Not Fiab

1
Cahier de Mathmatiques Appliques no 13
Notions de fiabilit
B. Ycart
Les calculs de fiabilit font dsormais partie intgrante de la dmarche de

qualit dans la production industrielle. Calculer la fiabilit dun systme com-
plexe demande de savoir estimer les dures de fonctionnement de ses com-
posants, de pouvoir analyser lenchanement logique des pannes du systme
selon les dfaillances des composants, de proposer des modles conduisant
une valuation quantitative des diffrentes mesures de performance. Pour ce
faire, lingnieur dispose de diffrents outils mathmatiques que ce cours a
pour objectif de rsumer. La plupart ont leur origine dans les probabilits
et les statistiques, dont les bases, dveloppes dans plusieurs cahiers de la
mme collection, ne seront pas rappeles. Ce qui suit sinspire fortement des
ouvrages suivants, que le lecteur est invit consulter pour plus de dtails.
R.E. Barlow et F. Proschan Statistical theory of reliability and life

testing: probability models. Holt, Rinehart, and Winston, New York, 1975.
J.L. Bon Fiabilit des systmes : mthodes mathmatiques.

Masson, Paris, 1995.
C. Cocozza-Thivent Processus stochastiques et fiabilit des systmes.

Springer-Verlag, Berlin, 1997.
Ce cahier de mathmatiques appliques doit beaucoup aux relectures

scrupuleuses de Jean-Louis Bon et Valentine Genon-Catalot, au dynamisme
de Sylvie Sevestre-Ghalila, au soutien de lEcole Suprieure de la Statistique
et de lAnalyse de lInformation de Tunisie, par son directeur Makki Ksouri,
ainsi qu la comptence de Habib Bouchriha, directeur du Centre des Pu-
blications Universitaires de la Tunisie.
2 Cahier de Mathmatiques Appliques no 13
Table des matires

1 Dures de fonctionnement 3
1.1 Vocabulaire de la fiabilit . . . . . . . . . . . . . . . . . . . . 3
1.2 Lois classiques . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Comparaison de lois . . . . . . . . . . . . . . . . . . . . . . . 10
2 Estimation 14
2.1 Vraisemblance et censure . . . . . . . . . . . . . . . . . . . . 14
2.2 Modle exponentiel . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Modles gamma et Weibull . . . . . . . . . . . . . . . . . . . 18
2.4 Estimation non paramtrique . . . . . . . . . . . . . . . . . . 21
3 Appareils rparables 24
3.1 Petites rparations . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Remise neuf . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3 Disponibilit . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 Systmes cohrents 34
4.1 Fonction de structure . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Arbres de dfaillance . . . . . . . . . . . . . . . . . . . . . . . 37
4.3 Diagramme de dcision binaire . . . . . . . . . . . . . . . . . 39
4.4 Analyse probabiliste . . . . . . . . . . . . . . . . . . . . . . . 40
5 Modles markoviens 43
5.1 Disponibilit et fiabilit . . . . . . . . . . . . . . . . . . . . . 43
5.2 Composants dpendants . . . . . . . . . . . . . . . . . . . . . 47
5.3 Lois de type phase . . . . . . . . . . . . . . . . . . . . . . . . 51
6 Exercices 55
Notions de fiabilit 3
1 Dures de fonctionnement
On attend un certain service dune machine laver, dun composant lec-
tronique, dun avion, dun logiciel, etc. . . Nous parlerons gnriquement dun
appareil qui fonctionne ou non. Sa dure de fonctionnement est considre
comme une variable alatoire, dont nous tudions la loi dans cette premire
partie.
1.1 Vocabulaire de la fiabilit

La dure de fonctionnement dun appareil est le temps cumul de fonc-
tionnement depuis la mise en service, jusqu la premire panne. En gnral
lappareil na pas t sollicit en permanence : le fonctionnement peut avoir
t interrompu par des priodes dinactivit dont nous ne tenons pas compte.
Le fabriquant, qui propose une priode T de garantie, sengage rembourser
les clients dont lappareil aurait eu une dure de fonctionnement infrieure
T . Pour budgtiser cette garantie, le fabriquant doit tre capable de savoir
quelle proportion de ses appareils seront finalement rembourss. La modlisa-
tion consiste voir les dures de fonctionnement de chaque exemplaire comme
autant de ralisations dune variable alatoire note X, dont on doit dter-
miner la loi. En fiabilit, on caractrise la loi dune dure de fonctionnement
de plusieurs manires diffrentes.
Nous supposerons toujours que X admet une densit f , continue et stric-
tement positive sur IR+ . La fonction de rpartition F est la primitive de la
densit, nulle en 0. En plus de la densit et de la fonction de rpartition,
habituellement utilises pour caractriser la loi dune variable continue, on
introduit deux nouvelles fonctions lies aux prcdentes, la fiabilit et le taux
de panne.
Dfinition 1.1 On appelle fiabilit dune dure de fonctionnement X, le

complment 1 de la fonction de rpartition de X. Cette fonction, note R
(pour Reliability), vrifie pour tout t 0 :
Z +
R(t) = IP[X > t] = 1 F (t) = f (s) ds .
t
La fiabilit est la probabilit que lappareil fonctionne au-del de linstant t.

On lappelle aussi fonction de survie. Cest une fonction continue, strictement
positive et dcroissante, qui vaut 1 en t = 0 et qui tend vers 0 quand t tend
vers linfini.
Dfinition 1.2 On appelle taux de panne dun appareil de dure de vie X,

et on note r, le rapport de la densit de X sa fiabilit.
f (t)
r(t) = .
R(t)
Densit Fiabilit Taux de panne
d Z t
f (t) = R(t) r(t) exp r(s) ds
dt 0
Z + Z t
R(t) = f (s) ds exp r(s) ds
t 0
Z + 1 d
r(t) = f (t) f (s) ds log(R(t))
t dt
Table 1 Relations entre la densit, la fiabilit et le taux de panne.
Pour comprendre cette dfinition, revenons linterprtation de f . La densit

est la drive de la fonction de rpartition. On a donc :
1 1
f (t) = lim (F (t + h) F (t)) = lim IP[t < X t + h] .
h&0 h h&0 h
Si h est petit, hf (t) est peu prs la proportion des appareils qui tomberont
en panne dans lintervalle de temps ]t , t + h].
Quotienter par R(t) revient remplacer la loi de X par sa loi condition-
nelle sachant lvnement X > t.
1 IP[t < X t + h] 1
r(t) = lim = lim IP[t < X t + h | X > t] .
h&0 h IP[X > t] h&0 h
Si h est petit, hr(t) est peu prs la proportion des appareils qui tomberont en
panne dans lintervalle de temps ]t , t + h], parmi ceux qui ont dj fonctionn
jusqu t.
La densit, la fiabilit et le taux de panne sont trois manires quivalentes
de caractriser la loi de X. On peut exprimer chacune des trois fonctions
laide de lune des deux autres. La table 1 rsume ces expressions, que lon
obtient facilement partir des dfinitions 1.1 et 1.2.
Un appareil doccasion a dj fonctionn une certaine priode de temps.
Sil est vendu linstant t, cest sa dure de fonctionnement rsiduelle aprs
t qui intresse lacheteur.
Dfinition 1.3 Soit X une dure de fonctionnement. On appelle dure de

