Académique Documents
Professionnel Documents
Culture Documents
d’expériences
Dellagi Sofiene
MCF/HDR à l’UL/MetzResponsable de l’équipe MPM au
sein du LGIPM
Simulation et plan d’expériences
Introduction
Exemples pratiques
1ème Partie
Introduction à la simulation
3
Pratique de la
Simulation
Introduction
La simulation est l’un des outils d’aide à la décision les plus efficaces
Conception et gestion des systèmes complexes
Principe :
Construction d’un modèle du système réel
Conduite d’expériences sur ce modèle
Comprendre le comportement
Améliorer les performances
4
Pratique de la
Simulation
Introduction
Une composante du système réalise une fonction spécifique
Le comportement global du système dépend de :
Du comportement individuel des composantes
De leurs interactions
>>> Le meilleur modèle est celui qui est à la fois simple et cohérent avec
l’objectif
5
Pratique de la
Simulation
Introduction
Différents types de modèles :
Physiques (maquette pour soufflerie, …)
Symboliques – abstraction mathématisée de la réalité
Distinction en fonctions de la prise en compte des aléas du système
Déterministe – on néglige les aléas
Stochastique – prise en compte des pannes de machines par exemple
Distinction en fonction de la prise en compte du temps
Statiques – le temps n’intervient pas
Exemple : le modèle par tableur d’un exercice comptable
Dynamiques – le temps est un facteur essentiel du comportement du système
Discrets – changement d ’état à certaines dates
Continues – évolution continue
Hybrides
7
Pratique de la
Simulation
Introduction
Applications de la simulation
L’informatique
Recherche de configuration
Réseaux
Architecture de bases de données
La gestion
Marketing
Tarification
Prévision
Gestion du personnel
Gestion du trafic
L’environnement
Pollution et assainissement
Météorologie
Catastrophes naturelles
8
Pratique de la
Simulation
Introduction
Applications de la simulation
La production
Gestion des ressources de fabrication
Machines
Stocks
Moyens de manutention
Analyse des configurations (logistique, …)
9
Pratique de la
Simulation
Introduction
La compétition international du monde industriel
>>> mise en œuvre de systèmes automatisés complexe et changeant
Les méthodes traditionnelles de conception sont limitées
Incapacité de prendre en compte l’ensemble des composantes d’un
outil de production intégré
La phase de conception initiale repose sur des hypothèses (types et
quantités de produits à fabriquer) qui avec le temps peuvent ne plus
correspondre avec la réalité
Introduction
Un exemple : détermination du nombre de chariots devant
manutentionner 400 charges par heure
11
Pratique de la
Simulation
Introduction
Les avantages de la simulation
Reproduire, faute de calculer
Représenter la réalité
Prendre en compte les grandeurs aléatoires
Raisonner d'après les flux
Observer instant par instant
Tenir compte des conflits de ressources
Approche dynamique
Prendre en compte les règles de pilotage d'un système
Etre accessible aux décideurs opérationnels
Introduction
Les inconvénients de la simulation
Il ne permet pas, contrairement aux méthodes analytiques de
résoudre directement le problème. Il s’agit d’un modèle com-
portemental (What if)
Gammes
Nomenclatures
Ressources Changements d’état
Processus Indicateurs de
Marché performance
Règles de gestion
Interprétation
13
Simulation
2ème Partie
Conduite d’un projet de simulation
14
Pratique de la
Simulation
Projet de simulation
Étape 1 : analyse du problème
Elle se décompose en :
Identification du problème et spécification des objectifs
Réalisation d’une première ébauche
Délimiter les frontières
Spécifier les données nécessaires
Validation auprès de l’utilisateur (celui qui est à l’origine de l’étude)
Projet de simulation
Étape 1 : analyse du problème
Les données à rassembler sont les suivantes :
Données sur les pièces à fabriquer
Gamme de fabrication, programme de fabrication prévisionnel
Données sur les moyens de production
Nombre et types de machines
Lois des pannes
Nombre et types de ressources de production (outils, palettes)
Données sur la manutention
Nombre et type de transporteurs
Capacité
Durées de transport
Données sur les stocks et la magasins
Types et capacités
Temps de stockage / déstockage
Données sur le personnel
Classe, effectif, compétence et horaires
16
Pratique de la
Simulation
Projet de simulation
Étape 1 : analyse du problème
Les données :
Caractérisent :
les pièces
les ressources (production , stockage, transport)
Spécifiées sous forme de valeur ou de distribution
A ces données numériques , il convient d’en ajouter d’autres qui
s’expriment sous forme d’algorithme les règles de conduite.
