnent un Li identique le plus lev. En considrant que la probabilit de ralisation des diffrentes hypothses de la demande sont identiques, PERISH a intrt choisir lhypothse 3 ou 4 du point de vue de Laplace. La nouvelle indtermination peut tre leve en introduisant un second critre : Exemple 1 : PERISH est une entreprise prive de type capital intensive. Son objectif est de maximiser son profit en rduisant ses risques. Les capitaux risqus sont plus importants en i=4 quen i=3. Il faut alors produire i=3, soit 100 units par jour. Exemple 2 : PERISH est une entreprise dEtat-providence de type HIMO (Haute Intensit de Main dOeuvre ou labour intensive). Son objectif est de produire au maximum pour satisfaire le plus de personnes et en employant plus de main doeuvre : il faut produire i=4 soit 110 par jour. 3.2 - Critre de Wald (ou de Neumann) : MaxiMin ou critre dit pessimiste 3.2.1 - Fondements thoriques Lapproche de Wald nest pas diffrente de la rgle du MaxiMin. Elle consiste choisir la stratgie qui procure le plus grand parmi les plus petits gains (MaxiMin). Elle est identique au critre de Neumann. Cest une stratgie prudente, mais elle consiste en fait prter la nature un caractre agressif quelle na pas toujours. Elle est alors parfois dite pessimiste : pourquoi croire que la nature qui nest pas ncessairement un adversaire vous opposerait la ralit la plus nfaste chacune de vos tactiques comme si elle tait un joueur de Neumann (dans un jeu somme nulle) ? L1 = 0,8 L2 = 1,0 L3 = 1,1 L4 = 1,1 L5 = 1,0 Avantage : Cest un critre prudent qui permet de choisir la tactique qui assure un certain minimum quels que soient les tats de la nature ... quil pleuve ou quil neige ! Toutefois, elle ne convient quaux personnes ayant une aversion pour le risque, ou plutt celles qui ont une attitude prudente face au risque, les individus que la Thorie financire considre comme normaux. Il ne sagit pas dun avantage proprement parler. Inconvnient : Les risk-lovers parleront dexcs de prudence, de stratgie minimaliste. Cette stratgie ne leur convient pas. il ne sagit donc pas dun inconvnient proprement parler, mais dincompatibilit de temprament face au risque. 3.2.2 - Application Calcul i=1 i=2 i=3 i=4 i=5 Min a1[j] = 0,8 Max[i]Min ai[j] : Lentreprise produira 80 units Min a2[j] = 0,6 Min a3[j] = 0,4 Min a4[j] = 0,2 Min a5[j] = 0,0

Fortuitement, il y a un point selle comme dans le jeux de Neumann. j=1 j=2 j=3 j=4 j=5 Max a[i]1 = 0,8 Min[j]Max a [i]j : Lentreprise produira 80 units Max a[i]2 = 1,1 Max a[i]3 = 1,4 Max a[i]4 = 1,7 Max a[i]5 = 2,0

Lentreprise joue sa tactique 1 (produit 80) et la nature joue aussi sa stratgie 1 (demande = 80). Offre = Demande. Il est rappel que la nature na pas pour objectif de minimiser les gains de lentreprise. La nature ne reprsente que lincertitude dans ce cours. Dcision Au sens de Wald, PERISH a intrt choisir lhypothse de production i=1 qui procure lentreprise un gain de 0,8 en tout tat de cause.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 43 _________________________________________________________________________________________________________________________________________________________ 3.3 - Critre optimiste : MaxiMax 3.2.1 - Fondements thoriques Le critre optimiste consiste croire que Dame Nature sera favorable lEntreprise et choisir ltat de la nature le plus favorable. Par rapport au critre de Laplace il consiste donner une probabilit de ralisation nulle tous les tats de la nature autre que le plus favorable et la probabilit de un (certitude) ce dernier tat. Cest une stratgie imprudente. Avantage : Cest un critre qui permet de gagner trs gros en cas de succs ! Inconvnient : Cest un critre imprudent. Rappelons que si on fait intervenir la nature dans le problme, cest bien parce quil y a une incertitude. Cest insens de croire quun tat a une probabilit certaine de ralisation en incertitude. Cest simplement dire quil ny a pas dincertitude. Si les jeux taient faits, il ny a plus de dcision prendre ! Toutefois, ce temprament correspond celui des risklovers. Toute valeur intermdiaire est dite modre : 0 < <1 mesure donc lattitude de lindividu face au risque et est spcifique chaque personne un moment donn. Soit Ai le plus fort gain et ai le plus petit gain de la ligne tactique quelconque i. Le critre de Hurwicz consiste choisir la tactique i* qui maximise la quantit : h = Ai + (1-) ai. On vrifie que - si =1 on est dans le cas de MaxiMax, lhyper-optimiste. - si =0 on est dans le cas de MaxiMin, lhyper-pessimiste de Wald-Neumann. REMARQUES - Le critre de Hurwicz, vu comme un cas particulier de celui desprance mathmatique Le critre de Hurwicz peut se gnraliser pour se rapprocher de celui de Laplace. On peut considrer que le problme de Hurwicz est celui dune nature manichenne nayant que deux tats possibles : Bien ou Mal, auxquelles sont associes les probabilits et (1-). La quantit hi est alors lesprance mathmatique de la tactique i. Dans le cas o on veut prendre en compte les valeurs intermdiaires, on obtient une formule gnrale desprance mathmatique. Le critre de Hurwicz, est donc un cas particulier de celui desprance mathmatique. - Le critre de Laplace comme critre dun joueur risque-neutre. Le joueur de Laplace attribuant la mme probabilit aux diffrents tats de la nature est dit alors risque-neutre. Avantage : - Critre unifiant toutes les approches prcdentes : MiniMax, MaxiMin, Laplace. - Critre dos ou plutt dosable. Inconvnient : Le optimal est inconnu et bien sr tout est laiss au temprament de lindividu comme on sy attend dans ce chapitre 3.

3.2.2 - Application Calcul MaxiMax = 2,0 correspondant la tactique i=5, soit une production de 120 pour une demande de 120. Dcision Lentreprise appliquera la tactique i=5, soit une production de 120 pour une demande connue davance de 120 et ralisera un bnfice de 2.

3.4 - Critre de Hurwicz : dosage subjectif entre pessimisme et optimisme 3.3.1 - Fondements thoriques Hurwicz ne fait quune combinaison convexe entre pessimisme et optimisme, les deux critres prcdents. Soit , le coefficient doptimisme : 0 1. Si = 1 : la personne est hyper-optimiste Si = 0 : la personne est hyper-pessimiste

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 44 _________________________________________________________________________________________________________________________________________________________ 3.1.2 - Application Calcul Deux hypothses = 0,1 et = 0,9 = 0,9 Ai + (1-)ai 0,8 1,05 1,30 1,55 1,80 i* = 5 = 0,1 Ai + (1-)ai 0,80 0,65 0,50 0,35 0,20 i* = 1 Avantage : - Critre prudent Inconvnient - Critre minimaliste. Ai 0,8 1,1 1,4 1,7 2,0 ai 0,8 0,6 0,4 0,2 0,0 3.1.2 - Application Calcul 80 80 0,0 90 -0,5 100 -1,0 110 -1,5 120 -2,0

i=1 i=2 i=3 i=4 i=5

Tactique optimale Dcision

90 0,0 0 -0,5 -1,0 -1,5

100 0,0 0 0 -0,5 -1,0

110 0,0 0 0 0 -0,5

120 0 0 0 0 0

Min[j] rij 0 -0,5 -1,0 -1,5 -2,0

Max[i] Min[j] rij

- Pour un coefficient doptimisme de 10%, la meilleur tactique est i = 1 - Pour un coefficient doptimisme de 90%, la meilleur tactique est i = 5 3.5 - Critre de Savage : critre de regret minimum 3.3.1 - Fondements thoriques Alors que les quatre prcdentes mthodes nen font quune seule, la mthode de Savage est base sur une autre philosophie : celle du regret. Par comparaison, un optimiste peut prouver du remords (pour avoir agi dans le sens dune maximisation aveugle) alors quun pessimiste peut prouver du regret (pour navoir pas agi dans le mme sens, mais plutt celui de la minimisation du risque). Savage construit la matrice des regrets dfinie par : rij = aij - Max[r]arj (ce qui implique rij 0). Le critre de Savage consiste choisir le regret minimum ; comme les rij sont ngatifs, cela revient prendre la ligne correspondant aux Max[i] Min[j] rij. - Min[j] rij : permet de dterminer le regret le plus lev (pire des choses pour navoir pas vis haut !) - Max[i] Min[j] rij prend le mieux des pires ...

