Modèles Statistiques de La Logistique PDF

www.elmerouani.jimdo.
com
3me Partie: Plan
15/03/2010
Processus Stochastiques:
lM
E
Processus Stochastiques
Processus de Markov
Processus de comptage
Processus de Poisson
Processus de naissances pur
Les processus de naissance et de mort
Files dattente
Gestion alatoire des Stocks
ero
ni
ua
FP
Te
Dans le cas discret, on notera le temps par n

et on reprsentera le processus par
{Xn;n=0,1,2,}
Lorsquon fixe t, X(t) est une variable
alatoire.
Pour avoir une description complte du
processus, il est ncessaire de donner la loi
conjointe des variables alatoires de la
famille {X(t); t T }.
Lorsque t est continue, avoir cette loi
conjointe est presque impossible.
an
Mohamed El Merouani
tou
Considrons une exprience alatoire avec son

espace fondamental.
En associant des valeurs numriques aux
lments de cet espace, on peut dfinir une
famille de variables alatoires {X(t), t0} indexe
par rapport au paramtre temps t.
Les valeurs que prend le processus sappellent
les tats et leur ensemble S espace des tats.
Lensemble T des valeurs possibles de t sappelle
espace de temps, qui peut tre discret ou
continue.
Mohamed El Merouani
www.elmerouani.jimdo.com
lM
E
Sous ces conditions, on suppose que le

comportement du processus sobtient en ltudiant
dans tout ensemble discret de temps et en
dfinissant une loi conjointe dedans, cest--dire,
pour (t1, , tn) avec t1<<tn, on donne:
P(X(t1)x1,,X(tn)xn)
qui prend sa forme la plus simple si les variables
alatoires sont indpendantes.
Mais, dans la majorit des cas pratiques, il existe
une sorte de dpendance entre ces variables.
Mme si on a besoin dune loi de probabilit

conjointe cite prcdemment, la plus grande
partie de linformation dont on a besoin dans
la pratique est tire des fonctions de
transition .
Les fonctions de transition sont des loi de
probabilit conditionnelle bases sur une
information tire du processus stochastique
relativement une valeur spcifique du
paramtre t.
ero
Mohamed El Merouani
15/03/2010
Mohamed El Merouani
ni
ua
FP
Te
Un processus stochastique {X(t), tT} est dit

homogne dans le temps si sa fonction de loi
de transition ne dpend que des diffrences
t1-t0.
Dans ce cas, F(x0, x; t0, t0+t)=F(x0,x;0,t)
t0T.
Pour simplifier, dans lexpression prcdente,
on utilise la notation F(x0,x;t).
Par analogie, pour le processus discret
{Xn, n=0,1,2,} on utilise la notation (n )
Pij
.
tou
Soient t0, t1T telles que t0t1. On dfinit la

fonction de loi de transition conditionnelle
par
F(x0, x1; t0, t1)=P(X(t1)x1/X(t0)x0)
Si le processus stochastique a des espaces
de temps et des tats discrets, les
probabilits de transition seront:
Mohamed El Merouani
an
Pij( m,n ) = P( X n = j / X m = i )
Mohamed El Merouani
Processus de Markov:
15/03/2010
lM
E
La forme la plus simple de dpendance entre les

variables alatoires dun processus stochastique
est la Markovienne.
Soient un ensemble dinstants (t0,t1,,tn,t) avec
t0<t1<<tn<t et t, ti T, o T est lespace de
temps. Un processus {X(t), t T} est dit de Markov
si la loi de X(t) conditionne par les valeurs
X(t1),,X(tn) ne dpend que de X(tn), cest--dire,
de la valeur la plus rcente,
P(X(t)x/Xn(tn)xn, Xn-1(tn-1)xn-1,,X0(t0)x0)=
=P(X(t)x/Xn(tn)xn )=F(xn,x;tn,t)
ero
9
Mohamed El Merouani
10
ni
ua
FP
k
11
Espace de temps
Discret
Continue
Espace des tats
Discret
Continue
Chane de
Markov
temps discret
Processus de Markov
temps discret
Chane de
Markov
temps
continue
Processus de Markov
temps continue
an
Mohamed El Merouani
tou
Si le processus stochastique a un espace

dtats et de temps discrets, alors cest un
processus de Markov si,
P(Xn=j/Xn1=i1, Xn2=i2,,Xnk=ik)=
=P(Xn=j/Xnk=ik)= Pij( n ,n )
Te
12
15/03/2010
Processus de comptage:
Processus de comptage:
lM
E
Un processus de comptage N(t) est un