Souvent l’objet de la simulation est de tester un certain nombre de
règles pour déterminer les plus pertinentes :
Règles de lancement des pièces en fabrication
À la commande, en fonction des prévisions, par lots, par unités, …
Règles d’ordonnancement des pièces dans une file d’attente
Règles d’affectation des ressources
17
Pratique de la
Simulation
Projet de simulation
Étape 2 : construction du modèle
Elle comprend :
La modélisation logico-mathématique (utilisation d’un outil graphique)
La programmation proprement dite
Il est important de construire un programme facilement modifiable
En particulier de distinguer clairement,
Le système physique
Le système de conduite
Le système d’information
Dans sa première itération cette étape se termine par une
validation qui consiste à comparer le comportement du modèle
avec celui du système physique
18
Pratique de la
Simulation
Projet de simulation
Étape 3 : exploitation du modèle
19
Pratique de la
Simulation
Projet de simulation
20
Pratique de la
Simulation
La Modélisation de la connaissance
21
Pratique de la
Simulation
Projet de simulation
Un panel étendu de
12
10
8
distribution
6
Loi normale,
4 Loi exponentielle,
2 Loi triangulaire,
0 ...
14
15
16
17
18
19
20
21
22
23
24
25
10
11
12
13
5
6
7
8
9
14
Fréquences observées (%)
100
12 90
10 80
70
8 60
50
6
40
4 30
20
2
10
0 0
14
15
16
17
18
19
20
21
22
23
24
25
10
11
12
13
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
9
5
6
7
8
23
Pratique de la
Simulation
Projet de simulation
dynamique des systèmes
Prise en compte de la
Rend compte de la répartition, de la dispersion des données d'une population
mais
Le choix doit être judicieux (gros travail de collecte et de modélisation)
et être fait avec le maximum de garanties :
Faute de quoi :
Projet de simulation
Rédaction d'un dossier d'analyse fonctionnelle
25
Pratique de la
Simulation
Projet de simulation
Commencer par un modèle simple, voire sommaire
(à présenter aux utilisateurs et à réajuster)
accompagné de ses :
TESTS de
VERIFICATION et VALIDATION
"Un test réussi est un test qui a découvert des fautes"
8 100
6 80
4 60
techniques
2 40
Utilisation de 0 20
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0
Arrivées par 10 m inutes 5 8 11 14 17 20 23
d'analyses statistiques
Histogrammes,
Intervalle de confiances,
...
29
Pratique de la
Simulation
Objectifs mal
Manque d'information et
définis de formation des
différents
intervenants
Données
Pas assez de non fiables
réplications en entrée
de la simulation
30
Simulation
3ème Partie
Simulation continue
PROMODEL
31
Exemple 1 :
Calcul du coût des actions de maintenance d’une
machine soumise à des panne et des actions de
maintenance préventive
Problème 1:
Soit une machine M fabriquant un seul type de produit. La machine
peut tomber en panne. On suppose que f(t) représente la densité de
défaillance de M . La réparation de M prend un temps aléatoire de
moyenne µc et engendre un coût de réparation Mc. Pour éviter les
pannes fréquentes, des actions de maintenance préventives sont
envisagées en fonction de l'âge de la machine. Les actions de
maintenance préventive sont appliquées à un âge m. Chaque
maintenance préventive prend un temps aléatoire de moyenne µp
et engendre un coût de maintenance préventive Mp en rendant la
machine neuve (As good as new).
Réalisez un programme de simulation à l’aide de PROMODEL qui
permet de calculer le coût total moyen par unité de temps des actions
de maintenance
32
Exemple 3 :
Calcul du coût de stockage d’une machine
Produisant un seule type de produit et
satisfaisant une demande
Demande
Stock Stock de
d’entré sortie
machine
33
Stratégie du « hedging point »
Motivation
.
Au début, les industriels adoptaient la stratégie de production « Just
in time », qui consiste à produire à la demande. Par la suite, ils
découvrent que les pannes et les arrêts brusques des systèmes de
production sont devenus la cause de grands dégâts financiers liés
aux demandes non satisfaites. Par conséquent les industriels ont
décidé de mettre en place la stratégie de stock de sécurité. Cette
stratégie consiste à produire avec un taux qui dépasse la demande
afin de mettre en place des stocks de sécurité de capacité infinie,
afin de satisfaire la demande pendant les périodes d’arrêts des
systèmes de production.
34
Par la suite, vu l’évolution des coûts de stockage,
des chercheurs ont prouvé par simulation, une
nouvelle politique plus économique notée « Hedging
point ».