Dcision Selon le critre de Savage, il faut choisir la tactique i=1 qui correspond une production de 80 units. CONCLUSION Il ny a pas de solution universelle en cas dincertitude. Ici interviennent lexprience, le flair, les facteurs subjectifs : dans les plus grandes places financires on parle couramment de guru. Le but de ce chapitre tait dclairer les dcisions en avenir incertain. Lesprance mathmatique joue un grand rle en Thorie de la dcision en environnement incertain

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 45 _________________________________________________________________________________________________________________________________________________________

4 - Exercices dentranement
EXERCICE N 1 Lentreprise PERISH fabrique un bien prissable. Elle ne connat pas sa demande journalire a priori, mais elle a fait des hypothses de productions vendables. Si la quantit produite est infrieure la demande, il y a une perte dopportunit. Par contre, si la production est suprieure la demande, les invendus sont brads. Le bureau dtude interne de PERISH a produit la matrice des bnfices, mais ne peut aller plus loin dans la prise de dcision. En ligne figurent les productions possibles. En colonne figurent les demandes possibles. 80 0,8 0,6 0,4 0,2 0,0 90 0,8 1,1 0,9 0,7 0,5 100 0,8 1,1 1,4 1,2 1,0 110 0,8 1,1 1,4 1,7 1,5 120 0,8 1,1 1,4 1,7 2,0

Exercice 2

Une entreprise lance des cours de langue par cassettes. La demande peut tre de 1.000, 2.000, 3.000, 4.000 ou 5.000 units de cours. Le cot fixe total de cration du cours est de 100.000 F. Le cot variable par jeu de cassettes (formant une unit de cours) est 200 F. Chaque jeu de cassette se vend 400 F. Pour des raisons de prestige les invendus ne peuvent tre solds : on liquide alors les cassettes effaces 117 F le jeu. L'effacement d'un jeu cote 17 F. Toutes les cassettes produites doivent ltre en mme temps : l'entreprise doit dcider du nombre de cours quil faut produire pour maximiser son bnfice. Vous tes consult(e) pour formaliser et rsoudre le problme de la firme qui se ramne un jeu un joueur ; l'entreprise joue comme offreur contre le hasard qui intervient ici au niveau de la demande. TERMES DE REFERENCE 1 - Formaliser le problme de la firme par une matrice de jeu. Les demandes seront en colonnes et les hypothses de production des mmes quantits en lignes. A l'intersection des lignes et colonnes figureront les rsultats de la firme. Les bnfices seront clairement prcds du signe + et les pertes du signe -. 2 - Dterminer la tactique optimale et exprimer loffre de lentreprise et son rsultat selon chacun des cinq critres suivants : 2.1 - Critre de Laplace. 2.2 - Critre de Wald-Neumann : MaxiMin 2.3 - Critre optimiste : MaxiMax 2.4 - Critre de regret minimum: MiniMax 2.5 - Critre de Hurwicz avec une dose d'optimisme = 0,6. 3 - Faire un bref expos comparatif entre les critres de Laplace et de Hurwicz.

80 90 100 110 120

Le Directeur Gnral de PERISH vous consulte en tant quExpert en Thorie de la dcision. Lobjectif de PERISH est de maximiser son bnfice. Termes de rfrence Dterminer la tactique optimale et exprimer loffre de lentreprise et son rsultat selon chacun des quatre critres suivants : 1 - Critre de Laplace : esprance mathmatique 2 - Critre de Wald (ou de Neumann) : MaxiMin ou critre dit pessimiste 3 - Critre optimiste : MaxiMax 4 - Critre de Hurwicz : dosage subjectif () entre pessimisme et optimisme avec deux hypothses sur : = 0,1 et = 0,9.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 46 _________________________________________________________________________________________________________________________________________________________ Exercice 3 Soit le jeu deux joueurs, appels A et B, reprsent par le tableau ci-aprs. Cette matrice reprsente les gains (+) ou pertes(-) du joueur A. Cest un jeu somme nulle : tout ce que gagne un joueur est perdu par son adversaire. EXERCICE 4

Joueur B Joueur A Stratgie 1

Stratgie 1

Stratgie 2

Stratgie 3

+5

+4

+4

Une entreprise lance des cours de langue par cassettes. La demande peut tre de 1.000, 2.000, 3.000, 4.000 ou 5.000 units de cours. Le cot fixe total de cration du cours est de 100.000 F. Le cot variable par jeu de cassettes (formant une unit de cours) est 200 F. Chaque jeu de cassette se vend 400 F. Pour des raisons de prestige les invendus ne peuvent tre solds : on liquide alors les cassettes effaces 110 F le jeu. L'effacement d'un jeu cote 10 F. Toutes les cassettes produites doivent ltre en mme temps : l'entreprise doit dcider du nombre de cours quil faut produire pour maximiser son bnfice. Vous tes consult(e) pour formaliser et rsoudre le problme de la firme qui se ramne un jeu : l'entreprise joue comme offreur contre le hasard qui intervient ici au niveau de la demande. TERMES DE REFERENCE 1 - Formaliser le problme de la firme par une matrice de jeu. Les demandes seront en colonnes et les hypothses de production des mmes quantits en lignes. A l'intersection des lignes et colonnes figureront les rsultats de la firme. Les pertes seront inscrites entre parenthses. 2 - Dterminer la tactique optimale et exprimer loffre de lentreprise et son rsultat selon chacun des cinq critres suivants : 2.1 - Critre de Laplace. 2.2 - Critre de Wald-Neumann : MaxiMin 2.3 - Critre optimiste : MaxiMax 2.4 - Critre de Hurwicz avec une dose d'optimisme = 0,6.

Stratgie 2

+9

+3

+2

Stratgie 3

-5

+2

-1

Stratgie 4

+3

+2

TRAVAIL A FAIRE 1 - Etudier la dominance des stratgies de chaque joueur puis prsenter le tableau rduit. 2 - Ce jeu possde - t - il un point dquilibre ? Si oui, le dterminer.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 47 _________________________________________________________________________________________________________________________________________________________

Titre 4 : Phnomnes dattente3 Chapitre 1 : Introduction aux problmes dattente


1.1 - Lexemple introductif : La coiffure
M. Big ONE, le prsident de HardSell Corporation, a un coiffeur Georges BARBER qui arrive son bureau une fois par semaine pour lui couper les cheveux. Tom BOSS, son Directeur Gnral va se faire coiffer chez le coiffeur John COIFFURE qui a une seule chaise oprationnelle. Georges BARBER visite aussi des P.D.G. dans la ville. Il arrive que Georges attende les P.D.G. parfois occups (en runion par exemple) avant de pouvoir les coiffer. Tom BOSS trouve gnralement des clients arrivs avant lui John COIFFURE. Ces situations ont en commun quelques caractristiques : (1) un service : la coupure des cheveux (2) une station de service : lensemble reprsent par le coiffeur et ses outils (3) des clients qui demandent le service : les personnes qui veulent tre coiffes (4) une rgle dattente qui dtermine lordre dans lequel les personnes seront servies : pour M. Big ONE, cest un systme de rendez-vous ; pour Tom BOSS, cest la rgle du premier-arriv, premier-servi (FIFO) Ces situations impliquent des conflits dans les objectifs de chacun. George BARBER naimerait pas attendre une fois arriv dans le bureau des P.D.G. mme si son tarif a plus ou mois t tudi en prenant en compte ce risque. M. Big ONE ne voudrait pas non plus que George BARBER arrive en retard son rendez-vous. M. Tom BOSS naimerait pas voir des personnes en attente avant son arrive. Il voudrait tre servi aussitt venu4. John COIFFURE voudrait toujours avoir au moins une personne en attente dans sa file pour ne pas chmer. En observant la demande de service, on se rend compte que la plupart des clients aiment se coiffer pendant le week-end (priode de pointe) alors que le lundi, la demande est quasinulle (lundi). Dans la mme journe, il y a des priodes de pointe et des priodes creuses.

De plus, le temps ncessaire pour coiffer deux personnes nest pas le mme ; deux coiffeurs nont pas non plus la mme habilet ou qualification (skill) Les caractristiques se compltent par : (5) le taux des arrives : comment de personnes arrivent par unit de temps pour demander le service ? (6) le temps dattente : pendant combien de temps une personne attend-elle avant dtre servie (temps dattente dans la file + temps du service) (7) le temps de service (le temps que prend strictement la coiffure en excluant lattente pralable) (8) le taux dutilisation du service : le rapport entre lutilisation effective du service et la disponibilit dudit service

1.2 - Autres exemples


Les exemples sont nombreux. Nous attendons dans les files pour la coiffure, lachat de tickets aux guichets, les inscriptions, pour manger au Restau U., dans les feux de circulation routire (feux rouges), devant une toilette ou une cabine tlphonique, au cabinet du mdecin, attente de trouver un organe pour une greffe, etc. Mais il ny a pas que les hommes (ou les tres vivants dont les animaux) qui attendent ; les choses aussi : courrier en attente dtre trait (lu, corrig, dactylographi, etc.), machine en attente de rparation, tches en attente dtre traites par un ordinateur (batch job processing), document en attente dtre imprims (spooler), avions attendant leur tour pour atterrir sur un aroport surcharg, etc. Exemples fournir par les tudiants : -

Principal Ouvrage de rfrence : BRABB Georges J., Introduction to Quantitative Management, Holt, Rinehart and Winston, New York 4 (Cf. publicit de lHtel MIVA : Aussitt venu, aussitt servi)

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 48 _________________________________________________________________________________________________________________________________________________________