effectif la date t.
Par exemple:
N(t)=taille dune population la date t.
N(t)=nombre de navire qui arrivent un port dans
lintervalle de temps [0,t]
ero
Ces processus sont des processus:

temps continu (le temps t varie
continment, t )
espace dtats discret (un comptage n est
un nombre entier), ventuellement infini.
13
Mohamed El Merouani
14
ni
ua
FP
Te
Processus de Poisson:
tou
Le processus de Poisson est le processus

de comptage le plus lmentaire utilis
frquemment pour modliser les
occurrences dun vnement pouvant
survenir tout instant avec une probabilit
constante et indpendamment des
occurrences passes.
On note N(t) le nombre dvnements
survenus dans lintervalle [0,t].
an
15
Mohamed El Merouani
16
15/03/2010
lM
E
On dit quun processus stochastique est de

Poisson sil vrifie les hypothses suivantes:
A- le processus est sans mmoire: loccurrence
dvnements avant la date t ninflue en rien sur
loccurrence dvnements aprs t (donc cest un
processus de Markov)
B- le processus est homogne dans le temps: la loi
de probabilit de laccroissement N(t+h)-N(t) du
processus ne dpend que de h et pas de t (et
donc la mme que celle de N(h)). On parle parfois
dhypothse dhomognit temporelle ou de
stationnarit.
Un tel processus a une trajectoire en

escalier
ero
Mohamed El Merouani
Mohamed El Merouani
17
18
ni
ua
FP
Te
Exemples de Processus de
Poisson:
Appels tlphoniques un standard,

Arrive des clients un guichet,
tou
Lvnement dintrt survient aux dates

t1, t2,,t5,t6, chacune de ces dates, le
comptage N(t) augmente de 1:
N(t)=0
si t<t1
N(t)=1
si t1t<t2
N(t)=k
etc.
si tkt<tk+1
Mohamed El Merouani
19
an
Mohamed El Merouani
20
Processus de Poisson: Loi de

probabilit

probabilit
lM
E
En terme de probabilits, si on considre la

probabilit quun vnement survienne dans un
intervalle damplitude t
P(N(t+t)-N(t)=1)
en oprant un dveloppement limit au premier
ordre, et en remarquant que
P(N(t)-N(t)=1)=0
on obtient
P(N(t+t)-N(t)=1)=t+o(t)
on obtient
P(N(t+t)-N(t)=1)=t+o(t)
o est appele intensit du processus
Les hypothses A et B impliquent que ne
dpend pas de t.
la notation o(t) veut dire que:
o(t )
t
0 0
t
ero
Mohamed El Merouani
15/03/2010
Mohamed El Merouani
21
22
ni
ua
FP
Processus de naissances pur
an
23
Le processus de Poisson adapt au cas de la

croissance dune population pour lequel il
semble raisonnable de tenir compte de la
taille de la population pour modliser la
frquence des naissances.
Il faut bien noter quon sintresse ici
seulement la naissance de nouveaux
individus et non leur mort et quon obtient
donc une modlisation ncessairement
croissante de la taille de la population.
tou
Alors N(t) est un processus de Poisson de

paramtre , qui vrifie que chaque N(t) suit
une loi de probabilit de Poisson de
paramtre t.
P(N(t)=n)=e-t(t)n/n!
On peut dmontrer alors que les intervalles
du temps entre deux vnements conscutifs
sont des variables alatoires i.i.d. suivant une
loi exponentielle de paramtre .
Mohamed El Merouani
Te

probabilit
Mohamed El Merouani
24
Les processus de naissance et

de mort:
15/03/2010
Files dattente
lM
E
Cest le cas gnral dans lequel, on

considre lvolution dune population qui
connat la fois des naissances et des
morts.
ero
Mohamed El Merouani
26
25
ni
ua
FP
Te
Files dattente:
Files dattente:
n-1
27
n-1
n
Mohamed El Merouani
an
naissance ou arrive (la population augmente

de 1)
mort ou dpart (la population diminue de 1)
n est le taux de naissance (ou d'arrive) et n le taux de

mort (ou de dpart).
tou
La population de la file d'attente volue

comme un processus de saut markovien...
nous nous limitons au cas o il n'y a que
des sauts vers deux valeurs voisines :
n+1
n+1
Mohamed El Merouani
28
Files dattente, exemple simple:

La file M/M/1
lM
E
Les clients arrivent dans une file un seul

serveur et reoivent chacun leur tour un
service d'une certaine dure
Si un client trouve le serveur libre, il reoit
immdiatement son service, sinon il attend
son tour
Les clients arrivent un par un selon un
processus de Poisson = le temps sparant
deux arrives est une variable exponentielle
de paramtre .
Files dattente, exemple simple:

La file M/M/1
La dure du service donn chaque client
est une variable exponentielle de
paramtre .
Ces diffrentes variables alatoires sont
indpendantes dans leur ensemble.
La capacit de la file d'attente est infinie et
la discipline de service est PAPS (FIFO)
premier arriv - premier servi.
ero
Mohamed El Merouani
15/03/2010
Mohamed El Merouani
29
30
ni
ua
FP
Description de la file dattente:
an
31
Soit N(t) = n >0 le nombre de clients

l'instant t (ils sont en train d'attendre ou d'tre
servis)
Le temps qui spare t de la prochaine arrive
suit une loi exponentielle de paramtre ; de
mme le temps rsiduel de service du client
en train d'tre servi suit une loi exponentielle
de paramtre .
proprit d'absence de mmoire du
processus de Poisson.
tou
L'intervalle de temps entre deux arrives est

une loi exponentielle de paramtre signifie
que l'inter-arrive est de dure moyenne 1/
et donc que le nombre moyen de clients qui
arrivent par unit de temps est .
La dure du service est une loi exponentielle
de paramtre signifie que le service est de
dure moyenne 1/ et donc que le nombre
moyen de clients qui sortent par unit de
temps est quand le serveur est occup.
Mohamed El Merouani
Te
Dfinition des paramtres:
Mohamed El Merouani
32
15/03/2010
Comportement asymptotique dune

file dattente:
Description de la file dattente:
lM
E
Le prochain vnement modifiant la file

d'attente survient au bout d'un temps
alatoire qui suit une loi exponentielle de
paramtre +
Que se passe-t-il quand t crot...

Processus de naissance pure : explosion !
Processus de naissance et de mort :
caractrisation difficile...
C'est une arrive avec la probabilit /(+)

C'est un dpart avec la probabilit /(+)
N(t) est un processus de naissance et de

mort dans lequel n = et n = pour tout n
ero
Mohamed El Merouani
si le processus, partant d'un tat donn, a une

probabilit non nulle de ne jamais y retourner, il
est dit transitoire. La taille de la population tend
vers l'infini
si le processus, partant d'un tat donn, y revient
ncessairement au bout d'un temps fini en
moyenne, il est dit rcurrent positif : il converge
en loi vers une situation d'quilibre stationnaire
Mohamed El Merouani
33
34
ni
ua
FP
Files dattente: conclusion
an
35
Modlisation raliste des systmes... Mais

rsolution mathmatique parfois difficile !
La file M/M/1 avec ses hypothses de
Markov fournit une valuation correcte...
Et sa rsolution est trs facile
Pour des situations trop complexes, les
outils de simulation peuvent apporter des
informations sur le comportement du
systme
tou
M/M/1 = inter-arrives et services indpendants et

exponentiels, un seul serveur, les autres
paramtres tant donns par dfaut
M/M/k=Les k serveurs sont identiques : si un client
arrive et trouve un serveur libre, il l'occupe. Si tous
les serveurs sont occups, il attend.
M/M/=Il n'y a plus d'attente : il y a toujours un
serveur disponible.
M/M/s/s=La capacit est limite au nombre de
serveurs : les clients sont jets du systme si tous
les serveurs sont occups
Mohamed El Merouani
Te
Exemples de files dattente:
Mohamed El Merouani
36
Gestion des Stocks
15/03/2010
Gestion alatoire des Stocks:
lM
E
La demande dun bien peut tre unique ou

rptitive, constante ou variable (dans le cas
rptitif), certaine ou alatoire, discrte ou
continue. Les modles de gestion de stock se
construisent selon le type de demande
concern.
Pour les stocks de fabrication, on considre
en gnral que la demande est certaine.
Mais pour les stocks de distribution, la
demande est alatoire.
ero
37
Mohamed El Merouani
38
ni
ua
FP
39
Une demande rptitive certaine peut tre variable