Cette politique consiste à produire avec une cadence
supérieure à la demande jusqu’à atteindre un niveau
de stock « k » prédéfinie. Par la suite produire à la
demande jusqu’à l’arrêt de production (Arrêt pour
Maintenance). La demande sera puisée dans le
stock de sécurité. Une fois le système reprend la
production après la fin des actions de maintenance,
on part de nouveaux pour construire le stock de
niveau fini « k »
k : variable de décision
35
Problème 4:
Stratégie du « hedging point »
Soit une machine M fabriquant un seul type de produit. La fabrication de la
pièce nécessite un proccessing time «Proc ».
La machine peut tomber en panne. On suppose que f1 représente la
densité de défaillance de M .La réparation de M prend un temps aléatoire
de moyenne µc et engendre un coût de réparation Mc. Pour éviter les
pannes fréquentes, des actions de maintenance préventives sont
envisagées en fonction de l'âge de la machine. Les actions de
maintenance préventive sont appliquées à un âge m . Chaque
maintenance préventive prend un temps aléatoire de moyenne µp et
engendre un coût de maintenance préventive Mp en rendant la machine
neuve.
36
Problème 4 suite:
Politique de commande
Les pièces fabriquées sont placées dans stock de sécurité de niveau maximale
k. Une demande de fréquence aléatoire et de quantité fixe est puisée dans le
stock (n/h(t), Q). Le coût unitaire de stockage par unité de temps et le coût
unitaire de demande perdues sont notées respectivement Cs et Cp
Le but est de calculer le coût total moyen de stockage et des demandes
perdues et la productivité
Remarque:
On ne rattrape pas les demandes perdues, une demande perdu est juste
pénalisée unitairement par Cp
37
Simulation
3ème Partie
Principe de la simulation
à événement discret
38
- Fixer les variables de décision
39
-Avancer le temps selon le temps écoulé pour
atteindre cet événement (Actualiser l’Horloge
TOT
(TOT=TOT+période nécessaire pour avoir atteint le prochain
événement)
-Actualiser tous les événements temporels
40
-Comparer le temps TOT (Horloge) avec le
temps de simulation Tsim
4ème Partie
Exemples pratiques
42
Exemple 1 :
Calcul du coût des actions de maintenance d’une
machine soumise à des panne et des actions de
maintenance préventive
Problème 1:
Soit une machine M fabriquant un seul type de produit. La machine
peut tomber en panne. On suppose que f(t) représente la densité de
défaillance de M . La réparation de M prend un temps aléatoire de
moyenne µc et engendre un coût de réparation Mc. Pour éviter les
pannes fréquentes, des actions de maintenance préventives sont
envisagées en fonction de l'âge de la machine. Les actions de
maintenance préventive sont appliquées à un âge m. Chaque
maintenance préventive prend un temps aléatoire de moyenne µp
et engendre un coût de maintenance préventive Mp en rendant la
machine neuve (As good as new). Réalisez un programme de
simulation à évènement
discret qui permet de calculer le coût total moyen par unité de temps
des actions de maintenance
43
Modélisation du problème
Graphe d’ états
44
Pratique de la
Simulation
45
Solution
Initialisation :
Donner : TSIM, f(t), gc(t), gp(t), Mp, Mc, m, NP=0, NMP=0;
Faire : TOT=0, R=1, générer TBF/f(t),Ct=0, age=m
While TOT<tsim
*Si R=1
z= min(age,TBF)
TBF=TBF-z
age=age-z
Si TBF=0
R=0
TTR/gc
Ct=Ct+Mc/Tsim
NP=NP+1
Finsi
Si age=0
R=0
TTR/gp
NMP=NMP+1
Ct=Ct+Mp/Tsim
Finsi
TOT=TOT+z
Fin Si
46
*Si R=0
z=TTR
TTR=TTR-z
R=1
TBF/f
age=m
TOT=TOT+z
Finsi
END
afficher Ct
NMP
NP
CT=(NP*Mc+NMP*Mp)/TSIM
47
Pratique de la Example 1 : Total maintenance cost according to T
Simulation
clear
cmcf=3000;% unit cost of corrective Maintenance action
cmpf=500; % unit cost of preventive Maintenance action
tsim=10000;% simulation time or run time
tot=0; %real time
tbf= wblrnd(100,2,1,1); % generate up time of machine, weibul law with shape parameter =2 and scale =100
r=1; % intilize state of machnine ( considering r=1 : machnine up%
ct=0; % total cost of maintennace intialize at 0
T=10; % date of prevetive maintenance
age=T; % Idebtification variable
while tot<tsim % if the real time is less then the total simulation time I go inside
if r==0 % first case machine down noted r=0
z=ttr; % z is variable which compare first event or in this case we have only one event then end of repearation ttr
