1.statistique Appliquée À La Logistique PDF

www.elmerouani.jimdo.
com 20/02/2010
Plan général:
®E
• 1ère partie:
Statistique appliquée à la – Introduction (Définition de la Logistique)
logistique • 2ème partie:
– Mise à niveau (Rappel)
lM
Pr. Mohamed El Merouani
• 3ème partie:
– Applications en Logistique
ero
Mohamed El Merouani 1 Mohamed El Merouani 2
ua
ni
FP
Te
1ère Partie (Plan): Introduction:
• Définition de la Logistique. • Définition de la logistique :
tou
• Les fonctions Logistiques. L'art du calcul logique et du
• Evolution du concept. raisonnement .
• Les enjeux de la Logistique. Fonction pour satisfaire les besoins
• Les facteurs de la Logistique. internes et externe de l’entreprise
an
C’est une fonction transversal dans

l’entreprise
1
www.elmerouani.jimdo.com 20/02/2010
Description des fonctions

Évolution du concept :
logistiques
Flux de
®E
produits Achat des matières premières
Transport des matières premières

Logistique
industrielle
Dans les années 70 :
Logistique de
produits Production et gestion
de production
La logistique ce limité à la fonction
Transport des produits finis
Logistique de « transport ».
lM
Entreposage stockage
Transport des commandes

A nos jours :
Logistique de
Logistique de
soutien
Distribution
Après vente
distribution
Elle se rapporte à l'ensemble des activités
qui touchent à la fois les flux physiques
Maintenance Flux
et les flux d'information.
ero
d’informations
ua
ni
FP
Les Facteurs de la logistique :

Te
Les enjeux de la logistique :
Améliorer la réactivité de l'entreprise et

éclairer les choix stratégiques
La gestion des approvisionnements
tou
L’innovation et L’améliorer de la maîtrise La gestion du stock

des coûts logistique
la logistique permet une meilleure La gestion du transport

maîtrise des coûts
an
La maintenance logistique
la logistique conditionne également
l'externalisation et la diversification de l'entreprise
2
2ème Partie (Plan):

®E
• Notion de probabilité.
• Variables aléatoires. Notion de probabilité
• Quelques lois de probabilités usuelles.
• Addition de variables aléatoires
lM
indépendantes
ero
ua
ni
FP
Te
Définitions de probabilité Notion d’événement
• Il existe plusieurs définitions: • Un événement est la réalisation d’un
résultat possible.
tou
– Définition fréquentielle
• On dit que cet événement est aléatoire
– Définition axiomatique ou ensembliste lorsque sa réalisation est soumise au
– Définition bayesienne hasard.
• Exemples:
an
– Obtenir 5 en lançant un dé
– Amener face en lançant une pièce de
monnaie,…
3
Notation ensembliste Définitions de probabilité

• Fréquentielle:
®E
• L’ensemble de tous les résultats
nbre de cas favorables
possibles, on le note Ω et appelé P( A) =
nbre de cas possibles
ensemble fondamental. • Axiomatique:
• Les événements sont des parties (des À chaque événement A, on associe un nombre P(A) qui
lM
exprime le degré de possibilité de réalisation de
sous-ensembles) de Ω, sont notés A, B, l’événement A avec 0 ≤ P ( A ) ≤ 1 appelé probabilité
C,… de l’événement A vérifiant les propriétés suivantes:
P(Ω)=1
Si A et B sont deux événements tels que A∩B=Ø alors
P(AUB)=P(A)+P(B)
ero
ua
ni
FP
Te
Probabilité conditionnelle:
• Soit un événement A tel que P(A)>0. • Analogiquement, on peut définir:
tou
• La probabilité d’un événement B calculée
sous la condition que A a été réalisé, que P(A I B)
P(A / B) = avec P(B)>0
l’on note P(B/A) s’appelle la probabilité P(B)
conditionnelle de l’événement B par
l’événement A et on a: • On déduit alors que
an
P ( A I B ) = P ( B / A) ⋅ P( A)
P (B I A) et P ( A I B) = P( A / B) ⋅ P( B )
P (B / A) = avec P(A)>0
P ( A) Théorème des probabilités composés
4
Evénements dépendants et Dépendance et indépendance