sans que cela entrane des difficults au niveau de
la gestion des stocks du fait mme de la certitude
des demandes futures.
Dans un contexte dincertitude, la variabilit de la
demande se traduit par le changement des
paramtres de la loi de probabilit dans le temps.
Dans un contexte o la demande est trs variable
dune priode lautre, les stocks joueront
pleinement leur rle rgulateur. Ils permettent en
particulier de compenser la faible flexibilit du
facteur travail.
an
Mohamed El Merouani
tou
Alors, on modlise le comportement de celle-ci par

une loi de probabilit. Pour dterminer cette loi de
probabilit, dabord on dtermine est-ce que la loi
est discrte ou continue. Aprs, et partir des
reprsentations graphiques de la demande, on
peut raliser des tests statistiques pour dterminer
la loi qui sajuste mieux aux observations.
Les historiques de la demande et dautres
informations (comme les prvisions des ventes
pour les priodes futures) peuvent intervenir dans
le choix de la loi de probabilit.
Te
Mohamed El Merouani
40
10
15/03/2010
Les dterminants du stock de

scurit:
lM
E
On appelle point de commande (not Sc)

le niveau de stock partir duquel une
commande est dclenche.
On appelle stock de scurit (not Ss) le
niveau de stock durant le dlai de
livraison.
Nous noterons L le dlai de livraison et DL
la demande pendant ce dlai.
Pour prciser la notion de stock de scurit, il

convient de distinguer deux cas:
Si les ventes sont diffres en cas de
rupture, le stock de scurit Ss est gal Sc-DL
Ss=Sc-DL
Ss peut donc prendre des valeurs ngatives
puisque la demande DL peut tre suprieure
au point de commande Sc.
ero
Mohamed El Merouani
Mohamed El Merouani
41
42
ni
ua
FP
que lon peut encore crire DL=Min(DL, SC).
Le stock de scurit est alors gal SC-DL et il est

toujours positif ou nul.
an
43
D si DL < SC
DL = L
S C si DL S C
tou
Mohamed El Merouani
Te
Cette hypothse constitue une simplification

dans le sens suivant: les ventes sont
diffres, ce qui implique que les units
correspondantes seront livres ds rception
du lot suivant.
Par consquent lentreprise ne supportera
pas le cot de dtention de ces units.
Lorsque les ventes sont perdues, la demande
est modifie; elle se dfinit comme une v.a.
DL prsentant les caractristiques suivantes:
Lorsque la demande et le dlai sont alatoire, alors

le cot de rupture lui-mme devient alatoire.
Mohamed El Merouani
44
11
15/03/2010
Cette probabilit dpend son tour de

deux lments:
lM
E
Par consquent, deux lments essentiels

interviennent dans ce type danalyse;
dune part le cot support lorsquil y a
effectivement une rupture (vente perdue,
procdure spciale de livraison lorsque la
vente est diffre, etc) et dautre part la
probabilit quun tel vnement survienne.
la probabilit que la demande dpasse le

stock actuel,
la probabilit que la demande suivante (ou le
lot de production) soit livre aprs puisement
du stock actuel.
Lvaluation de ces diffrentes probabilits

suppose des hypothses sur les lois
suivies par les deux v.a. que sont la
demande et le dlai (DL et L).
ero
Mohamed El Merouani
Mohamed El Merouani
45
46
ni
ua
FP
Donc lorsque cette variance est leve, un stock de

scurit plus important est ncessaire pour limiter le
nombre de ruptures.
De manire schmatique, on peut rsumer les
diffrents lments ci-avant en dressant la liste des
dterminants du stock de scurit:
a)
b)
c)
d)
Les cots de rupture

Les cots de dtention
La variabilit de la demande
La variabilit des dlais de livraison.
En fait a) et b) ne peuvent tre dissocis; un cot de

rupture nest pas lev en soi mais simplement
compar au cot de dtention (et rciproquement) car
la dtermination du point de commande rsulte
essentiellement de la comparaison de ces deux types
de cots.
an
47
tou
Mohamed El Merouani
Te
De manire gnrale, les lois classiques

utilises dans ce domaine se caractrisent
par un ou deux paramtres (lesprance et
la variance).
La variabilit de la demande est
classiquement reprsente par la variance
de la loi de demande ou, ce qui est
quivalent par son cart-type.
Il y a une relation entre stock de scurit
et variance de la loi de demande car en
cas de forte variance, des ruptures de
stocks sont plus frquentes.
Mohamed El Merouani
48
12
Lois de probabilit de la
demande:
lM
E
Lorsque la demande D et le dlai de