1.3 - La taille optimale de service


Le temps dattente a un cot et en gnral, on naimerait pas attendre. Ce temps dattente peut tre rduit en augmentant le nombre de stations de service (nombre de cabine tlphonique ou de cabine W-C), ou en augmentant leur puissance (une imprimante 12 pages par minute au lieu de 6 pages par minute, des routes plus larges, des canaux hauts dbits, une dactylographe plus qualifie, un cadre plus performant pour ltude des dossiers en attente). Toutes ces solutions ont galement un cot plus lev que le statu quo. Par surcrot, aprs laugmentation de capacit, on peut tomber dans un sur-dimensionnement de lquipement avec un taux dutilisation des ressources plus faible donc moins de rentabilit. Le sous-dimensionnement entrane des cots dopportunit : clients dcourags qui abandonnent ou vont se faire servir chez les concurrents, mauvaise publicit ou mauvaise rputation de ltablissement, etc. toutes choses qui nuisent son chiffre daffaires et compromettent sa survie. Il convient donc de dterminer la taille optimale du service. Cette taille est videmment dynamique et devra suivre lvolution de la demande sachant que dans certains domaines il est trs difficile de rduire une capacit installe (infrastructures routires). La file d'attente est l'ensemble des clients qui attendent d'tre servis l'exclusion de ceux qui sont en train de se faire servir. Par contre, le systme d'attente comprend tous les clients prsents. Le temps d'attente est le temps total dpens depuis larrive dans la file la sortie de la station aprs avoir t servi. Par contre, le temps de service est le temps strict que dure le service. Les clients arrivent de manire alatoire. Nous verrons que la loi des arrives peut tre ajuste par certaines lois statistiques bien connues. Ils doivent recevoir un service l'une des stations ; pour cela ils peuvent constituer plusieurs files d'attente spares (une par station), ou une file unique. Il est parfois possible de changer de file. On peut aussi trouver des cas o certains clients sont prioritaires. Enfin, tout habitu d'une administration sait qu'il faut parfois faire la queue d'abord une station puis ensuite une autre... C'est ce que l'on appelle le problme des files d'attente srielles. Nous dirons donc que l'attente obit une rgle qui est fixe arbitrairement et qui s'impose au client (celui qui serait tent de l'oublier se voit rapidement rappel l'ordre par un sonore faites la queue comme tout le monde ). Les clients arrivent donc de manire alatoire, font la queue selon une rgle d'attente pour recevoir de la part des stations un service qui est lui-mme d'une dure alatoire, dont la loi peut tre ajuste par une loi statistique connue. Le problme tant ainsi pos, quelles sont les questions qui peuvent intresser le client, ou l'organisateur du systme? En d'autres termes, quels sont les lments qui vont caractriser notre systme d'attente. Le client pourra se demander : 1) Combien de temps va-t-il attendre en moyenne dans la queue ? 2) Quelle probabilit a-t-il d'attendre pendant plus d'un temps t ? 3) Combien va-t-il trouver de clients avant lui (surtout s'il s'agit d'une queue devant une salle de cinma) ? Le chapitre suivant tentera de rpondre ces questions dans le cas dune seule station de service.

1.4 - Rsum 5
Il y a phnomne d'attente, chaque fois qu'un certain nombre d'units appels clients se prsente d'une manire alatoire afin de recevoir un service, d'une dure alatoire, de la part d'autres units appeles stations. Lorsque le nombre de clients et de stations est tel que les clients doivent attendre avant de se faire servir, il se forme une file d'attente. Un systme d'attente est dit ouvert : lorsque le nombre de client n'a pas une limite connue. (Patients au cours d'une matine au cabinet du mdecin, la demande quotidienne de journaux dans un kiosque, etc.) Un systme est dit ferm lorsque le nombre est fix et connu et est limit. (Etudiants dans un bus attendant dans la file de sortie, dfil militaire, etc.)
5

Rfrence : AZOULAY P., DASSONVILLE P., Recherche Oprationnelle de Gestion, Collection Themis Gestion, Presses Universitaires de France (PUF), Paris, Tome 2 : Recherche oprationnelle en environnement incertain

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 49 _________________________________________________________________________________________________________________________________________________________

Chapitre 2 : Modle de file dattente avec une station


Il existe une infinit de modles de file dattente. Les modles se diffrentient par leurs hypothses. Plus les hypothses sont simplificatrices, plus la rsolution du modle est facile ; plus le modle est raliste (et souvent sophistiqu) plus la rsolution est difficile. Parfois il nexiste pas de solution gnrale ou acadmique. Cest pourquoi dans ce cours nous nous intressons un modle de base dont les solutions sont connues. H2 - La population des clients est infinie Il sagit dune hypothse technique ncessaire pour driver la loi de Poisson. La plupart des phnomnes rels ne peuvent tre ajusts une loi thorique que grce une hypothse de rptition infinie (cf. cours de statistique : variable de Bernoulli et loi Binomiale). Sous ces deux hypothses, la distribution des arrives suit une loi de Poisson

2.1 - Hypothses du modle


H1 - Les arrives sont alatoires et indpendantes Arrives alatoires : tout instant il peut y avoir une arrive ou non. Les arrives ne sont pas prvisibles selon une rgle dterministe. On ne sait pas sil y aura une arrive dans lunit de temps suivante ou non Arrives indpendantes : Les arrives se sont pas corrles. Le fait quune personne soit arrive ne nous donne pas une information sur une arrive ou non lunit de temps suivante (t) infiniment petite (dt). Contre exemples de la non corrlation - Les arrivs des tudiants un guichet dadmission se font en grappe (arrive des bus). - Les appels tlphoniques sont plus denses en cours de semaine par rapport au week-end. Quand cette hypothse nest pas vrifie dans une tude, il faut dcouper le modle en priodes plus ou moins homognes.

H3 - Une seule station de service Les solutions suivantes sont tablies uniquement pour le cas dune seule station. Pour plusieurs stations, la solution est moins vidente. H4 - Rgle de service : First-In First-Out Les clients sont servis selon la rgle du premier arriv, premier servi. Sans cette hypothse, il y aurait une anarchie et les temps moyens drivs ci-aprs nauraient plus de sens. Des modles avec priorit existent (premire et deuxime classes), mais nont pas de solution facile. H5 - Aucun client arriv ne se dcourage et ne sort de la file avant davoir t servi ! Il sagit dune hypothse trs forte mais dont la ncessit est vidente dans le modle. Dans les cas de contre exemple, cela fausse les formules des calculs ci-aprs, do la ncessit de cette hypothse de construction. Exemple validant lhypothse : obligation de se vacciner contre une maladie grave. Contre exemple : les tudiants qui quittent la file dattente du Restau U. pour aller dormir ou tudier ou se nourrir auprs des concurrent du Restau U. Re-formulation de lhypothse : Le modle ne prend en compte que les clients qui arrivent et que ne quittent quaprs avoir t servi. Les autres ne sont pas pris en compte dans le taux darrive.

Exemple de dcoupage - Les lundis, les mardis, etc. ... - 8 h 10h , de 10h 12h, etc. - La consultation des tarifs de tlphone montre les groupes homognes tels quils sont perus par lOPT et/ou tels que lOPT voudrait les endiguer. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 50 _________________________________________________________________________________________________________________________________________________________

2.2 - Notations du modle


2.2.1 - Le taux moyen de service Le taux de service est le nombre de personnes pouvant tre servies en une unit de temps. Exemple : John COIFFURE peut prendre en moyenne 6 clients par heure. = 6 personnes / heure = 1 personne / 10 minutes. 2.2.2 - Le taux moyen des arrives Le taux moyen des arrives et le nombre de personne arrivant en moyenne en une unit de temps. Au regard de lhypothse H5, ne prend en compte que les clients qui arrivent et que ne quittent quaprs avoir t servi. Exemple : 4 clients arrivent par heure John COIFFURE . = 4 personnes / heure = 1 personne / 15 minutes NOTE : Il faut faire attention lunit et rapporter tous les paramtres du modle la mme unit de temps.

(n tant le nombre de ralisation dans lintervalle de temps t.) 2.3.1.2 - Applications Le nombre moyen darrive dans une unit de temps : P(X=n) = e- . n / n !