événements indépendants: des événements:
®E
• On considère deux événements A et B. • La dépendance et l’indépendance des
• L’événement A est dit indépendant de événements sont toujours mutuelles: si A
l’événement B si sa probabilité ne dépend ne dépend pas de B, B non-plus ne
pas de la réalisation ou de la non- dépend pas de A, et inversement.
lM
réalisation de B, c’est-à-dire P(A/B)=P(A). • Les événements A et B sont dits
• Dans le cas contraire, si P(A/B)≠P(A), indépendants, si l’apparition de l’un d’eux
l’événement A dépend de B. n’influx pas sur la probabilité de
l’apparition de l’autre.
ero
ua
ni
FP
Dépendance et indépendance
Te
des événements:
• Le théorème des probabilités composés
tou
acquiert une forme particulièrement simple
lorsque les événements qui constituent le Variables aléatoires.
produit sont indépendants:
P ( A I B ) = P( A) ⋅ P ( B )
an
5
Variables aléatoires Variables aléatoires

• Une variable aléatoire notée X est une application de
®E
l’ensemble fondamental Ω dans l’ensemble IR des
• Il y a deux types de variables aléatoires:
nombres réels, qui fait correspondre à tout événement A – Variable aléatoire discrète
un nombre réel.
– Variable aléatoire continue
• Exemple:
Pour l’expérience du lancement d’une pièce de monnaie: • Si X prend des valeurs discrètes 0, 1, 2, …
lM
X: Ω IR elle est dite discrète.
{amener pile} X({amener pile})=0
{amener face} X({amener face})=1
• Si X prend des valeurs continues sur tout
un intervalle de IR, par exemple [a, b], elle
Et on a P(X=0)=1/2; P(X=1)=1/2 est dite continue.
ero
ua
ni
FP
Loi de probabilité d’une variable

Te
Exemple
aléatoire:
• Discrète: • Pour l’expérience de lancement d’une pièce de
tou
monnaie, on a:
La loi de probabilité d’une variable
P(X=0)=1/2; P(X=1)=1/2
aléatoire X est définie par:
Alors P(X=0)+P(X=1)=1
– Les valeurs que peut prendre X: x1, x2,…,xn.
• La loi de probabilité de X est résumée par le
– Les probabilités de ces valeurs P(X=xi)=pi
tableau suivant:
an
xi 0 1 Σpi
pi 1/2 1/2 1
6
• Continue:
Les valeurs que prendre X sont continues, alors Espérance mathématique:
la probabilité de ces valeurs est une fonction
®E
continue f, appelée fonction densité de • Discrète:
probabilité. • L’espérance mathématique d’une v. a. discrète
• Propriétés de la densité: X, notée E(X) est: n n
– La fonction f est à valeurs positives sur l’ensemble de E( X ) = ∑xi P( X = xi ) = ∑xi pi
lM
définition D de la variable aléatoire X • Continue: i=1 i=1
– La fonction f est nulle en dehors de D l’ensemble de
définition de X.
• L’espérance mathématique d’une v. a. continue
X, est donnée par:
– L’intégrale de f sur D l’ensemble de définition de X est +∞
égale à 1. E ( X ) = ∫ x f ( x) dx
∫
−∞
f ( x )dx = 1
ero
D
ua
ni
FP
Te
Propriétés de l’espérance: Variance :
• Soient X et Y deux v. a., et α et β deux réels • La variance d’une v.a. X, notée Var(X) est
tou
quelconques, alors: définie par:
E (αX + β ) = αE ( X ) + β [
Var ( X ) = E ( X − E ( X )) 2 ]
E ( X + Y ) = E ( X ) + E (Y )
• Ou encore:
E ( X − Y ) = E ( X ) − E (Y )
Var ( X ) = E ( X 2 ) − ( E ( X )) 2
an
7
Écart-type: Fonction de répartition:

®E
• L’écart-type d’une variable aléatoire X, noté σ(X), • La probabilité pour que la variable
est défini comme la racine carrée de sa variance, aléatoire X prenne une valeur inférieure ou
σ(X) = Var(X) égale à x est une fonction F(x).
• Cette fonction est appelée fonction de
lM
répartition de x.
F(x)=P(X≤x).
• La fonction F(x) est une fonction en
escalier, croissante de 0 à 1.
ero
ua
ni
FP
Exemple de fonction de
Te
Représentation graphique de F(x):
répartition:
• Pour l’expérience de lancement d’une pièce de F(x)
tou
monnaie, on a la loi de probabilité de X est
résumée par le tableau suivant:
1
xi 0 1 Σpi
pi 1/2 1/2 1 1/2
an
• Sa fonction de répartition sera:
 0 si x < 0 0 1
x

F(x) = 1 / 2 si 0 ≤ x < 1
 1 si x ≥ 1
Mohamed El Merouani 31 Mohamed El Merouani 32
8
Fonction de répartition d’une v.a. Représentation graphique de F(x)

continue: continue:
• On définit la fonction de répartition F d’une v. a.
®E
F(x)
continue X de la même manière que pour une
v.a. discrète, c’est-à-dire F(x)=P(X≤x).
• La fonction continue F( x ) = ∫−∞ f ( t )dt est
x
1
croissante de 0 à 1 lorsque x varie de -∞ à +∞.
lM
• Par conséquent, une v.a. continue est une v.a.
dont la fonction de répartition est continue.
• La fonction de densité f d’une v.a. continue X
est la dérivée de da fonction de répartition F, 0 x
c’est-à-dire F’(x)=f(x).
ero
ua
ni
FP
Loi de probabilités conjointes de

Te
Conséquences:
deux v. a. discrètes:
• Pour X v.a. continue on a: • Un couple de v. a. (X, Y) peut prendre les valeurs
tou
• P(X=c)=0 avec c une constante réelle. successives suivantes:
• P(a<X<b)=F(b)-F(a) avec a et b des réelles. (x1,y1) ; (x2,y2) ; …; (xi,yj) ; …; (xn,ym)
•
a
P(X≤a)=P(X<a) = ∫ f (t ) dt A chaque couple (xi,yj) correspond une probabilité
−∞
pij d’observer simultanément la valeur xi pour X et
+∞ la valeur yj pour Y:
• P(X≥b)=P(X>b) = ∫b f (t) dt
an
pij=P(X=xi et Y=yj)=P(X=xi, Y=yj)
• On a n m
∑∑ p =1
i =1 j =1
ij
9
Loi de probabilités conjointes de Indépendances des variables

deux v. a. continues: aléatoires discrètes :
®E
• La loi de probabilité conjointes d’un couple de • Deux v. a. discrètes X et Y sont dites
v. a. (X,Y) est définie lorsqu’on connaît: indépendantes si
1. Le domaine de définition du couple (où la
P(X=xi; Y=yj)=P(X=xi).P(Y=yj)
fonction de densité de probabilité est non
nulle) et; pour tout xi et yj.
lM
2. La fonction de densité de probabilité conjointe

f qui doit vérifier:
a. f(x,y) ≥ 0
b. +∞ +∞
∫ ∫ f(x,y)dxdy = 1
-∞ -∞
ero
ua
ni
FP
Indépendances des variables Covariance entre deux variables

Te
aléatoires continues : aléatoires:

• Deux v. a. continues X et Y de fonctions de • La covariance entre deux v. a. X et Y, notée
tou
densités de probabilités marginales respectives Cov(X,Y), est définie par
f1 et f2 et de fonctions de probabilité conjointe f Cov(X,Y)=E(XY)-E(X)E(Y)
sont dites indépendantes si et seulement si • Cas discrèt:
n m
f(x,y) = f (x ). f ( y )
1 2
Cov(X,Y) = ∑∑ x y P( X = x ,Y = y ) − E( X )E( Y )
i j i j
i=1 j=1
an
• Cas continue:
+∞ +∞
Cov(X ,Y) = ∫ ∫ x y f(x,y) dx dy − E ( X ) E ( Y )
-∞ -∞
10
Coefficient de corrélation entre