livraison (ou de production) sont des v.a.,
alors la demande DL, les dates et dures
de rupture de stocks ventuelles et les
cots de dtention deviennent eux-mmes
alatoires.
En effet, le niveau des stocks un instant
t quelconque nest plus connu avec
certitude.
ero
Mohamed El Merouani
15/03/2010
Dans un modle dit point de commande, une

rupture peut survenir uniquement pendant le
dlai de livraison; cest donc la variable DL qui
importe ici.
Cependant dans un souci de simplification, nous
supposerons que DL=D.L o L est exprim en
fraction danne (si lanne est la priode de
rfrence).
Cette hypothse suppose en fait que la
demande est rgulire dans le temps et quen
particulier elle se comporte de la mme faon
pendant le dlai L que pendant le reste de
lanne.
49
Mohamed El Merouani
50
ni
ua
FP
Te
Dans le cas discrt, nous supposons que la

variable DL prend N valeurs (N peut
ventuellement tre infini) d1,d2,,dN.
Son esprance est:
N
E( D ) = d P( D = d )
L
i =1
de variance:
Var( D ) = (d E( D )) P( D = d )
L
i =1
et de fonction de rpartition
F(x)=P(DLx)
= P( DL = d i )
di x
51
an
Mohamed El Merouani
tou
Si le dlai L est dune semaine, cette

hypothse implique que DL suit la mme
Loi de probabilit que D/52 et que les
demandes hebdomadaires sont
indpendantes.
Dans la dtermination du point de
commande, deux paramtres essentiels
interviennent, lesprance E(DL) et lcarttype (ou la variance) (DL) (ou Var(DL)).
La v.a. DL reprsentant la demande peut
tre discrte ou continue.
Mohamed El Merouani
52
13
Dans le cas continue, la demande DL possde

une densit f.
lM
E
Si DL est la demande pendant le dlai de

livraison et SC le point de commande,
lvnement une rupture de stock se produit
nest rien dautre que lvnement {DL>SC}; en
consquence la probabilit de rupture scrit:
P(DL>SC)=1-F(SC).
Comme prcdemment, si DL est discrte, on
aura:
P(D > S ) =
P( D = d )
Son esprance est:
E( D ) = x f ( x )dx
de variance:
Var(D ) = ( x E( D )) f ( x )dx
2
15/03/2010
d i > SC
Si par contre DL possde une densit f,

lexpression correspondante est:
et de fonction de rpartition:
P(D > S ) = f ( t )dt
ero
F(x) = f(t)dt
Mohamed El Merouani
53
SC
Mohamed El Merouani
54
ni
ua
FP
Te
E(N ) = (d S ) P(D = d
n
d i > SC
SC
Mohamed El Merouani
(dans le
cas discret)
(dans le cas
continue)
55
an
E(N ) = ( x S ) f ( x )dx
On peut noter que Nn joue un rle diffrent selon

le comportement suppos de la clientle en cas
de rupture.
Si les ventes sont simplement diffres, il sagit
du nombre moyen dunits qui seront livres ds
rception de la prochaine livraison du
fournisseur ou ds la mise disposition du
prochain lot de production.
Dans le cas o les ventes sont perdues, Nn est
le nombre moyen de ventes manques et la
demande peut alors tre considre comme
nulle pendant la priode de rupture.
tou
De manire analogue, lorsquon cherche

valuer un cot de rupture moyen (une
esprance), il faut connatre le nombre moyen
dunits non livres et appliquer le cot unitaire
de rupture ce nombre (que nous noterons
E(Nn)). On alors:
Mohamed El Merouani
56
14
Lois usuelles de la demande:
lM
E
La loi normale est sans doute la plus

utilise des lois continues.
Dans notre contexte, la modlisation de la
demande par une v.a. suivant une loi
normale pose cependant un problme (au
moins sur le plan thorique); une variable
normale, quelles que soient les valeurs de
ses paramtres x et , a une probabilit
non nulle de prendre des valeurs
ngatives.
ero
Les lois de probabilits les plus utilises dans le

domaine de la gestion de stocks sont la loi de
Poisson et la loi normale.
La loi de Poisson est une loi discrte qui
prsente la particularit davoir une esprance
et une variance gales son paramtre .
Cette proprit est utilise lorsquon cherche
tester si une v.a. suit cette loi (on calcule alors la
moyenne et la variance dun chantillon de cette
variable pour oprer la comparaison).
Mohamed El Merouani
15/03/2010
Mohamed El Merouani
57
58
ni
ua
FP
an
59
Dabord, on lapplique pour modliser la