Exemple 1 : Dterminer la probabilit pour quil arrive 7 personnes une 1 heure chez John COIFFURE. = 4 personnes / heure. Ramenons le problme lheure. = 4/h et t=1 heure = > t = 4/h *1h=4 P(X=7) = e-4 . 47 / 7 ! = 0.0595403626 La probabilit pour quil arrive 7 personnes en 1 heure chez John COIFFURE est de 5.95 % 6 NOTE POUR LES CANDIDATS 1 - Aucune table ntant autorise cet examen, les candidats doivent apprendre manipuler efficacement une calculatrice scientifique et en disposer lexamen. 2 - Dautre part, il faut excuter le calcul dun trait sans reporter les rponses intermdiaires sur papier sinon une trop forte imprcision se glisse dans le rsultat, ce qui peut induire en erreur dans la dcision. 3 - En outre, les rponses doivent tre encadres et expliques dans le langage courant. Exemple 2 : Dterminer la probabilit pour quil arrive 2 personnes un quart dheure chez John COIFFURE. Lunit de temps est ici le quart dheure ( 15 minutes) = 4 personnes / heure = 1 personne / 15 minutes. Ramenons le problme au heure. =1 / h et t = heure = > t = 1 / h * h = 1 P(X=2 en heure) = e-1 . 12 / 2 ! = 0.1839397206 La probabilit pour quil arrive 2 personnes en dheure chez John COIFFURE est de 18.39 % 2.3.2 - La distribution du temps entre deux arrives et du temps de service

2.3 - Solutions du modle


2.3.1 - Le nombre moyen darrive dans lintervalle de temps t 2.3.1.1 - Rappel de la formule de Poisson La probabilit pour que la variable X suivant une loi de Poisson de paramtre prenne une valeur particulire n dans lunit de temps o est exprime est : P(X=n) = e- . n / n ! Lesprance mathmatique E(X) = et la variance V(X) = . Attention : n et doivent tre exprims dans la mme unit de temps : lheure, la minute etc. Cest pourquoi la formule se note plus gnralement : P(X= n dans lintervalle de temps t ) = e-t . (t )n / n !

Nous utilisons dans ce cours le point dcimal la place de la virgule cause des calculatrices scientifiques courantes. On peut utiliser la virgule comme symbole de dcimal mais il ne faut pas mlanger les deux notations.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 51 _________________________________________________________________________________________________________________________________________________________ Il est souvent prfrable de dcrire la loi des arrives par la distribution du temps entre deux arrives dite distribution des inter-arrives. 2.3.2.1 - Loi exponentielle (ngative) Lorsque les arrives sont distribues selon une loi de Poisson, les inter-arrives sont distribues selon la loi exponentielle (ngative) dont la densit de probabilit est : f(t) = e-t , avec E(t) = 1/ et V(t) = 1/ 2 (pour t=1) 2.3.2.3 - Probabilit que lintervalle entre deux arrives soit comprise entre deux bornes On traduit le problme en une conjonction de deux vnements indpendants par hypothse dont le produit des probabilits donne la rponse dsire : P(AB) = P(A) * P(B) La probabilit pour que le temps entre deux arrives soit compris entre deux bornes donnes a et b (avec b>a) est obtenue en multipliant la probabilit de zro arrive jusquau moment a (soit lintervalle de longueur a) par la probabilit davoir au moins une darrive ( 1 arrive) au moment b (soit lintervalle de longueur b). Larrive (ou les arrives) a (ont) d se produire dans lintervalle (b-a). P(X= n dans le temps t ) = e-t . (t )n / n ! P(X=0 dans le temps a) = e-a . (a )0 / 0 ! = e-a P(X 1 dans le temps a) = 1 - P(X=0 dans le temps a) = 1- e-a (probabilit complmentaire) On en dduit en changeant la variable a par (b-a) : P(X 1 dans le temps b-a) = 1 - P(X=0 dans le temps b-a) = 1- e-(b-a) Lvnement quil y ait au moins une arrive pendant lintervalle de temps (b-a) quivaut la conjonction de deux vnements indpendants par hypothse : personne nest arriv jusqu' linstant a et quelquun (au moins) est arriv linstant b, i.e. dans lintervalle (ba), do : P(a I b) = P(X=0 dans le temps a) * P(X 1 dans le temps b-a). P(a I b) = e-a * [1- e-(b-a)] = e-a * [1- e(-b+a)] = e-a - e-a -b +a = e-a - e-b P(a I b) = e-a - e-b Exemple : Quelle est la probabilit quil arrive un client chez John COIFFURE en dix ou douze minutes ? a = 10 mn b = 12 mn = 4 personnes / heure Nous devons rapporter toutes ces valeurs une unit commune : lheure par exemple. b = 1/5 heure = 4 personnes / heure a = 1/6 heure P(a I b) = e-a - e-b = P(1/6 I 1/5 ) = e-4/6 - e-4/5 = 0.0640881549 La probabilit pour quil arrive un client chez John COIFFURE entre 10 et 12 minutes est de 6.41 %

L'intervalle de temps moyens entre deux arrives est videmment linverse du nombre de personne qui arrivent par unit de temps : E(t) = 1/ . De mme, la distribution du temps de service suit une loi exponentielle ngative de densit g(t) = e-t o reprsente le nombre moyen de clients servis par unit de temps. Le temps moyen du service est videmment linverse du nombre de personne servi par unit (pour t=1) de temps : E(t) =1/ . V(t) = 1/ 2 2.3.2.2 - Probabilit que lintervalle entre deux arrives soit suprieure t La probabilit pour que lintervalle de temps sparant deux arrives successives soit suprieure une valeur t est gale la probabilit de nobserver aucune arrive dans lintervalle de temps t , do : P( I t) = P(X= 0 dans lintervalle de temps t ) = e-t . (t )n / n ! = e-t . (t )0 / 0 ! = e-t P( I t) = e-t Exemple : Quelle est la probabilit quentre 11h et 11h15 minutes il ny ait aucune arrive chez John COIFFURE ? t=15 minutes. Retenons lunit de temps comme tant dheure : t=1. Il faut rapporter 15 mn. = 4 personnes / heure = 1 personne / 15 mn pour t=1 P( I t) = e-t = P( I 1) = e-1 = 0.3678794412 La probabilit pour quentre 11h et 11h15 mn il ny ait aucune arrive chez John COIFFURE est de 36.79 % Note : Cette probabilit est valable pour nimporte quel intervalle de 15 minutes. Cest la probabilit pour que lintervalle de temps sparant deux arrives successives soit suprieure 15 minutes.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 52 _________________________________________________________________________________________________________________________________________________________ 2.3.3 - Le taux dutilisation des facteurs ou du service Cest le rapport entre le taux darrive sur le taux de service exprims dans une mme unit de temps. = / Le taux dutilisation de John COIFFURE est : = / = 4 arrives par heures / 6 servis par heure = 4/6 = 2/3 = 0.66667 = 66.67% John COIFFURE utilise deux tiers de sa capacit soit un taux dutilisation de 66.67% Note : Si le taux dutilisation est suprieur 1, il y aura un engorgement, la file saccroissant indfiniment. Une hypothse complmentaire du modle est que / < 1 indique galement le nombre moyen de client en train dtre servi tout instant 2.3.4 - Le nombre moyen de personne en attente dans le systme nimporte quel moment, y compris la personne qui est en train dtre servie E(xs) = /( ) Application John COIFFURE : E(xs) = /( ) = 4/(64) = 4/2 = 2 Chez John COIFFURE, le nombre moyen de personnes que lon peut trouver tout moment dans le salon y compris la personne qui est en train dtre coiffe est 2 clients. 2.3.5 - Le nombre moyen de personne en attente dans le systme nimporte quel moment, except la personne qui est en train dtre servie E(xw) = 2/ ( ) = E(xs) = E(xs) - Application John COIFFURE : - Formule 1 : E(xw) = 2/ ( - l) = 42/6(6-4) = 16/12 = 4/3 = 1.33 clients - Formule 2 : E(xw) = E(xs) = 2/3 * 2 = 4/3 = 1.33 clients - Formule 3 : E(xw) = E(xs) - =2 - 2/3 = 4/3 = 1.33 clients La formule 3 dcoule dune identit : Le temps moyens dpens par un client Chez John COIFFURE (y compris le temps de service) est de 30 minutes. (Rappelons que le taux dutilisation du service est galement le nombre moyen de client en train dtre servi tout instant) Chez John COIFFURE, le nombre moyen de personnes que lon peut trouver tout moment dans la file dattente except la personne qui est en train dtre coiffe est 1.33 clients.

2.3.6 - Le temps moyen dpens par un client dans le systme (y compris le temps de service) E(ts) = 1/( ) Application John COIFFURE : E(xs) = 1/( ) = 1/(64) = 1/2 =0.5 heures soit 30 minutes.

2.3.7 - Le temps moyen dpens par un client dans le systme (except le temps de service)
E(tw) = / ( ) = E(ts) = E(ts) - 1/ Application John COIFFURE : - Formule 1 : E(tw) = / ( ) = 4/6(64) = 4/12 = 1/3 heure soit 20 minutes - Formule 2 : E(tw) = E(ts) = 2/3 * 1/2 = 1/3 heure soit 20 minutes - Formule 3 : E(tw) = E(ts) - 1/ =1/2 - 1/6 = 3/6-1/6 = 2/6 = 1/3 heure soit 20 minutes La formule 3 dcoule dune identit : Temps dpens dans la file = Temps dpens dans le systme - Temps de service (Rappelons que le temps moyens de service E(ts) = 1/ ) Le temps moyens dpens par un client Chez John COIFFURE (except le temps de service) est de 20 minutes. Rsum : en moyenne, un client qui arrive chez John COIFFURE, espre y trouver 2 clients en attente avant son arrive, sera oblig dattendre 20 minutes dans la file pour avoir ses cheveux coups pendant en moyenne 10 minutes supplmentaires ; il ne ressortira en moyenne que 30 mn aprs son entre.