fonctionnement rsiduelle aprs t, et on note Xt la variable alatoire X t,
vue sous la probabilit conditionnelle sachant lvnement X > t.
Notons ft , Rt , rt la densit, la fiabilit et le taux de panne de la dure de vie

rsiduelle Xt . On a :
f (t + s) R(t + s)
ft (s) = , Rt (s) = , rt (s) = r(t + s) .
R(t) R(t)
Il est souvent difficile de caractriser prcisment la loi de X. On se

contente parfois de son esprance, la dure moyenne de fonctionnement, no-
te MTTF pour Mean Time To Failure, que lon suppose toujours finie. Elle
sexprime laide de la densit ou de la fiabilit.
Z + Z +
M T T F = IE[X] = t f (t) dt = R(t) dt .
0 0
La dernire expression sobtient partir de la prcdente en intgrant par

partie.
1.2 Lois classiques

Le modle probabiliste de base pour les dures de fonctionnement est la
loi exponentielle E(). Sa densit, sa fiabilit et son taux de panne valent
respectivement :
f (t) = et , R(t) = et , r(t) .
Une dure exponentielle de fonctionnement X a un taux de panne constant ;

par consquent le taux de panne de la dure rsiduelle Xt est le mme que
celui de X, donc Xt et X ont mme loi. Un appareil dont la dure de vie est
exponentielle garde les mmes proprits probabilistes quel que soit son ge :
il ne vieillit pas. Avoir un taux de panne constant, ou des dures de vie rsi-
duelles de mme loi est une proprit caractristique des lois exponentielles,
on lappelle labsence de mmoire.
Proposition 1.4 Soit X une dure de fonctionnement telle que pour tout
t > 0, la dure rsiduelle Xt a la mme loi que X. Alors X suit une loi
exponentielle.
Dmonstration : Si R est la fiabilit de X, elle est solution de lquation

fonctionnelle :
R(s + t) = R(s) R(t) .
Toute solution continue de cette quation est de la forme :
R(t) = eat ,
et a est ncessairement ngatif car R(t) tend vers 0 quand t tend vers +.

Labsence de mmoire est videmment peu raliste pour des dures de fonc-
tionnement. Nanmoins, lutilisation des lois exponentielles comme approxi-
mation peut tre justifie en pratique, comme nous le verrons par la suite.
Les lois exponentielles sont des cas particuliers de deux types de lois
classiques plus gnraux, couramment utiliss pour modliser des dures de
fonctionnement, les lois gamma et les lois de Weibull.
Densit de la loi gamma
f(t)
2.0
1.8
1.6
1.4
a=0.5
1.2
1.0
0.8
a=1
0.6
0.4
0.2 a=1.5
t
0.0 .
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Fiabilit de la loi gamma Taux de panne de la loi gamma

R(t) r(t)
1.0 2.0
0.9 1.8
0.8 1.6
a=0.5
0.7 1.4
0.6 a=1.5 1.2
a=1
0.5 1.0
0.4 0.8
a=1
0.3 0.6 a=1.5
0.2 0.4
a=0.5
0.1 0.2
t t
0.0 . 0.0 .
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Figure 1 Densit, fiabilit et taux de panne des lois gamma G(a, 1) pour
a = 0.5, 1, 1.5.
Dfinition 1.5 La loi gamma de paramtres a > 0 et > 0, note G(a, ),

a pour densit sur IR+ :
a a1 t
t e ,
(a)
R
o est la fonction gamma, dfinie par : (a) = 0 et ta1 dt.
La loi G(1, ) est la loi exponentielle E(). Si X suit la loi G(a, 1), alors 1 X
suit la loi G(a, ). Le paramtre , qui dpend de lchelle de temps, est le
paramtre dchelle, alors que a est le paramtre de forme. On dmontre que
si X et Y sont deux variables alatoires indpendantes, de lois respectives
G(a, ) et G(b, ), alors X + Y suit la loi G(a + b, ). En particulier la somme
de n variables indpendantes et de mme loi E() suit la loi G(n, ). Cette
loi, que lon rencontre souvent en thorie des files dattente porte le nom de
loi dErlang. La loi G(n/2, 1/2) est la loi du khi-deux n degrs de libert,
et note X 2 (n). Cest la loi de la somme des carrs de n variables alatoires
indpendantes de loi normale N (0, 1).
La fiabilit et le taux de panne de la loi gamma G(a, ) sexpriment
laide de la fonction gamma incomplte, dfinie par :
Z
(a, t) = es sa1 ds .
t
Cette fonction est calculable numriquement, et code dans la plupart des

environnements mathmatiques. On dmontre que le taux de panne de la
loi G(a, ) converge vers quand t tend vers linfini. Pour a < 1 cest une
fonction dcroissante de t, qui tend vers + en t = 0. Pour a > 1, cest une
fonction croissante de t qui tend vers 0 en t = 0. La figure 1 reprsente les
densits, fiabilits et taux de panne de plusieurs lois gamma.
Lautre famille classique de modles pour des dures de fonctionnement
est la famille des lois de Weibull.
Dfinition 1.6 La loi de Weibull de paramtres a > 0 et > 0, note
W(a, ), a pour densit sur IR+ :
a
f (t) = ata1 et .
La loi W(1, ) est la loi exponentielle E(). Si X suit la loi W(a, 1), alors
1
1/a
X suit la loi W(a, ). Comme pour la loi gamma, on interprte comme
un paramtre dchelle, et a comme un paramtre de forme. La fiabilit et le
taux de panne de la loi W(a, ) sexpriment simplement :
a
R(t) = et , r(t) = ata1 .
La figure 2 reprsente les densits, fiabilits et taux de panne de plusieurs

lois de Weibull.
Densit de la loi de Weibull
f(t)
2.0
1.8
1.6
1.4
1.2
1.0
0.8
a=1.5
0.6
0.4 a=1
0.2
a=0.5
t
0.0 .
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Fiabilit de la loi de Weibull Taux de panne de la loi de Weibull

R(t) r(t)
1.0 2.0
0.9 1.8
0.8 1.6
a=1.5
0.7 1.4
0.6 1.2
a=1
0.5 1.0
0.4 0.8
0.3 0.6 a=0.5
a=0.5
0.2 0.4
a=1
0.1 a=1.5 0.2
0.0 . t 0.0 . t
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Figure 2 Densit, fiabilit et taux de panne des lois de Weibull W(a, 1)

pour a = 0.5, 1, 1.5.
En dehors de leur facilit de manipulation, les lois de Weibull ont un autre

attrait pour la fiabilit. Elles apparaissent en effet comme lois limites pour le
minimum dun grand nombre de dures indpendantes.
Proposition 1.7 Soient X1 , . . . , Xn n dures de fonctionnement indpen-

dantes et de mme densit f . On suppose quil existe deux rels strictement
positifs a et tels que :
f (t)
lim =1.
t&0 ata1
Notons Mn la variable alatoire :
Mn = n1/a min {X1 , . . . , Xn } .
i=1,...,n
Alors la suite (Mn ) converge en loi vers la loi de Weibull W(a, ).