demande, en gestion de stock, lorsque la
symtrie nest pas vrifie et lorsquon
remarque que son cart-type est gal
son esprance (sa moyenne).
Mais en gnral, la loi exponentielle
(ngative) sapplique pour modliser les
phnomnes de dsintgration. La v.a. X
est alors la dure de vie du phnomne.
tou
Mohamed El Merouani
Te
En consquence, on supposera souvent que la

demande dun produit est normale lorsquelle
porte sur un grand nombre dunits et quelle est
rpartie symtriquement par rapport la
moyenne.
Lorsque cette symtrie nest plus vrifie, une
solution alternative consiste modliser la
demande par une loi exponentielle ngative qui se
caractrise par un cart-type gal lesprance.
Mohamed El Merouani
60
15
Autres thmes:
Rfrences:
lM
E
15/03/2010
Abdelmajid Gagou: Introduction aux

probabilits: cours avec exercices corrigs ,
Impremerie de Fedala, 1re dition, 1996.
M. Ellatifi: Exercices et problmes rsolus
de statistiques-1: Probabilits , Afrique
Orient, 1984.
Mustapha Kchirid: Calcul des probabilits:
Exercices corrigs avec rappel de cours ,
Editions El Badil, 2me dition, 2002.
Fiabilit des systmes.

Contrle Statistique de la Qualit.
Sries Chronologiques.
etc
ero
Mohamed El Merouani
62
61
ni
ua
FP
Te
Rfrences:
63
an
Mohamed El Merouani
tou
Ph. Chrtienne et R. Faure: Processus

Stochastiques, leurs graphes; leurs
usages , Gauthier-Villars diteur, 1980.
P. Roger: Gestion de Production ,
Prcis Dalloz, 1992.
16

Modèles Statistiques de La Logistique PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Modèles Statistiques de La Logistique PDF

Enviado por

Direitos autorais:

Formatos disponíveis

www.elmerouani.jimdo.

3me Partie: Plan

Dans le cas discret, on notera le temps par n

Considrons une exprience alatoire avec son

Sous ces conditions, on suppose que le

Mme si on a besoin dune loi de probabilit

Un processus stochastique {X(t), tT} est dit

Soient t0, t1T telles que t0t1. On dfinit la

La forme la plus simple de dpendance entre les

Espace des tats

Si le processus stochastique a un espace

Un processus de comptage N(t) est un

Ces processus sont des processus:

Le processus de Poisson est le processus

On dit quun processus stochastique est de

Un tel processus a une trajectoire en

Appels tlphoniques un standard,

Lvnement dintrt survient aux dates

Processus de Poisson: Loi de

Processus de Poisson: Loi de

En terme de probabilits, si on considre la

Le processus de Poisson adapt au cas de la

Alors N(t) est un processus de Poisson de

Processus de Poisson: Loi de

Les processus de naissance et

Cest le cas gnral dans lequel, on

naissance ou arrive (la population augmente

n est le taux de naissance (ou d'arrive) et n le taux de

La population de la file d'attente volue

Files dattente, exemple simple:

Les clients arrivent dans une file un seul

Files dattente, exemple simple:

Soit N(t) = n >0 le nombre de clients

L'intervalle de temps entre deux arrives est

Dfinition des paramtres:

Comportement asymptotique dune

Description de la file dattente:

Le prochain vnement modifiant la file

Que se passe-t-il quand t crot...

C'est une arrive avec la probabilit /(+)

N(t) est un processus de naissance et de

si le processus, partant d'un tat donn, a une

Modlisation raliste des systmes... Mais

M/M/1 = inter-arrives et services indpendants et

Exemples de files dattente:

Gestion des Stocks

Gestion alatoire des Stocks:

La demande dun bien peut tre unique ou

Une demande rptitive certaine peut tre variable

Gestion alatoire des Stocks:

Alors, on modlise le comportement de celle-ci par

Gestion alatoire des Stocks:

Les dterminants du stock de

On appelle point de commande (not Sc)

Pour prciser la notion de stock de scurit, il

Le stock de scurit est alors gal SC-DL et il est

Cette hypothse constitue une simplification

Lorsque la demande et le dlai sont alatoire, alors

Cette probabilit dpend son tour de

Par consquent, deux lments essentiels

la probabilit que la demande dpasse le

Lvaluation de ces diffrentes probabilits

Donc lorsque cette variance est leve, un stock de