Nombre moyen de personne dans la file = Nombre moyen de personne dans le systme Nombre moyen de personnes en train dtre servie. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 53 _________________________________________________________________________________________________________________________________________________________ 2.3.8 - La probabilit pour que le nombre de client dans le systme excde un nombre donn P (xs > n) = (/) n+1 = () n+1 Application John COIFFURE : Probabilit pour que le nombre de personnes en attente dans le systme soit suprieur 3 : P (xs > 3) = (4/6) 3+1 = (2/3)4 = 0.1975308642 La probabilit pour que le nombre de personnes en attente dans le systme soit suprieur 3 chez John COIFFURE est de 19.75%

2.4 - Exercices dentranement


2.4.1 - Loi de Poisson Sachant que le nombre moyen de communications tlphoniques reues par un standard entre 10 h et 11h est 1,8 par minute, calculer la probabilit pour qu'entre 10:53 et 10:54, il y ait : - aucun appel - 1 appel - au moins 2 appels - plus de deux appels - 2 ou 3 ou 4 appels. 2.4.2 - Loi de Poisson On admet que le nombre de dfauts sur le verre d'une ampoule de tlvision obit une loi de Poisson de paramtre =4. Calculer la probabilit des vnements suivants : - Il n'y a aucun dfaut sur l'ampoule - Il y a plus de 2 dfaut sur l'ampoule - Le nombre de dfaut est compris entre 3 et 7 (bornes incluses). 2.4.3 - Files d'attente Le terminal principal de la Socit des Transports Interurbains est localis GrandVille. La socit emploie un agent de rservation qui s'occupe uniquement des rservations de la clientle. Si un appelant demande une rservation ou des informations sur une possible rservation, la standardiste transfert l'appel l'agent de rservation. Si l'agent est occup, la standardiste met l'appel en attente. Quand l'agent est enfin libre, la standardiste lui branche la premire personne en attente. On suppose que : - les appels suivent une loi de Poisson de paramtre = 15 appels par heure - le temps de service suit une loi exponentielle avec un temps moyen de service 3 minutes. 1 - Quel est le taux d'utilisation (utilization factor) de l'agent ? 2 - Quel est le temps moyen d'attente d'un appelant avant d'tre mis en contact avec l'agent de rservation ? 3 - Quelle est la longueur moyenne de la file d'attente, (i.e. le nombre moyen de personnes en attente d'tre mis en communication avec l'agent de rservation) ?

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 54 _________________________________________________________________________________________________________________________________________________________ 2.4.4 - File dattente M. Jean X a ouvert un salon de coiffure sous l'enseigne JOHN Coiffure. En 1996, il avait un seul fauteuil de service. Les clients arrivent un rythme alatoire. Le modle de service chez JOHN Coiffure est le premier-venu, premier-servi, (chacun son tour chez le coiffeur). Quoique les ttes n'aient pas les mmes besoins de raffinement, M. Student T., un tudiant en matrise, aprs avoir tudi une centaine de cas, propose un temps moyen de service de 10 minutes par client. Les cas de coupure de barbe sont isols et ne sont pas tudis par le jeune chercheur. D'aprs ses statistiques, Student remarque qu'en moyenne 4 clients entrent dans le salon en 1 heure. - Quelle est la loi des arrives ? - Quelle est la probabilit de voir 7 clients arriver en 1 heure ? - Quelle est la loi des inter-arrives ? - Quelle est la probabilit pour que deux arrives soit spares par une dure de 10 12 minutes ? - Dfinir et calculer , le taux d'utilisation (utilization factor). Que se passerait-il si on avait > 1 ? Quelle est a priori la valeur optimale de ? - Donner l'expression et calculer * le nombre moyen de personnes en attente dans le salon tout moment (y compris le client en train d'tre servi). * le nombre de client dans la file d'attente (except donc celui qui est en train d'tre coiff) * le temps moyen dpens par un client dans le systme ( y compris le temps de service) * le temps moyen dpens par un client dans la file d'attente (except donc le temps de service) * la probabilit que le nombre de personnes en attente dans le systme soit suprieur 2,5 clients. 2.4.5 - File dattente Les arrives des clients au poste de vente de la firme Grande Socit S.A. suivent une loi de Poisson avec un temps moyen des inter-arrives de 5 minutes. Les temps de service suivent la loi exponentielle avec une moyenne de 3 minutes. A son arrive, le client tire un numro squentiel et s'installe sa guise ; il n'y a donc pas de file physique. Les clients sont servis par appel de leur numro ; il y a donc une file logique. Dterminez : a - le nombre moyen de personnes en attente dans la file tout moment (y compris le client en train d'tre servi). b - le nombre de clients dans la file d'attente (except donc celui qui est en train d'tre servi) c - le temps moyen dpens par un client dans la file d'attente (except le temps de service) d - le temps moyen dpens par un client dans le systme (y compris le temps de service) e - la probabilit pour que le nombre de personnes en attente dans le systme soit suprieur 5 clients. 2.4.6 - File dattente Au restaurant universitaire de la Nouvelle Universit, il n'y a qu'un seul poste de service et une seule serveuse. Les tudiant(e)s forment une file physique d'attente et sont servi(e)s dans leur ordre dans la file. Il y rgne une discipline lgendaire librement consentie par les futurs leaders de la Nouvelle Socit ; aucune personne ne se fait servir en dehors de la file. Les arrives suivent une loi de Poisson de paramtre = 3 tudiant(e)s par minute. Le temps de service suit une loi exponentielle avec un temps moyen de service 18 secondes. 1 - Quel est le taux d'utilisation (utilization factor) du service ? 2 - Quel est le temps moyen d'attente qu'un(e) tudiant(e) fait dans la file avant qu'on ne commence le(la) servir ? 3 - Quelle est la longueur moyenne de la file d'attente, (i.e. le nombre moyen d'tudiant(e)s en attente hors celui(celle) qui est en train d'tre servi(e) ? 4 - Quelle est la probabilit pour que le nombre d'tudiant(e)s en attente dans le systme soit suprieur 10 ? 5 - A quelle condition mathmatique lmentaire, la "lgendaire discipline librement consentie" risque-t-elle d'tre soumise rude preuve ? 2.4.7 - File dattente Les lettres arrivent au Pool Central de Stno-Dactylographie de la firme Grande Socit S.A. de manire alatoire un taux de 8 par heure. Un(e) stnodactylo peut traiter en moyenne 3 lettres par heure. Combien de stnodactylo Grande Socit S.A. devrait avoir si la politique de la firme est de ne pas faire attendre une lettre pour plus de 30 minutes avant qu'un(e) stnodactylo ne commence son traitement ?

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 55 _________________________________________________________________________________________________________________________________________________________ dlai dapprovisionnement est de 2 mois ; la marge de scurit est de 1 mois, la cadence de consommation est rgulire.

Titre 5 : Gestion des stocks Chapitre 1 : Notions de base


Le stockage est utile pour viter lentreprise la discontinuit de ses oprations de production et de vente. Une rupture de stock de matire premire ou de produit semi-fini est source de blocage de la production et de cots fixes. Une rupture de stock de produit fini est source de perte de chiffre daffaires. On pourrait penser donc que lobjectif du gestionnaire de stock est dassurer le stock maximum pour lentreprise. Mais le stock a plusieurs cots. Un trs grand stock est source dimmobilisation de capitaux, entrane des frais de stockage, de gardiennage, des risques de premption ou dobsolescence, etc. Le problme du gestionnaire des approvisionnements et de concilier deux tendances opposes : maximiser la quantit en stock et minimiser le cot de stockage. Ce problme est classique en conomie ; il sagit doptimiser le stock.

Taux de consommation ou cadence de consommation = 1800 kg par an En prenant le mois comme unit de temps, il vient : t=1800 kg/12 mois = 150 kg/mois. Dlai de rapprovisionnement : temps qui s'coule entre le lancement de la commande et la rception : d = 2 mois Stock dlai : sd = d * t = 150 kg/mois x 2 mois = 300 kg sd = 300 kg

1.1 - Diffrents concepts de stock


Les vocables pour dsigner les diffrents concepts de stocks varient dun auteur un autre. Dans ce cours, nous distinguerons : - le stock dlai - le stock de scurit - le stock d'alerte - le stock moyen.