Propriétes:
deux v. a. :
®E
• Soient X et Y deux v. a., alors on a: • Le coefficient de corrélation entre deux v. a. X
a) E(XY)=E(X)E(Y)+Cov(X,Y) et Y, notée ρ xy est défini par
b) Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)
c) Var(αX+β)=α2Var(X) où α et β sont deux réels Cov( X ,Y ) Cov( X ,Y )
quelconques. ρ = =
lM
xy
• Si les variables X et Y sont indépendantes, Var( X )Var( Y ) σ σ X Y
alors:
a) Cov(X,Y)=0 • Le coefficient de corrélation varie entre -1 et 1:
b) E(XY)=E(X)E(Y)
c) Var(X+Y)=Var(X)+Var(Y)
-1 ≤ ρ ≤ 1 xy
ero
ua
ni
FP
Te
tou
Quelques lois de probabilités Quelques lois de probabilités
usuelles usuelles
Lois de probabilités discrètes
an
11
Loi de Bernoulli: Loi de Bernoulli:

®E
• Une v. a. X suit une loi de Bernoulli si elle • La loi de probabilité de X suivant une loi de
prend les deux valeurs 1 et 0 avec Bernoulli est:
P(X=1)=p et P(X=0)=q où p+q=1. xi 1 0 Σpi
• {X=1} est dit événement succès et {X=0} pi p q=1-p 1
lM
est dit événement échec.
Alors E(X)=Σxipi=1xp+0xq=p
• X représente donc le nombre de succès
Var(X)=Σxi2pi-E(X)2=px12+qx02-p2=p-p2
obtenu après la réalisation d’une seule
expérience aléatoire. Var(X)=p(1-p)=pq
ero
ua
ni
FP
Te
Loi Binômiale: Loi Binômiale:
• Considérons, lors d’une certaine expérience, un • On la note symboliquement B(n, p).
événement qui:
tou
• La loi binômiale est une loi de probabilité
– Soit se réalise avec la probabilité p (p=probabilité du
succès). discrète, mais finie; en effet, le nombre de
– Soit ne se réalise pas avec la probabilité q=1-p réalisation k est égale à 0, 1, 2, …, n.
(q=probabilité d’échec). • Le coefficient C k = n!
• La probabilité de k réalisation (succès) de cet n
k!(n − k )!
événement, au cours de n répétitions
an
successives indépendantes de la même où n! et k! indiquent le factoriel de n et de k,
expérience, est fournie par la loi de probabilité on a: n!=1x2x3x…xn
binômiale: k k n−k
P( X = k ) = Cn p q
12
Loi Binômiale: Loi de Poisson:

• On dit qu’une v. a. obéit à une loi de Poisson, si
®E
• Espérance mathématique: E(X)=np
elle est susceptible de prendre toutes les
• Variance mathématique: Var(X)=npq valeurs entières 0,1,2,…,k,…,n, les probabilités
• Ecart-type: σ(X)=√npq associées étant p0,p1,p2,…,pk,…,pn, avec
e − λ .λk
• La loi binômiale rend compte de tous les
lM
pk = P ( X = k ) =
phénomènes répétés de manière k!
• λ étant un paramètre positif, et e la base des
indépendante pouvant prendre deux états, logarithmes népériens.
tels que: succès ou échec, tout ou rien. • La constante λ s’appelle le paramètre de la loi.
• La loi de Poisson est notée P(λ).
ero
ua
ni
FP
Te
Loi de Poisson:
• Espérance mathématique: E(X)=λ
tou
• Variance mathématique: Var(X)=λ
Quelques lois de probabilités
• Ecart-type: σ(X)=√λ
• La loi de Poisson est appelée loi des usuelles
petites probabilités. On l’utilise pour
représenter des phénomènes rares, tels Lois de probabilités continues
an
que: nombre d’accidents, nombre de
pannes, nombre de déchets dans une
fabrication…
13
Représentation graphique de
Loi Normale:
N(x,σ):
®E
f(x)
• La loi normale est la loi de probabilité d’une v.a.
continue X, dont la densité de probabilité est: 1
−
(x − x )2 2π σ
1 2σ 2
f ( x) = e 1 −1
2π σ e2
lM
2π σ
• On dit que l’on est en présence de la loi
normale de moyenne x et d’écart-type σ.
• On la note par N(x, σ)
• Les deux paramètres de la loi sont x et σ. 0
x −σ x x +σ x
ero
ua
ni
FP
Te
Variable normée:
• Soit une v.a. X de réalisations xi de moyenne X
tou
et d’écart-type σX.
Loi normale centrée, réduite • Définissons une nouvelle v.a. T de réalisations ti
telle que: X − X de réalisations x −x
T= ti = i
σX σx
• La v.a. T de réalisations ti est dite normée, si:
an
– La moyenne arithmétique t est nulle: t=0 (centrée)
– L’écart-type σt est égal à l’unité: σt =1 (réduite).
14
Définition de la loi normale centrée Allure et propriété de la loi normale