Pour comprendre ce rsultat, pensons par exemple un cble sous-marin.
Coupons-le par la pense en n tronons de longueur 1 km. Evidemment la
liaison est coupe ds quun des tronons cesse de transmettre. Si X1 , . . . , Xn
sont les dures de fonctionnement des n tronons, alors min{X1 , . . . , Xn } est
la dure de fonctionnement du cble. Daprs la proposition 1.7, elle suit
approximativement une loi de Weibull. La loi de Weibull permet donc de mo-
dliser des dures de fonctionnement de systmes dans lesquels la dfaillance
dun seul composant suffit provoquer la panne de tout le systme.
Dmonstration : Soit R la fiabilit des Xi . Notons Rn la fiabilit de Mn .
Commenons par lexprimer en fonction de R.
t
Rn (t) = IP[ min{X1 , . . . , Xn } > 1/a ]
n
t t
= IP[ X1 > 1/a et . . . et Xn > 1/a ]
n n
n
Y t
= IP[ Xi > 1/a ]
i=1
n
n
t
= R( 1/a ) .
n
Il est facile den dduire que si X1 , . . . , Xn suivent toutes la loi W(a, ), alors
le minimum suit la loi W(a, n) et Mn suit la loi W(a, ). La proposition dit
que si la densit (ou le taux de panne) des Xi est quivalent en t = 0 la
densit (ou au taux de panne) de la loi W(a, ), alors le minimum des Xi
suit approximativement une loi de Weibull.
Pour dmontrer la convergence en loi de (Mn ), il suffit de vrifier que la
fiabilit Rn (t) converge pour tout t vers la fiabilit de la loi W(a, ), soit
exp(ta ). Pour cela crivons :
Z 1/a t
!n
n
Rn (t) = 1 f (s) ds .
0
Fixons t et strictement positifs. Par hypothse, pour n assez grand et pour

t
tout s dans lintervalle ]0, n1/a [ on a :
(1 )asa1 f (s) (1 + )asa1 .
En intgrant on obtient :
n n
ta ta

1 (1 + ) Rn (t) 1 (1 ) ,
n n
soit en passant la limite en n :
exp((1 + )ta ) lim inf Rn (t) lim sup Rn (t) exp((1 )ta ) .
Ces ingalits tant vraies pour tout > 0, cela entrane bien :
lim Rn (t) = exp(ta ) .

n
1.3 Simulation
La mthode de base de simulation est la mthode dinversion, qui consiste
prendre limage dun appel de Random par linverse de la fonction de r-
partition. Dans notre contexte, la fonction de rpartition F dune dure de
fonctionnement est une fonction strictement croissante de IR+ dans [0, 1[. Son
inverse, not F 1 est une fonction strictement croissante de [0, 1[ dans IR+ .
Proposition 1.8 Soit U une variable alatoire de loi uniforme sur [0, 1],
alors X = F 1 (U ) a pour fonction de rpartition F .
Considrons par exemple la fonction de rpartition de la loi de Weibull
W(a, ).
F (t) = 1 exp(ta ) .
Son inverse est : a1
1 1
F (u) = log(1 u) .

En sortie de lalgorithme suivant, X suit la loi W(a, ).
X ( log(Random)/)b(1/a)
Il est possible dutiliser la mthode dinversion pour les lois gamma, mais
les environnements de calcul sont pourvus en gnral de simulateurs plus
efficaces.
Une variante de la mthode dinversion permet de simuler une dure de
fonctionnement dont on ne connatrait que le taux de panne r(t). On appelle
taux de panne cumul, et on note (t) la primitive nulle en 0 du taux de
panne. Z t
(t) = r(s) ds = log(R(t)) .
0
Cest une fonction strictement croissante de IR+ dans IR+ , nulle en t = 0, qui
tend vers + quand t tend vers +. Elle est donc inversible, et son inverse
1 est une fonction strictement croissante de IR+ dans IR+ .
Proposition 1.9 Soit X 0 une variable alatoire de loi exponentielle E(1).

Alors X = 1 (X 0 ) a pour taux de panne r.
Dmonstration : Il suffit de calculer la fiabilit de X :
IP[X > t] = IP[X 0 > (t)] = exp((t)) = R(t) .

Il ny a pas dexemple de loi de probabilit pour laquelle 1 serait plus
facile calculer que F 1 ; lintrt de ce rsultat est donc surtout thorique.
Nous le retrouverons dans ltude des processus de Poisson non homognes
au paragraphe 3.1.
1.4 Comparaison de lois

Considrons deux types dappareils que lon souhaite mettre en concur-
rence. Imaginons que lon dmarre au mme instant un chantillon dexem-
plaires de chacun des deux appareils. Si chaque instant il reste moins dap-
pareils du premier type en fonctionnement, le premier type sera moins bon
que le second. Si R1 et R2 dsignent les fiabilits des deux modles, cela re-
vient dclarer le premier type moins bon si R1 (t) R2 (t). Cest la dfinition
de lordre stochastique entre deux lois de probabilit sur IR+ .
Dfinition 1.10 Soient X1 et X2 deux dures de fonctionnement, de fiabi-

lits respectives R1 et R2 . On dit que X1 est moins fiable que X2 , ou que X1
est stochastiquement infrieure X2 , et on note X1 st X2 , si et seulement
si pour tout t 0 :
R1 (t) R2 (t) .
Insistons sur le fait quil sagit dune relation dordre entre lois de probabilit,
et non entre variables alatoires. Mme si X1 st X2 , rien ne dit que les
valeurs prises par X1 et X2 seront ordonnes. On peut cependant faire en
sorte quelles le soient, comme le montre la premire caractrisation de la
proposition 1.11 ci-aprs. On sattend ce que en moyenne les valeurs de
X1 soient infrieures celles de X2 , donc que le MTTF du premier appareil
soit moins bon. Ceci fait lobjet de la seconde caractrisation.
Proposition 1.11 Soient X1 et X2 deux dures de fonctionnement. Cha-