1.1.2 - Le stock de scurit Cest le stock dont lcoulement correspond au temps ncessaire pour faire face tout ala de livraison de la commande. Il ne doit normalement pas tre entam. ss = taux de consommation * a avec a : dlai de marge de scurit Exemple : La firme MAGIX L'entreprise MAGIX considre que les alas de livraison ne peuvent dpasser 1 mois. ss = 150 kg/mois * 1 mois = 150 kg

1.1.3 - Le stock d'alerte C'est le niveau de stock au niveau duquel, il faut immdiatement passer commande. Stock d'alerte = Stock dlai + stock de scurit. sa = sd + ss Exemple : La firme MAGIX sa = sd + st = 300 kg + 150 kg = 450 kg

1.1.1 - Le stock dlai : sd Cest le stock dont lcoulement correspond au dlai dapprovisionnement (d). sd = d * taux de consommation Exemple : La firme MAGIX L'entreprise MAGIX fabrique le produit IX partir de la matire STOCKIX. Sa consommation annuelle est de 1800 kg de matire STOCKIX achete au prix de 40 F. Le

1.1.4 - Le stock moyen Le stock moyen est la moyenne arithmtique des stocks au cours de l'anne. Il se calcule selon le nombre de donnes disponibles et peut se calculer en quantit comme en valeur. Exemples :

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 56 _________________________________________________________________________________________________________________________________________________________ Stock moyen = (Stock initial + Stock final ) / 2 Stock moyen = (Stock Maximum + Stock Minimum ) / 2 1.2.1 - Les cots de stockage 1.1.5 - Reprsentation graphique des diffrents concepts sur une base annelle
Quantit Y 1800 1650 1500 1350 1200 1050 900 750 600 Sa 450 Sd Ss 300 150 0 1 2 3 4 5 6 7 8 9 10 d=2 11 12 a=1 1 2 X Temps Y = 1 800 - 150X

Le cot total des stocks est : = 1 + 2

Le cot de stockage comprend : - le cot annuel de passation de commandes : c - le cot annuel de dtention des stocks : d Le cot total de stockage est : 1 = c + d 1.2.1.1 - Le cot annuel de passation des commandes : c - Cot des oprations administratives * tenue des stocks : manuelle ou sur ordinateur * rapprochement inventaire physique et inventaire thorique * passation de la commande : enveloppe, timbre, secrtariat, ... * * * - Cot des oprations physiques * rception des commandes * contrle de qualit, de conformit * * 1.2.1.2 - Le cot annuel de dtention des stocks : d - intrt de l'argent immobilis : * financement sur le crdit bancaire * autofinancement : cot d'opportunit sur les capitaux immobiliss - cot d'obsolescence Obsolescence = vieillissement technologique. On appelle rossignols, les produits dclasss : bien invendables destins tre brads voire dtruits, articles obsoltes, dmods (out-of-date), dont la clientle ne veut plus ou qui sont inutilisables car prims, rouills, avaris.

1.2 - Les cots relatifs au stock

Ces cots sont de deux sortes : - les cots de stockage : 1 - les cots de rupture ou de pnuries : 2 ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 57 _________________________________________________________________________________________________________________________________________________________ - cot d'assurance : * risques de vol * risques d'incendie * risques d'inondation * risque de dgts des eaux (par les fentres ou les canaux par exemple) * pollution : par produits chimiques, atomiques, bruits, etc. - cot fiscal : impt sur le capital dans certains rgimes

Exemple MAGIX. La demande de produit IX au cours de l'anne est de 6000 units. La demande satisfaite est de 4800 units. 80 % s = 4800 / 6000 = r = (6000 - 4800) / 6000 = 1200 / 6000 = 20 % --------100 % s + r =

1.2.2 - Les cots de rupture ou de pnurie 1.2.2.1 - Dfinition et consquence Ce sont essentiellement des cots d'opportunit. En ce qui concerne la distribution peut citer : - manque gagner = vente perdue - perte de clientle due - dtrioration de l'image de marque - paiement ventuel de pnalits de retard ou de non livraison En ce qui concerne la production, on peut citer : - blocage de la production - cot de chmage des ateliers - dtrioration de produits complmentaires disponibles 1.2.2.2 - Mesure et estimation du taux de rupture Comme tout cot d'opportunit, la mesure du cot de pnurie est dlicate, voire subjective. On peut retenir toutefois deux statistiques : - le taux de rupture r r = Nombre d'units manquantes / Nombre d'units demandes r = Nombre d'chance non respectes / Nombre total d'chance - le taux de service s s = 1 - r 1.2.2.3 - Estimation du cot de rupture Hypothse sur le cot de rupture : le cot de rupture R constant et dtermin grce une valuation moyenne sur plusieurs annes. En consquence le cot de rupture est : 2= r * R

Chapitre 2 : Formalisation du cot de gestion de stockage


2.1 - Le modle
Il s'agit de minimiser le cot total de stock : = 1 + 2 o 1 : les cots de stockage 2 : les cots de rupture ou de pnurie. Le modle considre qu'il n'y a pas de cot de rupture : 2 = 0. En effet, le modle devrait viter la rupture. L'objectif revient donc minimiser les cots de stockage 1 = c + d o c : le cot annuel de passation de commandes d : le cot annuel de dtention des stocks :

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 58 _________________________________________________________________________________________________________________________________________________________ Soient : v : le cot variable unitaire par commande C : la consommation annuelle en quantit Q : la quantit commander (N fois dans l'anne) C/Q = N : le nombre de commande passer au cours de l'anne c = vC/Q = vN : le cot annuel de passation Soient : t : le taux de possession du stock exprim pour 1 F par an. Exemple t = 0.1 = 10% : il cote 10 F de stocker 100 F de marchandises en 1 an 2.2.2 - Condition de 2nd ordre P : prix (unitaire) du bien P = f(Q) : le prix est fonction des quantits achetes (conomies d'chelles, remise et ristournes). Wilson fait l'hypothse simplificatrice de P = constant. Le Stock moyen : (Stock Maximum + Stock Minimum ) / 2 Ici le Stock Maximum = QP : la commande chaque priode. On refait le plein. Le Stock minimum est nul; Le modle considre que le stock de scurit est nul. En consquence,: Stock moyen valeur = (QP + 0 ) / 2. Sm = QP/2 Le cot de stockage annuel est : d = t * Sm = t QP /2 d = t QP /2 Il s'agit de trouver le lot conomique commander i.e. la quantit Q qui minimise le cot annuel 1(Q) = c(Q) + d (Q) '(Q) = - vC/Q2 + tP/2 = - Q-2 + ''(Q) = +2 Q-3 > 0 lorsqu'il est dfini. avec >0

2.2 - Solution du modle : Mthode du lot conomique commander


Le problme revient un problme d'optimisation sans contrainte. 2.2.1 - Condition de 1er ordre '(Q) = - vC/Q2 + tP/2 = 0 v C/Q2 = tP/2 Q2 = 2 vC/tP

Q=

2vC IP

''(Q) > 0 : l'optimum dtermin par la condition de 1er ordre est un minimum.

2.3 - Solution du modle : Mthode du nombre de commandes passer


Le problme revient un problme d'optimisation sans contrainte. Rappel : C/Q = N : le nombre de commande passer au cours de l'anne => Q = C/N. En remplaant Q par sa valeur dans , il vient : Min (N) = vN + t(C/N)P/2 Min (N) = vN + tCP/2N 2.3.1 - Condition de 1er ordre '(N) = v - tCP/2N2 = 0 v = tCP/2N2 N2 = tCP/2v

1(Q) = vC/Q + tQP/2 En abandonnant l'indice 1 l'objectif devient : Min (Q) = vC/Q + tQP/2 2.3.2 - Condition de 2nd ordre

N=

ICP 2v

'(N) = v - tCP/2N2 = - N-2 avec >0 ''(N) = +2 N-3 > 0 lorsqu'il est dfini. ''(N) > 0 : l'optimum dtermin par la condition de 1er ordre est un minimum.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 59 _________________________________________________________________________________________________________________________________________________________

Chapitre 3 : Gestion du stock dun produit


Les formules tablies au chapitre prcdent ont donn lieu au calcul du lot conomique commander en supposant une consommation rgulire dans le temps. En fait, l'activit est souvent irrgulire; ce chapitre fait l'application des diffrents modles d'irrgularit. A - Une seule commande annuelle - cadence constante B - Plusieurs commandes - cadence variable - quantits constantes C - Plusieurs commandes - quantit variable - priode rgulire

N.B. On se contentera de calculer et de reprsenter ces stocks en quantit. OPTION B La cadence de consommation est suppose constante pendant l'anne de 360 jours. Pour minimiser son stock maximum et les frais de stockage de la matire STOCKIX, la firme MAGIX envisage de fractionner la consommation annuelle en plusieurs commandes. Elle doit alors supporter des cots de passation (ou d'acquisition) d'une commande de 150 francs. Le cot de stockage (ou de possession) est de 6 francs par an par kg de matire stocke. Calculer : B. 1: N le nombre de commande effectuer par an B. 2: Lot conomique commander en quantit (Lq) et en valeur (Lv) B. 3: La cadence d'approvisionnement. N.B. Les questions de la srie B pourraient tre traites dans un ordre diffrent de celui propos. OPTION C En fait l'activit de MAGIX est saisonnire et la consommation irrgulire qui en rsulte se prsente ainsi (en kg) Jan. Avr. Jul. Oct. 150,0 187,5 112,5 187,5 Fv. Mai. Ao. Nov. 112,5 150,0 37,5 187,5 Mar. Jun. Sep. Dc. 187,5 150,0 150,0 187,5 cadence de

3.1 - Enonc
Extrait de Charles KOUPHIN, Magloire LANHA, Manuel d'entranement en Comptabilit Analytique, Universit Nationale du Bnin, Cotonou, 1991.