ttr=ttr-z; % compute the rest
r=1; %making machnine up
tbf= wblrnd(100,2,1,1); %generate up time of machine, weibul law with shape parameter =2 and scale =100
age=T; % fixing preventive maintenance date
tot=tot+z; % actualizing the real time by adding z which defing the duration to reach the first event
end
elseif age==0 % case of the first event time is age the preventive maintennace date
r=0; % making machine down
ttr=exprnd(10,1,1);% generate Time to do preventive maintenance respecting exponential law with mean 10
ct=ct+(cmpf/tsim);% actualazing the total cost of maintennace by adding a unit cost of preventive maintenance
end
tot=tot+z; % actualizing the real time by adding z which defing the duration to reach the first event
end
end %until meaning the real time TOT reach the total time of simulation we go out in order to print the value of ct
ct% print the availability
48
Pratique de la Example 2 : Availability according T
Simulation clear
cmcf=3000;% unit cost of corrective Maintennace action
cmpf=500; % unit cost of preventive Maintennace action
tsim=10000;% simulation time or run time
ttrc=0; % cumulative time of corrective maintenance
ttrp=0; % cumulative time of corrective maintenance
tot=0; %real time
tbf= wblrnd(100,2,1,1); % generate up time of machine, weibul law with shape parameter =2 and scale =100
r=1; % intila state of machnine ( considering r=1 : machnin up%
ct=0; % totral cost of maintennace intialize at 0
T=10; % date of prevetive maintenance
age=T; % Idebtification variable
while tot<tsim % if the real time is less then the total simulation time I go inside
if r==0 % first case machien down noted r=0
z=ttr; % z is variable which compare first event or in this case we have only one event then end of repeation ttr
ttr=ttr-z; % compute the rest
r=1; %making machnin up
tbf= wblrnd(100,2,1,1); %generate up time of machine, weibul law with shape parameter =2 and scale =100
age=T; % fixing preventive maintennace date
tot=tot+z; % actualizing the real time by adding z which defing the duration to reach the first event
elseif age==0 % case of the first event time is age the preventive maintennace date
r=0; % making machine down
ttr=exprnd(10,1,1);% generate Time to do preventive maintenance respecting exponential law with mean 10
ttrp=ttrp+ttr; % cumulating the preventive maintenance durations
end
tot=tot+z; % actualizing the real time by adding z which defing the duration to reach the first event
end
end %until meaning the real time TOT reach the total time of simulation we go out in order to print the value of ct
A=(tsim-(ttrc+ttrp))/tsim % print the availability
49
Problème 2: Exemple 2 :
Calcul de la productivité, le coût de production d’une machine soumis à des panne et des actions de maintenance préventive
51
Solution
Initialisation :
Donner : TSIM, f(t), gc(t), gp(t), Mp, Mc, m, Proc,Cpr
Faire : TOT=0, R=1, générer TBF/f(t),Ct=0, age=m, a=Proc, CTPR=0;
While TOT<tsim
*Si R=1
z= min(age,TBF,a)
TBF=TBF-z
age=age-z
a=a-z
Si TBF=0
R=0
TTR/gc
Ct=Ct+Mc/Tsim
Finsi
Si age=0
R=0
TTR/gp
Ct=Ct+Mp/Tsim
Finsi
Si a=0
PROD=PROD+1/tsim
a=PROC
CTD=CTD+Cpr/TSIM
Finsi
TOT=TOT+z
52
Fin Si
*Si R=0
z=TTR
TTR=TTR-z
R=1
TBF/f
age=m
TOT=TOT+z
Finsi
END
afficher PROD
CTPR
53
Exemple 3 :
Calcul du coût de stockage d’une machine
Produisant un seule type de produit et
satisfaisant une demande
Demande
Stock Stock de
d’entré sortie
machine
54
Problème 3:
Soit une machine M fabriquant un seul type de produit. La fabrication de
la pièce nécessite un proccessing time «Proc ».
La machine peut tomber en panne. On suppose que f1 représente la
densité de défaillance de M .La réparation de M prend un temps aléatoire
de moyenne µc et engendre un coût de réparation Mc. Pour éviter les
pannes fréquentes, des actions de maintenance préventives sont
envisagées en fonction de l'âge de la machine. Les actions de
maintenance préventive sont appliquées à un âge m . Chaque
maintenance préventive prend un temps aléatoire de moyenne µp et
engendre un coût de maintenance préventive Mp en rendant la machine
neuve.
55
Problème 3 suite:
Politique de commande
Les pièces fabriquées sont placées dans stock de sécurité de capacité infini.