réduite: réduite:
f(t)
®E
• En faisant le changement de variable
x−x
t=
σ
la loi normale N(m,σ) s’écrit:
lM
[
− ( tσ + x ) − x ]2 −
t 2σ 2
t2
-x x
1 2σ 2 1 2σ 2 1 − t
f ( x) = e = e = e 2
2π σ 2π σ 2π σ
C’est une fonction symétrique par rapport à l’axe des
cette loi est la loi normale, centrée réduite, car elle est de ordonnées car elle est paire f(-x)=f(x)
moyenne nulle et d’écart-type égal à l’unité. On la note
N(0,1). Ainsi les tables de la loi normale centrée réduite, donnent
les valeurs de la fonction f(t) uniquement pour des valeurs
ero
Mohamed El Merouani 57
positives de la variableMohamed
t. El Merouani 58
ua
ni
FP
La probabilité pour que T prenne Fonction intégrale de la loi normale

Te
une valeur de l’intervalle (t1,t2) centrée réduite:

• S’écrit alors: • On définit la fonction intégrale π(t) de la loi
tou
normale centrée réduite, en intégrant la fonction
−t 2
f(t) densité de probabilité de t:
−t 2
1 t2
∫ 1
a a
P(t1 < T < t 2 ) = e 2
dt π (a ) = ∫ f (t ) dt = ∫ e 2
dt
2π t1 −∞ −∞
2π
f(t)
an
-∞ x t
15
Propriétés: Exercice:
®E
• On démontre que: • La taille d’un groupe de 2000 personnes
+∞ obéit à une loi normale N(170 cm, 5 cm).
∫−∞
f (t )dt = 1
• On demande de déterminer:
1. Le nombre de personnes dont la taille
lM
• L’aire comprise entre la courbe N(0,1) et l’axe est comprise entre 168cm et 175cm.
des t est égale à l’unité.
2. La probabilité pour qu’une personne ait
une taille supérieure à 180cm.
ero
ua
ni
FP
Te
Solution:
1. Définissons la variable centrée réduite T à partir de la • P(168≤x≤175)=0,8413+0,6554-1=0,4967
variable aléatoire X:
tou
X − 170 • Il y a donc: 2000x0, 4967≈993personnes dont
T= la taille est comprise entre 168cm et 175cm.
5
2. La probabilité pour qu’une personne ait une
• Alors P(168<X<175)=P(-0,4≤t≤+1)= taille supérieure à 180cm est:
=π(1)- π(-0,4)= π(1)-(1- π(0,4))= P(X>180)=P(T>2)=1-π(2)=1-0,9772=0,0228
=π(1)+ π(0,4)-1
soit une probabilité de 2,3%.
Soit, en cherchant les valeurs de π(1) et de π(0,4) dans
an
la table de la fonction intégrale de la loi normale centrée Il y a alors vraisemblablement
réduite: croisement de la ligne 1,0 et de la colonne 2000x0,0228≈45personnes dont la taille
0,00; croisement de la ligne 0,4 et de la colonne 0,00. dépasse 180cm.
16
Addition de variables aléatoire

binomiales indépendantes:
®E
• Soit X une v. a. obéissant à une loi
binomiale B(n,p) et Y une v. a. obéissant à
Addition de variables aléatoire
une loi binomiale B(m,p).
indépendantes • Si X et Y sont deux v. a. indépendantes,
lM
on démontre que:
La v. a. Z=X+Y suit une loi binomiale
B(n+m,p)
ero
ua
ni
FP
Addition de variables aléatoire Addition de variables aléatoire