THEME : ETUDE ECONOMIQUE ET BUDGETAIRE DES APPROVISIONNEMENTS

- Stocks minimum, de scurit et d'alerte, graphe. - Nombre optimal de commandes, lot conomique commander - Budget des approvisionnements : - quantits constantes - priode rgulire L'entreprise MAGIX fabrique le produit IX partir de la matire STOCKIX. Sa consommation annuelle est de 1800 kg de matire STOCKIX achete au prix de 40 F. Elle tudie les trois options d'approvisionnement pour l'anne 1990. OPTION A MAGIX lance une seule commande par an. Sachant que le dlai d'approvisionnement est d = 2 mois, la marge de scurit s = 1 mois et en supposant que la consommation est rgulire sur toute l'anne 1990, A.1 : Calculer Sm, le stock minimum s'coulant du lancement de la commande sa rception. A.2 : Calculer Ss, le stock de scurit ou niveau du stock la rception de la commande. A.3 : Calculer Sa, le stock d'alerte ou niveau du stock au lancement de la commande. A.4 : Reprsenter graphiquement ces donnes.

Les commandes sont toujours lances en fin de mois. Le dlai d'approvisionnement est de deux mois. Les rceptions se font le dernier jour du mois prcdent celui o le stock de scurit de 150 kg risque d'tre entam. Le nombre annuel de commande est 6. Le stock de matire STOCKIX au 31.12.89 est de 412,5 kg. Prsenter (a) la fiche prvisionnelle de stock approvisionnements dans les deux cas suivants : et (b) le budget des

C.1 : les quantits commandes sont constantes. C.2 : les commandes sont effectues par intervalles rguliers de temps et couvrent exactement la consommation ncessaire entre deux rceptions.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 60 _________________________________________________________________________________________________________________________________________________________

3.2 - Corrig
OPTION A SM Sm Sa Ss A-1 : : : : Stock Maximum Stock minimum Stock dalerte Stock de scurit A - 4 Reprsentation graphique des donnes GRAPHE

: Consommation annuelle Sm = --------------------------------- x d ( mois ) = Cadence de consommation x d Anne ( mois ) 1 800 kg Sm = -------------------- x 2 ( mois ) = 150 kg / mois x 2 mois = 300 kg 12 ( mois ) A-2 A-3 :Ss = Cadence de consommation x s = 150 kg / mois x 1 mois = 150 kg :Sa = Sm + Ss = 300 kg = 450 kg Autre formule : Sa = Cadence x ( d + s ) = 150 kg / mois x ( 2 + 1 ) mois Sa = 150 kg / mois x ( 2 + 1 ) mois = 150 kg / mois x 3 mois = 450 kg

Quantit Y 1800 1650 1500 1350 1200 1050 900 750 600 Sa 450 Sd Ss 300 150 0 1 2 3 4 5 6 7 8 9 10 d=2 11 12 a=1 1 2 X Temps Y = 1 800 - 150X

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 61 _________________________________________________________________________________________________________________________________________________________ OPTION B B.1 Nombre annuel de commandes N 6 (Lv = Lq . P = 300 * 40 = 12 000) B.3 Cadence dapprovisionnement (formule de WILSON) o : : : : : : Nombre annuel de commandes Cot de stockage de 1 F de matire par an Consommation annuelle en quantit Prix unitaire Consommation annuelle en valeur Cot variable unitaire dacquisition dune commande. Anne ( jours ) 360 jours r = -------------------------- = ------------------- = 60 jours = 2 mois N 6 La cadence est e 300 kg tous les deux mois.

N=

tCP 2v
N t C P CP v

Remarque : Les questions de l'option B peuvent tre traites dans un autre ordre si l'on emploie une autre formule .

t = 6 F par an pour 1 kg de matire valant 40 F 6F t = --------- = 0,15 ( soit 15 % ) 40 F Soit C : consommation annuelle en quantit ( C = SM ) CP = 1 800 kg x 40 F / kg = 72 000 F v = 150 F Exemple

LV =
puis

Lv 2 vCP ; on en dduit Lq = P t Anne Q N= et enfin r= N Lq

N=

0,15 x 72 000 = 36 2 x 150

Application = 6 commandes par an (1) Lv =

Remarque La formule de WILSON scrit aussi

2 x 150 x 72.000 = 44.000.000 = 12.000 F 0,15

N=

t . C. P 200v

o t est exprim pour 100 F / an.

(2)

Lq = N=

12.000 = 300 kg 40 1800 . = 6 commandes par an 300

B.2 Lot conomique commander C 1 800 kg Lq = ------------ = ------------- = 300 kg N 6 C.P 72 000 F Lv = -------- = ----------------- = 12 000 F (3)

- en quantit

(4) soit une cadence de 300 kg tous les deux mois. - en valeur

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 62 _________________________________________________________________________________________________________________________________________________________ OPTION C C.1 Quantits constantes : 1.800 kg = ------------ = 300 kg. 6 C.1 a - Fiche prvisionnelle de stock (kg) Lq
Sorties (consommations) (2) 150.0 112.5 187.5 187.5 150.0 150.0 112.5 37.5 150.0 187.5 187.5 187.5 1 800.0 Stocks Stocks Date de lancement de Rception restant (sans rectifi (avec la commande reue en (fin de mois) rception) rception) fin du mois courant (3) 412.5 262.5 150.0 262.5 375.0 225.0 375.0 262.5 225.0 375.0 187.5 300.0 412.5 /////////////////////// (4) 300.0 300.0 300.0 300.0 300.0 300.0 1 800.0 (5) (6) 412.5 262.5 450.0 Fin Dc. 89 562.5 Fin Jan. 90 375.0 525.0 Fin Mar. 90 375.0 262.5 525.0 Fin Jun 90 375.0 487.5 Fin Ao. 90 600.0 Fin Sep. 90 412.5 ////////////////////// /////////////////////////////////////

Remarque 1 : Dans les conditions dfinies par l'preuve, le stock final doit tre gal au stock initial (412,5 kg) Remarque 2 : Les inconnues dterminer sont les dates lancement des commandes et accessoirement les dates de rception. Remarque 3 : Autre prsentation possible du tableau de fin de mois.
Stocks en dbut de mois (B) 412.5 262.5 450.0 562.5 375.0 525.0 375.0 262.5 525.0 375.0 487.5 600.0 ////////////////////// Sorties (consommations) (C) 150.0 112.5 187.5 187.5 150.0 150.0 112.5 37.5 150.0 187.5 187.5 187.5 1 800.0 Stocks final (sans rception) Stock Stocks Date de lancement de Rception Besoin du rectifi (avec la commande reue en (fin de mois ) mois suivant rception) fin du mois courant (F) 300.0 300.0 300.0 300.0 300.0 300.0 1 800.0 (G) (H) 412.5 262.5 450.0 Fin Dc. 89 562.5 Fin Jan. 90 375.0 525.0 Fin Mar. 90 375.0 262.5 525.0 Fin Jun 90 375.0 487.5 Fin Ao. 90 600.0 Fin Sep. 90 412.5 ////////////////////// /////////////////////////////////////

Priodes

(1) Dc. 89 Jan. 90 Fv. 90 Mar. 90 Avr. 90 Mai. 90 Jun. 90 Jul. 90 Ao. 90 Sep. 90 Oct. 90 Nov. 90 Dc. 90 Total 1990

Priodes (A) Dc. 89 Jan. 90 Fv. 90 Mar. 90 Avr. 90 Mai. 90 Jun. 90 Jul. 90 Ao. 90 Sep. 90 Oct. 90 Nov. 90 Dc. 90 Total 1990

(D) (E) 412.5 262.5 150.0 150.0 37.5 262.5 75.0 375.0 225.0 225.0 75.0 375.0 262.5 262.5 225.0 225.0 75.0 375.0 187.5 187.5 300.0 112.5 412.5 - 1 387.5 ///////////////////////////////////////////////

L'algorithme est le suivant : A(t) et C(t) sont exognes (donnes de l'preuve) B(t) = G(t-1) D(t) = B(t) - C(t) E(t) = D(t) - C(t+1) Si E(t) < 150 (stock de scurit) alors F(t) = 300 (quantit constante) Sinon F(t) = 0 (pas de rception) Fin de Si E(t) < 150 (stock de scurit) alors G(t) = D(t) + F(t)

Algorithme de construction du tableau 1 - On remplit d'abord les colonnes (1) et (2) selon l'nonc. 2 - La colonne (3) = (5) du mois prcdent - (2) du mois courant 3 - La colonne (5) = (3) du mois courant + (4) du mois courant. 4 - Selon l'nonc, la rception - colonne (4) - a lieu en fin de mois. La colonne (4) tant comprise dans la colonne (5), celle-ci masque des ruptures en cours de mois. En consquence, seule la colonne (3) est pertinente pour dterminer le risque de rupture de stock ou d'entamer le stock de scurit en cours de mois.