Une demande de fréquence aléatoire et de quantité fixe est puisée dans le
stock (n/h(t), Q). Le coût unitaire de stockage par unité de temps et le coût
unitaire de demande perdues sont notées respectivement Cs et Cp
Le but est de calculer le coût total moyen de stockage et des demandes
perdues et la productivité
Remarque:
On ne rattrape pas les demandes perdues, une demande perdue est juste
pénalisée unitairement par Cp
56
Stratégie du « hedging point »
Motivation
.
Au début, les industriels adoptaient la stratégie de production « Just
in time », qui consiste à produire à la demande. Par la suite, ils
découvrent que les pannes et les arrêts brusques des systèmes de
production sont devenus la cause de grands dégâts financiers liés
aux demandes non satisfaites. Par conséquent les industriels ont
décidé de mettre en place la stratégie de stock de sécurité. Cette
stratégie consiste à produire avec un taux qui dépasse la demande
afin de mettre en place des stocks de sécurité de capacité infinie,
afin de satisfaire la demande pendant les périodes d’arrêts des
systèmes de production.
57
Par la suite, vu l’évolution des coûts de stockage,
des chercheurs ont prouvé par simulation, une
nouvelle politique plus économique notée « Hedging
point ».
Cette politique consiste à produire avec une cadence
supérieure à la demande jusqu’à atteindre un niveau
de stock « k » prédéfinie. Par la suite produire à la
demande jusqu’à l’arrêt de production (Arrêt pour
Maintenance). La demande sera puisée dans le
stock de sécurité. Une fois le système reprend la
production après la fin des actions de maintenance,
on part de nouveaux pour construire le stock de
niveau fini « k »
k : variable de décision
58
Problème 4:
Stratégie du « hedging point »
Soit une machine M fabriquant un seul type de produit. La fabrication de la
pièce nécessite un proccessing time «Proc ».
La machine peut tomber en panne. On suppose que f1 représente la
densité de défaillance de M .La réparation de M prend un temps aléatoire
de moyenne µc et engendre un coût de réparation Mc. Pour éviter les
pannes fréquentes, des actions de maintenance préventives sont
envisagées en fonction de l'âge de la machine. Les actions de
maintenance préventive sont appliquées à un âge m . Chaque
maintenance préventive prend un temps aléatoire de moyenne µp et
engendre un coût de maintenance préventive Mp en rendant la machine
neuve.
59
Problème 4 suite:
Politique de commande
Les pièces fabriquées sont placées dans stock de sécurité de niveau maximale
k. Une demande de fréquence aléatoire et de quantité fixe est puisée dans le
stock (n/h(t), Q). Le coût unitaire de stockage par unité de temps et le coût
unitaire de demande perdues sont notées respectivement Cs et Cp
Le but est de calculer le coût total moyen de stockage et des demandes
perdues et la productivité
Remarque:
On ne rattrape pas les demandes perdues, une demande perdu est juste
pénalisée unitairement par Cp
60
Solution
Initialisation :
Donner : TSIM, f(t), g(t), h(t), Cp, Proc=1, k, Cs,T1,Q
Faire : TOT=0, ns=0,CDP=0, a=Proc, Prod=0,R=1, age=m, Ls=0, générer TBF/f(t), et
générer n/h(t)
While TOT<TSIM
Si R=0
z= min(TTR,n)
TTR=TTR-z
n=n-z
Si TTR=0
R=1
TBF/f
Age=m
Fin Si
Si n=0
Ls=Ls+Cs*Ns*(TOT+z-T1)/TSIM
T1=TOT+z
n/h(t)
si ns Q alors ns=ns-Q
si non
CDP=CDP+cp*(Q-Ns)/Tsim
(ns=0)
Fin si
Fin si
TOT=TOT+z 61
Fin si
Si R=1
z= min(TBF,a,n,age)
TBF=TBF-z
n=n-z
a=a-z
age=age-z
Si TBF=0
R=0
TTR/gc
Finsi
Si a=0
Ls=Ls+Cs*Ns*(TOT+z-T1)/TSIM
T1=TOT+z
Si Ns<k
Ns=ns+1
Si non
R=2
Finsi
a=Proc
Finsi
62
Si n=0
Ls=Ls+Cs*Ns*(TOT+z-T1)/TSIM
T1=TOT+z
n/h(t)
si ns Q alors ns=ns-Q
si non
CDP=CDP+cp*(Q-Ns)/Tsim
(ns=0)
Fin si
Fin si
Si age=0
R=0
TTR/gp1
Fin si
63
Si R=2
z=n
R=1
Ls=Ls+Cs*Ns*(TOT+z-
T1)/TSIM
T1=TOT+z
ns=ns+1
n/h(t)
si ns Q alors ns=ns-Q