Te
de Poisson indépendantes: normales indépendantes:

• Soit X une v. a. obéissant à une loi de • Soit X une v. a. obéissant à une loi normale N (x , σ x )
tou
Poisson P(λ) et Y une v. a. obéissant à une et Y une v. a. obéissant à une loi normale N ( y, σ y )
loi de Poisson P(µ) • Si X et Y sont deux v. a. indépendantes, on
démontre que:
• Si X et Y sont deux v. a. indépendantes,
La v. a. Z=X+Y suit une loi normale N (z , σ z ) :
on démontre que:
de moyenne z =x+y
La v. a. Z=X+Y suit une loi de Poisson
an
d’écart-type 2 2
P(λ+µ). σ z = σ x +σ y
17
Références:
La v.a. V=X-Y suit une loi normale N (v , σ v )
• Abdelmajid Gagou: «Introduction aux
®E
de moyenne v = x − y
probabilités: cours avec exercices corrigés »,
d’écart-type σ v = σ x2 + σ y2 Impremerie de Fedala, 1ère édition, 1996.
• M. Ellatifi: «Exercices et problèmes résolus
• Ce théorème se généralise au cas de n variables de statistiques-1: Probabilités », Afrique
lM
indépendantes. Orient, 1984.
• Mustapha Kchirid: « Calcul des probabilités:
Exercices corrigés avec rappel de cours »,
Editions El Badil, 2ème édition, 2002.
ero
ua
ni
FP
Te
tou
an
18

1.statistique Appliquée À La Logistique PDF

Transféré par

Droits d'auteur :

Formats disponibles

1.statistique Appliquée À La Logistique PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

1.statistique Appliquée À La Logistique PDF

Transféré par

Droits d'auteur :

Formats disponibles

www.elmerouani.jimdo.

C’est une fonction transversal dans

Description des fonctions

Transport des matières premières

Transport des commandes

Les Facteurs de la logistique :

Améliorer la réactivité de l'entreprise et

L’innovation et L’améliorer de la maîtrise La gestion du stock

la logistique permet une meilleure La gestion du transport

Mohamed El Merouani 7 Mohamed El Merouani 8

2ème Partie (Plan):

Mohamed El Merouani 11 Mohamed El Merouani 12

Notation ensembliste Définitions de probabilité

Evénements dépendants et Dépendance et indépendance

Mohamed El Merouani 19 Mohamed El Merouani 20

Variables aléatoires Variables aléatoires

Loi de probabilité d’une variable

Mohamed El Merouani 27 Mohamed El Merouani 28

Écart-type: Fonction de répartition:

Fonction de répartition d’une v.a. Représentation graphique de F(x)

Loi de probabilités conjointes de

Mohamed El Merouani 35 Mohamed El Merouani 36

Loi de probabilités conjointes de Indépendances des variables

2. La fonction de densité de probabilité conjointe

Indépendances des variables Covariance entre deux variables

aléatoires continues : aléatoires:

Mohamed El Merouani 39 Mohamed El Merouani 40

Coefficient de corrélation entre

Mohamed El Merouani 43 Mohamed El Merouani 44

Loi de Bernoulli: Loi de Bernoulli:

Loi Binômiale: Loi de Poisson:

Mohamed El Merouani 55 Mohamed El Merouani 56

Définition de la loi normale centrée Allure et propriété de la loi normale

La probabilité pour que T prenne Fonction intégrale de la loi normale

une valeur de l’intervalle (t1,t2) centrée réduite:

Mohamed El Merouani 63 Mohamed El Merouani 64

Addition de variables aléatoire

Addition de variables aléatoire Addition de variables aléatoire

de Poisson indépendantes: normales indépendantes:

Mohamed El Merouani 67 Mohamed El Merouani 68

Vous aimerez peut-être aussi