cune des deux proprits suivantes est quivalente X1 st X2 .
1. Il existe un couple de variables alatoires (X10 , X20 ) telles que X10 suit la
mme loi que X1 , X20 suit la mme loi que X2 , et IP[X10 X20 ] = 1.
2. Pour toute fonction croissante de IR+ dans IR,
IE[(X1 )] IE[(X2 )] .
Dmonstration : Nous allons dmontrer successivement les trois implications :
X1 st X2 = 1 = 2 = X1 st X2 .
Pour construire un couple (X10 , X20 ) dont les lois marginales sont celles de X1
et X2 , nous utilisons la technique de la simulation par inversion. Soient F1
et F2 les fonctions de rpartition de X1 et X2 , qui vrifient F1 (t) F2 (t) par
hypothse. Leurs inverses F11 et F21 sont strictement croissantes de [0, 1]
dans IR+ . Pour tout u [0, 1] on a :
F11 (u) F21 (u) .
Soit U une variable alatoire de loi uniforme sur [0, 1] (appel de Random).
Posons X10 = F11 (U ) et X20 = F21 (U ). Les fonctions de rpartition de X10
et X20 sont bien F1 et F2 , et on a videmment IP[X10 X20 ] = 1.
Pour la seconde implication, si IP[X10 X20 ] = 1, et si est croissante,
alors IP[(X10 ) (X20 )] = 1 et donc IE[(X10 )] IE[(X20 )].
Pour la dernire implication, on applique la proprit 2 la fonction
indicatrice de lintervalle ]t, +[.

1 si s > t
(s) = 11]t,+[ (s) =
0 sinon .
On a alors R1 (t) = IE[(X1 )] et R2 (t) = IE[(X2 )].

A titre dexemple, supposons que X1 et X2 suivent respectivement les lois
G(a, 1 ) et G(a, 2 ), avec 1 2 , alors X1 st X2 . Pour le voir, il suffit de
considrer une dure X de loi G(a, 1), et de poser X10 = X/1 et X20 = X/2 .
On peut alors utiliser la premire caractrisation de la proposition 1.11. Si
X1 et X2 suivent respectivement les lois W(a, 1 ) et W(a, 2 ), avec 1 2 ,
on vrifie galement que X1 st X2 .
On peut aussi comparer les lois de deux dures de fonctionnement par lin-
termdiaire des taux de panne : il est raisonnable de dclarer moins bon celui
des deux appareils pour lequel la proportion de pannes sur chaque intervalle
est la plus forte.
Dfinition 1.12 Soient X1 et X2 deux dures de fonctionnement, de taux

de panne respectifs r1 et r2 . On dit que X1 est plus dfaillante que X2 , et on
note X1 tp X2 si pour tout t 0 :
r1 (t) r2 (t) .
Par exemple, si X1 et X2 suivent des lois de Weibull W(a, 1 ) et W(a, 2 ),

avec 1 2 , alors X1 tp X2 . Il est rassurant dobserver quune dure plus
dfaillante est aussi moins fiable.
Proposition 1.13 X1 tp X2 = X1 st X2 .
Dmonstration : Si pour tout t 0, r1 (t) r2 (t) alors :

Z t Z t
r1 (s) ds r2 (s) ds ,
0 0
donc :
Z t Z t
exp r1 (s) ds exp r2 (s) ds .
0 0
Do le rsultat.
Les deux ordres ne sont pas quivalents : un appareil peut tre moins fiable
quun autre sans tre plus dfaillant. La diffrence vient de ce que lordre
stochastique compare des nombres de panne globaux (sur tout lintervalle
[0, t]), alors que lordre des taux de panne compare des nombres locaux (sur
un petit intervalle ]t, t + h]). Pour donner un exemple supposons que X1 suive
la loi E(1), de taux de panne constant r1 (t) = 1, de fiabilit R1 (t) = et .
Considrons le taux de panne r2 (t) dfini par :
r2 (t) = 211[1,2] (t) + 11[2,+] (t) .
La fiabilit correspondante est :
R2 (t) = 11[0,1] (t) + e2(t1) 11]1,2] (t) + et 11]2,+[ (t) .
On a bien R1 (t) R2 (t), mais pas r1 (t) r2 (t) pour tout t.

Les deux outils de comparaison que nous avons dfinis permettent, dans le
cas de taux de panne borns, de contrler la fiabilit dun appareil en utilisant
les lois exponentielles. Le rsultat suivant est une consquence immdiate de
la proposition 1.13.
Corollaire 1.14 Soit X une dure de fonctionnement dont le taux de panne

r(t) est major (respectivement : minor) par > 0. Alors X est plus fiable
(resp. : moins fiable) quune dure exponentielle de paramtre .
Nous allons maintenant utiliser les ordres st et tp pour comparer des dures
de fonctionnement rsiduelles.
Dfinition 1.15 On dit quune dure de fonctionnement X est NBU (New

Better than Used) si pour tout t 0, la dure rsiduelle Xt est moins fiable
que X.
Une fois de plus, il sagit dune proprit de la loi, plutt que de la variable
alatoire X. Par dfinition de lordre stochastique, la proprit NBU quivaut
Rt (s) R(s) pour tout t et pour tout s, soit :
R(t + s) R(t) R(s) .
Pour une dure de fonctionnement NBU, un appareil doccasion est toujours
moins fiable quun neuf. Cela se produit en particulier dans le cas dun taux
de panne croissant.
Dfinition 1.16 Soit X une dure de fonctionnement. On dit que X est IFR
(Increasing Failure Rate) si le taux de panne r(t) est une fonction croissante
du temps.
Par exemple, une dure suivant la loi gamma G(a, ) ou la loi de Weibull
W(a, ) est IFR, pour a > 1. Quand le taux de panne est croissant, la fiabilit
empire toujours, quel que soit lge de lappareil.
Proposition 1.17 Soit X une dure de fonctionnement IFR. Alors pour
tout couple dinstants successifs t1 t2 , on a Xt2 st Xt1 . En particulier, X
est NBU.
Dmonstration : Si r(t) est croissante, alors pour t1 t2 et s 0, on a :