Remarque 4 : Si les commandes et rceptions avait lieu en dbut de mois, le 5 - Si (3) risque d'tre infrieur strictement au stock de scurit (150 kg), il faut travail serait plus simple. qu'on ait rceptionn une nouvelle commande la fin du mois prcdent : colonne (4) qui a d tre lance deux mois plus tt : colonne (6) en quantit constante (4) = 300 kg. ______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 63 _________________________________________________________________________________________________________________________________________________________ C.1.b Budget des approvisionnements.
Budget de commande en fin de mois (6) 12 000 12 000 12 000 12 000 12 000 12 000 12 000 72 000

C.2 C.2.a

Priodes rgulires de lancement des commandes. Fiche prvisionnelle de stock

Mois (1) Dc. 89 Jan. 90 Fv. 90 Mar. 90 Avr. 90 Mai. 90 Jun. 90 Jul. 90 Ao. 90 Sep. 90 Oct. 90 Nov. 90 Dc. 90 Total 1990

Stock Initial (2) 16 500 10 500 18 000 22 500 15 000 21 000 15 000 10 500 21 000 15 000 19 500 24 000 //////////////////

Reception (fin de mois) (3) 12 000 12 000 12 000 12 000 12 000 12 000 72 000

Sorties (4) 6 000 4 500 7 500 7 500 6 000 6 000 4 500 1 500 6 000 7 500 7 500 7 500 72 000

Stock final (5) 16 500 10 500 18 000 22 500 15 000 21 000 15 000 10 500 21 000 15 000 19 500 24 000 16 500 ///////////////

Rsum de l'algorithme Les principes exposs dans le cas C.1.a restent valables une exception prs : au moment mme o le stock de scurit (150 kg) devrait tre atteint (fin du mois M), une commande lance deux mois plus tt (fin du mois M-2) couvrant exactement la consommation des deux mois suivants (M+1 et M+2) est rceptionne.
Sorties (consommations) (2) 150.0 112.5 187.5 187.5 150.0 150.0 112.5 37.5 150.0 187.5 187.5 187.5 1. 800

Priodes

Stocks Rception Stocks Date de lancement de la restant (sans (fin de rectifi (avec commande reue en fin du rception) mois) rception) mois courant (3) 412.5 262.5 150.0 337.5 150.0 300.0 150.0 187.5 150.0 337.5 150.0 337.5 150.0 ////////////////////// (4) 375.0 300.0 150.0 337.5 375.0 262.5 1. 800 (5) (6) 412.5 262.5 525.0 Fin Dc 89 = Mar+Avr 90 337.5 450.0 Fin Jan 90 = Mai+Juin 90 300.0 300.0 Fin Avr90 = Jul+Ao 90 187.5 487.5 Fin Jun 90 = Sept+Oct 90 337.5 525.0 Fin Ao = Nov+Dc 90 337.5 412.5 Fin Oct90 = Jan+Fv 91 ////////////////////// //////////////////////////////////////////////

N.B. Le Budget est toujours valoris. Les quantits dtermines par la fiche prvisionnelle de stock ont t multiplies par le prix de 40 F/kg. Algorithme de construction du tableau 1 - On remplit d'abord les colonnes (1) , (4) et (3) partir de la fiche de stock (valorisation). 2 - La colonne (5) = (2) + (3) - (4) de la ligne courante. 3 - La colonne (2) = (5) de la ligne prcdente . 4 - La colonne (6) est remplie en se servant de la colonne (6) de la fiche de stock mais en rintgrant les dates de lancement de commande sur la ligne du mois correspondant .

(1) Dc. 89 Jan. 90 Fv. 90 Mar. 90 Avr. 90 Mai. 90 Jun. 90 Jul. 90 Ao. 90 Sep. 90 Oct. 90 Nov. 90 Dc. 90 Total 1990

Remarque On fait l'hypothse que les consommations de Jan et Fv 91 sont gales celles de Jan. et Fv. 90. Cette hypothse est implicite dans C.1.a.

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 64 _________________________________________________________________________________________________________________________________________________________ C.2.b Budget des approvisionnements.
Stock Initial (2) 16 500 10 500 21 000 13 500 18 000 12 000 12 000 7 500 19 500 13 500 21 000 13 500 ////////////////// Reception (fin de mois) (3) 15 000 12 000 6 000 13 500 15 000 10 500 72 000 Budget de commande en fin de mois (6) 15 000 12 000 6 000 13 500 15 000 10 500 15 000 72 000

Mois (1) Dc. 89 Jan. 90 Fv. 90 Mar. 90 Avr. 90 Mai. 90 Jun. 90 Jul. 90 Ao. 90 Sep. 90 Oct. 90 Nov. 90 Dc. 90 Total 1990

Sorties (4) 6 000 4 500 7 500 7 500 6 000 6 000 4 500 1 500 6 000 7 500 7 500 7 500 72 000

Stock final (5) 16 500 10 500 21 000 13 500 18 000 12 000 12 000 7 500 19 500 13 500 21 000 13 500 16 500 ///////////////

Rsum de lalgorithme Idem qu'en C.1.a Fin Dcembre 90 une commande est lance analogue celle de fin Dcembre 89 soit 375 kg valant 15.000 F

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA

Techniques Quantitatives Appliques la Gestion SE 3 -Gestion Page 65 _________________________________________________________________________________________________________________________________________________________ 2.4.5 - File dattente ________________________________________________54 2.4.6 - File dattente ________________________________________________54 2.4.7 - File dattente ________________________________________________54

TABLE DES MATIERES DU TITRE

4 - Exercices dentranement ___________________________________45 Titre 4 : Phnomnes dattente _________________________________47


Chapitre 1 : Introduction aux problmes dattente _____________________47
1.1 - Lexemple introductif : La coiffure _________________________________ 1.2 - Autres exemples ________________________________________________ 1.3 - La taille optimale de service _______________________________________ 1.4 - Rsum ______________________________________________________ 47 47 48 48

Titre 5 : Gestion des stocks ____________________________________ 55


Chapitre 1 : Notions de base ______________________________________55
1.1 - Diffrents concepts de stock________________________________________55 1.1.1 - Le stock dlai : sd _____________________________________________55 1.1.2 - Le stock de scurit ___________________________________________55 1.1.3 - Le stock d'alerte ______________________________________________55 1.1.4 - Le stock moyen ______________________________________________55 1.1.5 - Reprsentation graphique des diffrents concepts sur une base annelle ___56 1.2 - Les cots relatifs au stock__________________________________________56 1.2.1 - Les cots de stockage _________________________________________56 1.2.1.1 - Le cot annuel de passation des commandes : c ________________56 1.2.1.2 - Le cot annuel de dtention des stocks : d _____________________56 1.2.2 - Les cots de rupture ou de pnurie _______________________________57 1.2.2.1 - Dfinition et consquence___________________________________57 1.2.2.2 - Mesure et estimation du taux de rupture________________________57 1.2.2.3 - Estimation du cot de rupture________________________________57

Chapitre 2 : Modle de file dattente avec une station _________________49


2.1 - Hypothses du modle ___________________________________________ 49 2.2 - Notations du modle _____________________________________________ 50 2.2.1 - Le taux moyen de service ____________________________________ 50 2.2.2 - Le taux moyen des arrives __________________________________ 50 2.3 - Solutions du modle _____________________________________________ 50 2.3.1 - Le nombre moyen darrive dans lintervalle de temps t______________ 50 2.3.1.1 - Rappel de la formule de Poisson_____________________________ 50 2.3.1.2 - Applications ____________________________________________ 50 2.3.2 - La distribution du temps entre deux arrives et du temps de service_____ 50 2.3.2.1 - Loi exponentielle (ngative) _______________________________ 51 2.3.2.2 - Probabilit que lintervalle entre deux arrives soit suprieure t __ 51 2.3.2.3 - Probabilit que lintervalle entre deux arrives soit comprise entre deux bornes ________________________________________________________ 51 2.3.3 - Le taux dutilisation des facteurs ou du service_____________________ 52 2.3.4 - Le nombre moyen de personne en attente dans le systme nimporte quel moment, y compris la personne qui est en train dtre servie ________________ 52 2.3.5 - Le nombre moyen de personne en attente dans le systme nimporte quel moment, except la personne qui est en train dtre servie__________________ 52 2.3.6 - Le temps moyen dpens par un client dans le systme (y compris le temps de service) _______________________________________________________ 52 2.3.7 - Le temps moyen dpens par un client dans le systme (except le temps de service) ___________________________________________________________ 52 2.3.8 - La probabilit pour que le nombre de client dans le systme excde un nombre donn ____________________________________________________ 53 2.4 - Exercices dentranement _________________________________________ 53 2.4.1 - Loi de Poisson ______________________________________________ 53 2.4.2 - Loi de Poisson ______________________________________________ 53 2.4.3 - Files d'attente _______________________________________________ 53

Chapitre 2 : Formalisation du cot de gestion de stockage _____________57


2.1 - Le modle ______________________________________________________57 2.2 - Solution du modle : Mthode du lot conomique commander____________58 2.2.1 - Condition de 1er ordre _________________________________________58 2.2.2 - Condition de 2nd ordre _________________________________________58 2.3 - Solution du modle : Mthode du nombre de commandes passer __________58 2.3.1 - Condition de 1er ordre _________________________________________58 2.3.2 - Condition de 2nd ordre _________________________________________58

Chapitre 3 : Gestion du stock dun produit __________________________59


3.1 - Enonc ________________________________________________________59 3.2 - Corrig ________________________________________________________60

______________________________________________________________________________________________________________________________________________________ Universit Nationale du Bnin (UNB) Facult des Sciences Juridiques Economiques et Politiques (FASJEP) 1996 - Magloire LANHA