si non
CDP=CDP+cp*(Q-ns)/Tsim
ns=0
Fin si
Fin Si
END
Ls, CDP
Ct=Ls+CDP
64
Exemple 3 :
Calcul du coût de stockage d’une machine
Produisant un seule type de produit et
satisfaisant une demande
Exemple 5 :
Calcul de la productivité des actions de
maintenance d’une machine soumis à des panne
et des actions de maintenance préventive
65
Partie 6:
Problèmes de Deux machines
Avec des stratégies de maintenance
intégrée à la production
« Thèse Dellagi »
Module simulation 2
66
Simulation
5ème Partie
Génération des variables aléatoire
67
Simulation
5ème Partie
68
Probabilité
Remarque:
L’écart type: X v X
Moment d’une V.A discrète
Propriétés de la variance:
V x 0
V X 0 X est une variable aléatoire certaine
V X a V X
V aX a 2 V X
V X E X 2 E 2 X
Si X et Y sont indépendantes V X Y V X V Y
Cas générale : VX Y V X V Y 2Cov X , Y
Avec : Cov c' est la covariance définie par :
CovX, Y EXY EX EY
Lois usuelles discrètes
Loi de Dirac:
Soit aR un point fixé. On appelle loi de Dirac notée a, la loi de la V.A certaine
X qui est constante, prenant la même valeur a quel que soit le résultat de
l’épreuve:
X a ,
Par conséquent:
0 si x a
Fx
1 si x a
EX a
V X 0
Lois usuelles discrètes
Loi de Bernoulli:
Soit A un évènement quelconque; on appelle variable aléatoire indicatrice de
l’évènement A la V.A définie par X=1A , formellement:
1 si A
X 1A
0 si A
On dit que X suit loi de Bernoulli de paramètre p=P(A), ce qu’on écrit symboliquement X
→B(1,p) ou sous la forme:
1 p
X
0 q 1- p
0 si x 0
Fx q si 0 x 1
1 si x 1
Lois usuelles discrètes
Loi de binomiale:
Si on effectue n épreuves successives indépendantes ou on note à chaque fois la réalisation
ou la non réalisation d’un certain évènement A, on obtient alors une suite de la forme (A,
A\)…Pour cette évènement on associe le nombre X() de réalisation de A. On définit ainsi
une V.A qui suit la loi binomiale de paramètre n et p=P(A) caractérisée par X() ={0,1,
n} et pour k X()
PX X k Cknpk 1 p n _ k
EX np
V X npq
k
PX X k e
k!
EX
V X
.
On écrit symboliquement X →P()
Lois usuelles discrètes
Loi géométrique ou de Pascal:
On effectue des épreuves successives et indépendantes jusqu’à la réalisation d’un
évènement particulier A et on note par X le nombre aléatoire d’épreuves effectuées. On
définit ainsi une V.A à valeurs entières de loi géométriques, ou de PASCAL. A chaque
épreuve est associé l’ensemble fondamentale ={A,Abar} et l’évènement {X=k} pour
kN* est représenté par une suite de k-1 évènements Abar terminée par l’évènement A
A
A A A
k 1
Si on pose p P(A) la probabilité de cette évènememnt est :
Pk X k 1 p k 1p
1
EX
p
q
V X
p2
Lois usuelles discrètes
Loi binomiale négative:
On effectue des épreuves successives et indépendantes jusqu’à ce que n
évènements A soit réalisés et on note Y le nombre (aléatoire) d’épreuves
effectuées. L’évènement {Y=y}, pour tout entier yn, est représenté par
une suite de la forme:
A
A
A.........
. A A A
A.........
y 1
Variance
Propriétés de la variance:
V x 0
V X 0 X est une variable aléatoire certaine
V X a V X
V aX a 2 V X
Si X et Y sont indépendantes V X Y V X V Y
Cas générale : VX Y V X V Y 2Cov X , Y
Avec : Cov c' est la covariance définie par :
CovX, Y EXY EX EY
Le moment non centré d’ordre nN* d’une V.A X : mn X E Xn x n f x dx
1
La densité :f x x a, b
ba
0 si x < a
x a
La fonction de répartition: F x si a x < b
b a
1 si b x
b a
L'espérance: E x
2
b a
2
V x
12
En particulier a=0 et b=1
1 x 0,1
La densité :f x
0 sinon
0 si x < 0
La fonction de répartition: F x x si 0 x < 1
1 si 1 x
1
L'espérance:
2
1
La variance: V x
12
Lois usuelles continues
Loi exponentielle:
Une loi exponentielle de paramètre >0 est celle d’une variable positive de
densité
e x si 0 x
f x
0 si x<0
La fonction de répartition :F x 1 e x
1
L'espérance: E x
1
La variance :V x 2
.