r(t1 + s) r(t2 + s) .
Or r(t + s) est le taux de panne de la dure rsiduelle Xt . Donc Xt2 tp Xt1 ,
ce qui entrane Xt2 st Xt1 , par la proposition 1.13. Pour t1 = 0, on obtient
Xt2 st X, donc X est NBU.
Le contraire de NBU est NWU (New Worse than Used). Une loi est NWU
si un appareil doccasion est plus fiable quun neuf. Cela se produit si une
proportion importante dappareils neufs a des dfauts de fabrication qui les
fait tomber en panne rapidement : mieux vaut alors faire confiance un
appareil qui a dj franchi la priode de rodage o dautres sont tombs en
panne. Le contraire de IFR est DRF (Decreasing Failure Rate). Comme
dans la proposition 1.17, on dmontre que si le taux de panne est dcroissant,
alors les dures de fonctionnement rsiduelles sont de plus en plus fiables, et
en particulier la loi est NWU. Cela parat peu raliste sur toute la dure de
vie dun appareil.
On considre en gnral que les taux de panne ont typiquement une
courbe en baignoire, comme sur la figure 3. On distingue ainsi trois p-
riodes dans la vie dun appareil. Dans un premier temps, le taux de panne
est dcroissant. Cest la phase de rodage o les dfauts de fabrication pro-
voquent la panne des appareils mal construits. Suit une priode de taux de
panne peu prs constant, o les dfaillances surviennent de manire tota-
lement alatoire. Ensuite les appareils qui ont rsist jusque l commencent
vieillir et les pannes sacclrent.
r(t)
Rodage Vie utile Vieillissement

t
Figure 3 Courbe en baignoire : volution typique dun taux de panne.
2 Estimation
Une usine, qui doit valuer la fiabilit dun appareil de sa fabrication,
met sur un banc dessai n exemplaires de cet appareil, dont elle observe les
dates de panne. Elle recueille ainsi un chantillon statistique de dures. Il
est frquent que lobservation soit arrte avant la dernire panne : on parle
dans ce cas de donnes censures. Lhypothse de modlisation est que les n
dures sont les ralisations de variables alatoires indpendantes et de mme
loi. On peut supposer que cette loi appartient une des familles classiques,
auquel cas le problme consiste estimer un ou deux paramtres rels. Nous
traiterons successivement lestimation des paramtres des lois exponentielles,
gamma et Weibull. Nous examinerons ensuite le cadre non paramtrique.
2.1 Vraisemblance et censure

Loutil de base de lestimation est la notion de vraisemblance. Plaons-
nous pour linstant dans le cas de donnes non censures. On a observ n du-
res x1 , . . . , xn , que lon considre comme des ralisations dun n-chantillon
(X1 , . . . , Xn ) : les Xi sont des variables alatoires indpendantes et de mme
loi. Cette loi inconnue a pour densit f et pour fiabilit R. Par dfinition, la
vraisemblance est la densit de lchantillon sur lobservation.
n
Y
L= f (xi ) . (2.1)
i=1
La vraisemblance mesure la probabilit de lvnement qui a t observ.

Dans le cas de lois densit, la difficult vient de ce que la probabilit dob-
server exactement les valeurs x1 , . . . , xn est toujours nulle. Par contre, pour
h petit, la probabilit dobserver x1 , . . . , xn h prs est proche de hn L. On
retiendra que la vraisemblance est proportionnelle la probabilit de lv-
nement observ. Le coefficient de proportionnalit ne doit pas dpendre des
quantits estimer. Celles-ci peuvent tre des paramtres si lon suppose que
la loi appartient lune des familles classiques, ou plus gnralement des va-
leurs de R(t), des moments de la loi, ou encore des quantiles. Il est naturel
de proposer comme estimation celle qui maximise la probabilit de lvne-
ment observ, savoir la valeur pour laquelle la vraisemblance est maximale.
Cest non seulement raisonnable, mais aussi optimal, au sens o lestimateur
obtenu est asymptotiquement de variance minimale. Il est quivalent, et en
gnral plus facile, de maximiser le logarithme de la vraisemblance.
Passons maintenant au cas de donnes censures. Il peut tre trop cher,
inutile, ou tout simplement impossible, dobserver toutes les dures de fonc-
tionnement x1 , . . . , xn . On dcide alors dinterrompre lobservation avant la
dernire. Nous ne considrerons que deux types de censure. Il existe de nom-
breuses gnralisations de ces deux cas de base.
Type I : Les donnes nont t observes que jusqu un instant de censure
tc fix lavance. Dans ce cas, lobservation se compose des valeurs de celles
des dures qui taient infrieures tc . En dautres termes, au lieu dobserver
la valeur prise par Xi , on observe celle de Xi0 , avec :
Xi0 = Xi 11[0,tc ] (Xi ) + tc 11]tc ,+[ (Xi ) .
La variable Xi0 vaut tc avec probabilit R(tc ), elle est gale Xi si Xi tc .
La probabilit de lvnement observ est proportionnelle :
Yn
L= f (xi )11[0,tc ] (xi ) + R(tc )11]tc ,+[ (xi ) .
i=1
Pour crire cette formule sous une forme plus lisible, notons x(1) , . . . , x(n)
les valeurs x1 , . . . , xn ranges par ordre croissant, et k le nombre de valeurs
infrieures tc :
Xn
k= 11[0,tc ] (xi ) = max{i ; x(i) tc } .
i=1
La vraisemblance devient :
k
Y
L = R(tc )nk f (x(i) ) . (2.2)
i=1
Les variables alatoires X(1) , . . . , X(n) (valeurs de X1 , . . . , Xn ranges par

ordre croissant) sappellent les statistiques dordre de lchantillon.
Type II : Seules les nc premires valeurs ont t observes, o nc est un
nombre fix lavance. Comme prcdemment, notons x(1) , . . . , x(n) les va-
leurs ranges par ordre croissant. On observe en fait les valeurs prises par
X(1) , . . . , X(nc ) , les nc premires statistiques dordre de lchantillon. La pro-
babilit de lvnement observ est ici proportionnelle :
nc
Y
L = R(x(nc ) )nnc f (x(i) ) . (2.3)
i=1
2.2 Modle exponentiel

Nous allons envisager diffrentes techniques destimation du paramtre
dune dure exponentielle, selon que les donnes sont ou non censures.
Nous disposons dun chantillon de taille n, que nous notons (X1 , . . . , Xn ).
Les Xi sont donc n variables alatoires indpendantes et de mme loi E().
Le paramtre est inconnu.
Appliquons dabord la technique du maximum de vraisemblance des
donnes non censures. La vraisemblance (formule (2.1)) est :
n n
!
Y X
xi n
L= e = exp xi .
i=1 i=1
Pour la maximiser on commence par en prendre le logarithme.

n
X
log(L) = n log() xi .
i=1
La valeur cherche sobtient en annulant la drive.

n
log(L) n X
= xi .
i=1
Le maximum de la vraisemblance est donc atteint en :

b = Pn .

xi
Cest linverse de la moyenne empirique de lchantillon, ce qui est cohrent
avec le fait que est linverse de lesprance de la loi E(). Nous commet-
trons ici labus frquent qui consiste noter de la mme faon lestimation
et lestimateur. Lestimation est une valeur relle, fonction des observations
xi ; lestimateur est la mme fonction des Xi et cest une variable alatoire.
b = Pn .

Xi
Pour calculer
P lesprance de cette variable alatoire, il suffit dobserver que la
somme Xi (somme de n exponentielles indpendantes) suit la loi gamma
G(n, ). On trouve :
Z
n n tn1 t n
IE[] =
b e dt = .
0 t (n 1)! n 1
Lesprance converge vers , donc b est un estimateur asymptotiquement sans

biais ; mais elle nest pas gale , il est donc biais. Pour supprimer le biais,
il suffit de remplacer b par b0 , dfini par :
n 1b n 1
b0 = = P .
n Xi
Pour estimer lerreur commise, on calcule lerreur quadratique moyenne,

savoir
IE[(b0 )2 ]. En utilisant encore la loi G(n, ), on trouve :
2
IE[(b0 )2 ] = V ar[b0 ] = .
n2
Lerreur quadratique tend vers 0 quand n tend vers linfini, donc b0 est un
estimateur convergent de .
Au-del de lestimation ponctuelle, on cherche en gnral P donner un
intervalle de confiance. Pour cela, il suffit dobserver que Xi suit la loi
G(n, 1). On peut alors construire un intervalle de confiance pour partir
dun intervalle de dispersion pour la loi G(n, 1). Notons [u , v ] lintervalle
de dispersion optimal de niveau 1 ]0, 1[ : par dfinition, si X suit la
loi G(n, 1), alors IP[ X [u , v ] ] = 1 , et [u , v ] est le plus court des
intervalles possdant cette proprit. Avec nimporte quel logiciel statistique,
on peut facilement calculer u et v . On a :
X u v
IP[ Xi [u , v ] ] = IP[ [ P , P ] ] = 1 .
Xi Xi
Un intervalle de confiance optimal de niveau 1 pour est donc :

u v
P ,P .
Xi Xi
Pour une censure de type I, on a observ celles des dures x1 , . . . , xn qui

sont infrieures tc . En notant k leur nombre, la vraisemblance scrit (cf.
formule (2.2)) :
k
Y
L = (etc )nk ex(i) .
i=1
Lestimation du maximum de vraisemblance est maintenant :

k

b= .
x(1) + + x(k) + (n k)tc
Evidemment, il nest pas aussi facile que prcdemment de calculer le biais

et lerreur quadratique ou bien de dterminer des intervalles de confiance.
On peut cependant en obtenir des estimations grce la simulation. Voici un
exemple dexprience numrique, illustre sur la figure 4 (a). Un chantillon
de taille 100 de la loi E(1) est tir. Pour toutes les valeurs de tc allant de
0.05 5 par pas de 0.05, lestimation du maximum de vraisemblance est
calcule. Afin de diminuer le biais, les valeurs obtenues sont multiplies par
n1
n = 0.99. Lexprience est rpte 1000 fois et un intervalle de confiance
sur la valeur estime est calcul pour chaque valeur de tc . Les deux courbes
de la figure 4 (a) donnent les bornes de lintervalle de confiance de niveau
0.95 en fonction de tc . Comme on pouvait sy attendre, quand tc augmente,

lestimation devient plus prcise, car de plus en plus de valeurs sont observes.
Mais laugmentation de prcision nest pas spectaculaire : on obtient une
prcision dj correcte pour des valeurs assez faibles de tc .
Passons maintenant une censure de type II. La vraisemblance (cf. formule
(2.3)) est :
nc
Y
L = (ex(nc ) )nnc ex(i) .
i=1
Lestimation du maximum de vraisemblance est :

nc

b= .
x1 + + x(nc ) + (n nc )x(nc )
Pour raliser la figure 4 (b), nous avons gard les 1000 chantillons de taille
100 de lexprience prcdente. Pour toutes les valeurs de nc de 1 100,
lestimation du maximum de vraisemblance est calcule. La figure montre les
bornes de lintervalle de confiance de niveau 0.95 en fonction de nc . Ici encore
la prcision augmente avec nc mais elle est dj correcte pour nc de lordre
de 50.
(a) Censure de type I (b) Censure de type II

1.05 1.05
1.04 1.04
1.03 1.03
1.02 1.02
1.01 1.01
1.00 1.00
0.99 0.99
0.98 0.98
0.97 0.97
0.96 tc 0.96 nc
0.95 0.95
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 0 10 20 30 40 50 60 70 80 90 100
Figure 4 Intervalles de confiance de niveau 0.95 de lestimateur du maxi-

mum de vraisemblance de pour une censure de type I en fonction de linstant
de censure, et pour une censure de type II en fonction du nombre de donnes
observes.
2.3 Modles gamma et Weibull

Commenons par lestimation des paramtres a et partir dun n-
chantillon non censur de la loi gamma G(a, ). Les donnes sont encore
notes (x1 , . . . , xn ). La vraisemblance (formule (2.1)) est :
n
Y a xa1
L= i
exi .
i=1
(a)
Les drives partielles de log(L) par rapport a et sont :

n
log(L) X d log((a))
= n log() + log(xi ) n ,
a i=1
da
n
log(L) na X
= xi .
i=1
a et
Si b b dsignent les estimations du maximum de vraisemblance pour a et
, on a :
nb
a

b= P ,
xi
a est solution de lquation :
et b
X
na d log((a))
n log P + log(xi ) n =0. (2.4)
xi da
Dans cette quation apparat la drive du logarithme de la fonction gamma.

Cette fonction, que lon appelle digamma, est calculable numriquement,
ainsi que ses drives. On peut donc rsoudre (2.4) la prcision souhaite. On
dmontre que lestimateur du maximum de vraisemblance vrifie un thorme
de la limite centrale, au sens o le vecteur n((b b (a, )) converge en loi
a, )
vers une loi normale bidimensionnelle, dont on peut calculer numriquement
la matrice de covariance. On peut en dduire des intervalles de confiance
asymptotiques pour a et .
La mthode des moments fournit une estimation moins prcise, mais plus
facile calculer. En effet lesprance de la loi G(a, ) est a , et sa variance est
a 2
2 . Si X et S dsignent respectivement la moyenne et la variance empiriques
de lchantillon, elles convergent respectivement vers a et a2 . On obtient donc
des estimateurs de a et en posant :
2
X X
ab0 = 2 et b0 = 2 .
S S
Voici une exprience permettant de comparer les deux estimateurs. Des va-
leurs de a et tant fixes (a = 2 et = 1), nous avons tir 1000 chantillons
de taille 100 de la loi G(a, ), et calcul pour chaque chantillon les 4 estima-
b ab0 , b0 . Ceci permet destimer le biais et la variance de chacun des
a, ,
tions b
4 estimateurs. Les rsultats sont donns dans la table 2.
Pour un chantillon de taille n de la loi de Weibull W(a, ), la vraisem-
blance (formule (2.1)) est :
n
Y a
L= axa1
i exi .
i=1
mthode vraisemblance moments