On écrit symboliquement X →()
Lois usuelles continues
Loi normale ou Laplace-Gauss:
C’est une loi d’une variable aléatoire X à valeurs dans R de densité:
2
1 x m
f x exp
2 2 2
L'espérance: E x m
La variance :V x 2
Qui est définie par deux paramètres m,
p
f x e x x p 1 , x 0
p
+
Avec: p = e x x p 1dx
0
p
L'espérance: E x
p
La variance :V x
2
.
On écrit symboliquement X →(p, )
Lois usuelles continues
Loi du Khi-deux:
La loi de Khi-deux à n degrés de liberté, notée n2 est la loi gamma de
paramètres p=n/2 et =1/2 ((n/2, 1/2)) ou n est entier positif par
conséquent la densité de cette loi pour x>0 est:
p x
n
1
f x n
e 2
x 2
,x 0
n
2 2
2
n/2
L'espérance: E
2
n
1/ 2
n
n/2
La variance :V
2
n
1/ 4
2n
2
X m
12
Lois usuelles continues
Loi du bêta:
Si X et Y sont deux v.a indépendantes de lois respectives (p) et (q), alors la v.a Z=X/Y suit
une loi bêta de second espèce de paramètre p>0 et q>0, notée 11(p,q) et de densité z>0:
p 1
1 z
f z ,z 0
p, q 1 z
pq
p q
avec : p, q
p q
p
L'espérance: E Z q>1
q 1
p p q 1
La variance :V Z
q 1 q 2
2
Lois usuelles continues
Loi du bêta de première espèce:
La loi bêta de première espèce est également définie par rapport à deux lois
gammas ou à partir de la loi précédente, c’est celle de la v.a à valeurs
dans [0,1]
X Z
T
X Y 1 Z
Sa densité pour 0 t 1
1
f t t p 1 1 t
q 1
,
p, q
p
L'espérance: E T
pq
pq
La variance :V T
p q p q 1
2
Lois usuelles continues
Loi log-normale:
La v.a positive X suit une loi log-normale de paramètres m et
>0 si la v.a lnX suit la loi N(m, ); on obtient donc:
ln x m
La fonction de répartition: F x
1 ln x m 1 1 2
La densité est:f x exp ln x m
x x 2
2
2
u2
x
1
AVEC : x e 2
2
2
E ( X ) exp m
2
V ( X ) exp 2m 2 exp 2 1
Lois usuelles continues
Loi de Pareto:
C’est une loi qui est utilisée notamment dans la modélisation de la distribution
des revenus d’une population ou théorie des assurances. Sa densité est
définie pour xx0>0,x0 pouvant s’interpréter comme le revenu minimum, en
fonction d’un paramètre >0:
1
x0
La densité est : f x
x0 x
Simulation
5ème Partie
90
Simulation d’une variable aléatoire
Simulation d’une variable aléatoire de densité donnée:
Méthode de fonction de répartition inverse:
On désire de simuler une variable aléatoire de fonction de répartition F.
Si F est inversible, U=F(X) est une loi uniforme. Cela suggère de
simuler X par F-1(U) .Il n’est pas utile de supposer que F est
inversible. La fonction F est croissante et continue à droite, on
définit sa pseudo-inverse continue à gauche G par:
G(y)=inf{x:F(x)>y}
Si F est inversible alors G=F-1
Proposition:
Soit F la fonction de répartition d’une loi de probabilité et G sa
pseudo-inverse continue à gauche. Soit U une variable aléatoire
de loi uniforme [0 1] , alors X=G(U) est une variable aléatoire de
fonction de répartition F
Bibliographie
x
Densité de probabilité : f ( x ) e
Fonction de répartition : x
F ( x) 1 e
Inverse de la fonction de
répartition : ln VA
x avec VA U 0,1
Lois Weibull trois paramètres
Inversion de la fonction de répartition
( 1) x
x
Densité de probabilité : f ( x; , , ) e
x
Fonction de répartition : F ( x; , , ) 1 e
Inverse de la fonction de
répartition : 1
( 1) x
x
Densité de probabilité : f ( x; , ) e
x
Fonction de répartition : F ( x; , ) 1 e
Inverse de la fonction de
répartition : 1
Algorithme de Box-Muller
Formule utilisée :
1 k
X ln VAi
i 1
Avec VAi U 0,1 i 1, 2,...k
Loi Log-normale X →LN(m, )
1
k 2 k
k
X exp m . VAi
12 i 1 2
Avec VAi U 0,1 i 1, 2,...k
Loi Khi-deux X → 2n X →(n/2, 1/2)
Si n est paire
n /2
X 2 Log VAi
i 1
Avec VAi U 0,1 i 1, 2,... n
2
Si n est impaire
n 1/2 2
X 2 Log U i z
i 1
Avec VAi U 0,1 i 1, 2,...