estimateur a
b
b ab0 b0
biais 0.049 0.026 0.057 0.034
variance 0.080 0.025 0.122 0.036
Table 2 Biais et variances des estimateurs du maximum de vraisemblance

et de la mthode des moments pour les paramtres dune loi gamma. Esti-
mations sur 1000 chantillons de taille 100 de la loi G(2, 1).
Les drives partielles de log(L) par rapport a et sont :

n n
log(L) n X X
= + log(xi ) log(xi ) xai ,
a a i=1 i=1
n
log(L) n X a
= x .
i=1 i
a et
Les estimations du maximum de vraisemblance b b vrifient donc :
b = Pn ,

xbai
a est solution de lquation :
et b
n n
n X n X
+ log(xi ) P a log(xi ) xai = 0 . (2.5)
a i=1 xi i=1
Lquation (2.5) se rsout numriquement. Comme pour la loi gamma, les-

timateur (ba, )
b est asymptotiquement normal, ce qui permet de calculer des
intervalles de confiance approchs.
Un autre mthode, moins prcise mais plus simple mettre en uvre,
est base sur la rgression linaire au sens des moindres carrs. Lide est la
suivante. Pour i = 1, . . . , n, la statistique dordre X(i) doit tre proche du
quantile QW(a,) (i/n) :
1/a
1 i
X(i) log(1 ) ,
n
soit :
1 i 1 1
log(X(i) ) log log(1 ) + log .
a n a
Posons xi = log( log(1i/n)) et Yi = log(X(i) ). Les points (xi , Yi ) devraient
tre proches de la droite dquation y = (1/a)x + (1/a) log(1/). Les estima-
teurs des moindres carrs A et B pour la rgression linaire simple des Yi
mthode vraisemblance rgression

estimateur a
b
b ab0 b0
biais 0.025 0.006 0.039 0.015
variance 0.023 0.011 0.037 0.011
Table 3 Biais et variances des estimateurs du maximum de vraisemblance

et de la mthode de rgression linaire pour les paramtres dune loi de Wei-
bull. Estimations sur 1000 chantillons de taille 100 de la loi W(2, 1).
sur les xi sont des estimateurs de 1/a et (1/a) log(1/) respectivement. Donc
ab0 = 1/A et b0 = eB/A sont des estimateurs de a et respectivement. Avant
les ordinateurs, les fiabilistes disposaient de feuilles gradues en chelles loga-
rithmiques (papier Weibull) sur lesquelles il suffisait de reporter les valeurs
de lchantillon pour estimer visuellement les paramtres aprs avoir trac la
droite de rgression.
Comme pour la loi gamma, nous avons estim le biais et la variance des 4
estimateurs b b ab0 , b0 , sur 1000 chantillons de taille 100 de la loi de Weibull
a, ,
W(2, 1). Les rsultats sont ceux de la table 3.
2.4 Estimation non paramtrique

Nous considrons encore un chantillon (X1 , . . . , Xn ) de dures de fonc-
tionnement. Comment peut-on utiliser cet chantillon pour estimer la densit
f , la fiabilit R ou le taux de panne r, sans supposer de modle a priori sur
la loi inconnue ? Nous commenons par la fiabilit.
Lestimateur naturel de R(t) est la frquence empirique de lvnement
dont R(t) est la probabilit :
n
b = 1
X
R(t) 11]t,+[ (Xi ) .
n i=1
La loi de nR(t)
b est la loi binomiale de paramtres n et R(t). On peut donc
construire des intervalles de confiance pour R(t) en utilisant les quantiles des
lois binomiales. Si n est assez grand, on peut aussi utiliser lapproximation
normale de la loi binomiale. En notant z le quantile dordre 1/2 de la loi
N (0, 1), un intervalle de confiance de niveau asymptotique 1 pour R(t)
est :

z z
q q
b
R(t) R(t)(1
b R(t))
b b +
, R(t) R(t)(1
b R(t))
b .
n n
Observons que R(t)

b est la fiabilit de la distribution empirique de lchan-
tillon. La distribution empirique associe n valeurs (x1 , . . . , xn ) est la loi de
probabilit discrte qui charge chacune des n valeurs avec probabilit 1/n. En
dautres termes, cest la moyenne des n masses de Dirac aux points x1 , . . . , xn .

Sa fiabilit est une fonction en escalier, elle na bien sr ni densit, ni taux
de panne. On peut se contenter de la fonction en escalier R(t)b pour estimer
la fiabilit. Mais cela ne permet destimer ni f (t) ni r(t). La solution ce
problme est le lissage.
La technique de lissage la plus rpandue est celle de lestimateur noyau.
Considrons une variable alatoire Z, de densit et de fonction de rpar-
tition . Nous supposons que la loi de Z est symtrique par rapport 0 (
est une fonction paire), et que son cart-type vaut 1. La plus utilise est la
loi N (0, 1) :
1 t2
(t) = e 2 .
2
Soit h un rel strictement positif. Fixons x IR, et considrons la variable
alatoire hZ + x, qui a pour densit h1 ( txh ). Quand h tend vers 0, la loi
de hZ + x tend vers la masse de Dirac en x. Concrtement les valeurs prises
par hZ + x seront rparties autour de x avec un cart-type de h. Pour cette
raison le paramtre h sappelle la taille de fentre. Lide de lestimation par
noyau est de remplacer dans la distribution empirique les masses de Dirac
en xi par les lois des hZ + xi . Leur moyenne admet alors une densit et une
fonction de rpartition qui sont les estimateurs de f et R.
n
1X1 t xi
fc
h (t) = ,
n i=1 h h
n
1X t xi
Rh (t) = 1
b .
n i=1 h
On peut alors estimer le taux de panne par :
fch (t)
rbh (t) = .
Rh (t)
b
Cette technique de lissage prsente deux inconvnients. Le premier rside

dans le choix de h. Une taille de fentre trop faible conduit de nombreux
pics de densit, non significatifs. Au contraire une taille trop grande tendra
lisser exagrment la distribution. Des moyens objectifs de choisir une taille
de fentre optimale existent, mais ils dpassent le cadre de ce cours. Une rgle
empirique raisonnable consiste prendre :
h = 0.79 IQ n1/5 ,
o IQ dsigne lamplitude de lintervalle interquartile, qui contient la moiti

centrale des valeurs de lchantillon.
La seconde difficult est lie au fait que la densit estimer sannule sur
IR . Or pour un noyau symtrique, fc h (t) sera en gnral strictement positive
pour des valeurs ngatives de t, et la fiabilit estime R

bh (t) sera strictement
infrieure 1 en t = 0 : la mthode du noyau introduit un biais systmatique
au voisinage de 0. La figure 5 montre une estimation de la densit, de la
fiabilit et du taux de panne sur un chantillon de taille 100 de la loi de
Weibull W(2, 1).
Densit
f(t)
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0 . t
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
Fiabilit Taux de panne