n 1
2
Z N 0,1
L’algorithme
Le programme
Langage utilisé : C
Programme utilisé : DEV C++
Introduction du programme
La loi Uniforme
On obtient bien 5 et 1
Simulation
6ème Partie
Modélisation des résultats de simulation par les plans
d’expériences
110
Résultat:
Expérience Plan d’expérience
Simulation Information générale
Essai Optimisation
Recherche
Assurance qualité
112
Caractéristiques du plan factoriel:
Influence d’un facteur A sur une réponse on lui affecte au
moins 2 niveaux (-1) et (+1)
K: nombre de facteurs
Nombre d’essai nk
n: nombre de niveaux
n=2
K=2 domaine d’étude carré
K=3 domaine d’étude cube
113
Caractéristiques du plan factoriel:
Influence d’un facteur A sur une réponse on lui affecte au
moins 2 niveaux (-1) et (+1)
K: nombre de facteurs
Nombre d’essai nk
n: nombre de niveaux
n=2
K=2 domaine d’étude carré
K=3 domaine d’étude cube
K: nombre de facteurs
Nombre d’essai nk
n: nombre de niveaux
n=2
K=2 domaine d’étude carré
K=3 domaine d’étude cube
X A 1 A VA1
1 1 VA1 VA1
Y a0 a1 X A a2 X B a3 X A X B ?
Y X .A
Moy X A XB XAXB
Y0 a0
1 1 1 1
Y1 a1
X 1 1 1 1 Y A
Y2 a2
1 1 1 1
1 1 1 1 Y3 a3
1
A X .Y
117
Rappel Matricielle
Cas 1 : A carré
L'inverse d'une matrice A s'écrit sous une forme très simple à l'aide de la matrice complémentaire tcomA
1
1
X t
XX t
X
118
Analyse de la variance
… ? 1 ? ? ? ?
ak ? 1 ? ? ? ?
E X .A Y
Fexp(ai)= Variance moyenne (ai)/variance résiduelle moyenne (i{0,1..k})
n: nombre des essaies = nombre de lignes dans la matrice d’essai
Variance moyenne= Variance /dl
Analyse de la variance
Calcul de la variance de ai et de la signification
a a1i a1l
11
On def X ai X (enlever la colonne de a i )= a21 a2i a2 l
an1 ani anl
-1
A ai X ai .Y (i {0,1..k})
Variance de ai A '. X '.Y Aai '. X ai '.Y (i {0,1..k})
Fexp (ai)
Variance moyenne (ai) / variance résiduelle moyenne (i 0,1..k)
Signification totale
A '. X '.Y / (k 1)
Ftotale
E '.E / (n - (k 1))
Si Ftotale Fthéorique( k 1),( n ( k 1)) (table) régression :significatif
123
Exemples
analyse varaice_2_facteurs.m analyse varaice_2_facteurs-solution.m
prgram_variace_3_facteur.m
prgram_variace_3_facteur-solution.m
Analyse de la variance
Intervalle de confiance
Yi m 1.96 / n , m 1.96 / n à 95%
m: moyenne de la VA
n: nombre de répliques
: écart type de la VA
Yi : la valeur de la VA à la réplique i
Analyse de la variance
Intervalle de confiance
Yi Y u1 / 2 / n , Y u1 / 2 / n
n: nombre de répliques
: écart type de la VA
Yi : la valeur de la VA à la réplique i
n
Y i
Y i 1
n
u1-(/2):
On note souvent Pr =1- ou probabilité que m intervalle
On nous donne Pr on cherche puis on détermine à partir de la table de la loi
normale réduite la valeur de u1-(/2)
127
Analyse de la variance
Intervalle de confiance
Cas 3: m et inconnues (plus cohérent)
Yi Y
t ,1 / 2 S / n , Y t ,1 / 2 S / n
n: nombre de
répliques
Yi : la valeur de la VA à la réplique i
n
Y i
Y i 1
n
n n
Y Y Y Y
2 2
i i
s2 i 1
s i 1
n 1 n 1
t,1-(/2):
On note souvent Pr =1- ou probabilité que m intervalle
On nous donne Pr on cherche puis on détermine à partir de la table de
Student réduite la valeur de t avec =n-1
Pratique de la
Simulation
129
Merci pour votre attention