R(t) r(t)
1.0 4.0
0.9 3.6
0.8 3.2
0.7 2.8
0.6 2.4
0.5 2.0
0.4 1.6
0.3 1.2
0.2 0.8
0.1 0.4
t t
0.0 . 0.0 .
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
Figure 5 Estimateurs noyau gaussien de la densit, de la fiabilit et du

taux de panne pour un chantillon de taille 100 de la loi de Weibull W(2, 1).
Les fonctions exactes apparaissent en pointills.
Nous examinons maintenant le problme de lestimation de R(t) dans le cas

de donnes censures. Une gnralisation classique de la censure de type I
consiste associer chaque observation Xi un instant de censure alatoire
Ci . De deux choses lune : ou bien Xi Ci , auquel cas Xi est effectivement
observe, ou bien Xi > Ci , et cest la seule information disponible sur Xi .
Notons Yi = min{Xi , Ci } la fin de la i-ime observation, et (Y(1) , . . . , Y(n) ) les
statistiques dordre de lchantillon (Y1 , . . . , Yn ). Notons k le nombre dob-
servations infrieures t : k = max{i , Y(i) t}. Si toutes les dures avaient
t observes, cest--dire si tous les Y(i) taient des instants de panne, on
estimerait R(t) par la frquence exprimentale. Nous lcrivons sous forme
dun produit de facteurs :
k
b = nk = 1
Y
R(t) 1 .
n i=1
ni+1
Lestimateur de Kaplan-Meier, dfini ci-dessous, ne prend en compte parmi

ces facteurs que ceux qui correspondent des observations effectives, et non
des censures.
Dfinition 2.1 Pour tout i = 1, . . . , n, notons Qi la variable alatoire dfinie

par :
1

si Y(i) t et Y(i) est un instant de panne
Qi = n i + 1
0 si Y(i) > t ou Y(i) est un instant de censure.

Lestimateur de Kaplan-Meier de R(t) est dfini par :

n
Y
KM (t) = (1 Qi ) .
i=1
Si n est grand, un produit de facteurs proches de 1 peut tre numriquement

instable. On utilise dans ce cas lestimateur de Nelson-Aalen qui donne des
rsultats proches, mais qui est plus fortement biais.
Dfinition 2.2 Avec les notations prcdentes, lestimateur de Nelson-Aalen

de R(t) est dfini par :
n
!
X
NA(t) = exp Qi .
i=1
Voici une exprience de simulation, pour lestimation de la fiabilit R(t) dune

loi exponentielle de paramtre 1. Linstant destimation est fix t = log(2),
de sorte que la valeur estimer est R(t) = 0.5. Pour n = 100, on tire une
ralisation dun chantillon (X1 , . . . , Xn ) de la loi E(1), puis un autre chan-
tillon (Z1 , . . . , Zn ) de la mme loi. On choisit un paramtre de censure c, et
on dcide que linstant de censure de la i-ime observation est Ci = cZi :
la probabilit quil y ait censure est 1/(1 + c), elle diminue donc quand c
augmente. Pour chaque valeur de c allant de 0.05 5 par pas de 0.05, et
pour 1000 rptitions indpendantes de lexprience, on calcule lestimateur
de Kaplan-Meier. On estime alors la moyenne et lcart-type des valeurs ob-
tenues, et on en dduit un intervalle de confiance. La figure 6 montre les
bornes de lintervalle de confiance en fonction du paramtre de censure c. La
prcision augmente quand le nombre de censures diminue (c augmente), mais
on obtient une estimation dj correcte pour c = 1, cas o la probabilit de
censure vaut 1/2.
3 Appareils rparables
Jusquici, nous avons considr que la vie dun appareil sarrte la pre-
mire panne. Dans cette partie, nous envisageons des appareils dont le fonc-
tionnement est interrompu par des dfaillances successives, suivies de remises
KaplanMeier
0.510
0.508
0.506
0.504
0.502
0.500
0.498
0.496
0.494
0.492
c
0.490
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Figure 6 Estimateur de Kaplan-Meier pour la fiabilit dune exponentielle :

1000 chantillons de taille 100 de la loi E(1), les instants de censure sont
exponentiels de paramtre 1/c.
en route. Deux cas seront traits. Dans le premier, le taux de panne de lap-
pareil reste le mme au long de sa vie, mme aprs rparation. Dans le second
cas, au contraire, le taux de panne chaque remise en route est celui dun
appareil neuf. Dans un troisime temps, nous prendrons en compte les dures
de rparation.
3.1 Petites rparations

Considrons un appareil sujet des dfaillances successives. Nous ne te-
nons pas compte des dures de rparation : lchelle de temps compte unique-
ment les priodes de fonctionnement. Nous examinerons la suite des instants
de panne et le processus de comptage de ces pannes.
Dfinition 3.1
1. On appelle suite dinstants de panne une suite croissante de variables
alatoires (Sn )nIN valeurs dans IR+ , qui tend presque srement vers
linfini.
2. Etant donne une suite dinstants de panne (Sn ), on appelle processus
de comptage associ (Sn ), lensemble de variables alatoires valeurs
dans IN {Nt , t 0}, dfini par N0 = 0 et pour tout t 0 :
Nt = n Sn t < Sn+1 .
Linstant Sn est la date de la n-ime panne, et Nt est le nombre de pannes

comptes avant linstant t. Lhypothse que (Sn ) tend vers linfini assure que
Nt est bien dfini pour tout t. Spcifier un modle de dfaillances consiste
dcrire la loi de la suite (Sn ). On en dduit alors des informations sur la
loi de {Nt }. Nous commenons par un modle pour lequel le taux de panne
nest pas modifi par les rparations.
Sur la dure dutilisation dune voiture, un certain nombre de pannes
surviennent avant que la voiture soit envoye la casse. Rparation ne signifie
pas remise neuf : si vous changez les amortisseurs de votre voiture, cela ne
rajeunit pas le moteur. A linstant 0, lappareil est mis en route. Il connat sa
premire dfaillance au bout dune dure alatoire S1 , puis est rpar. Notre
hypothse est que la remise en route ne modifie pas le taux de panne de
lappareil. Nous associons lappareil neuf une dure X, de taux de panne
r. Si lappareil a fonctionn dj un temps t, la dure qui le spare de la
prochaine panne est la dure de fonctionnement rsiduelle au-del de t, mme
sil a dj connu plusieurs pannes. La loi de la suite des instants de panne est
dfinie comme suit.
Dfinition 3.2 Soit r un taux de panne. On appelle suite dinstants de
pannes associe r, une suite (Sn ) telle que S1 a pour taux de panne r, et pour
tout n 1 la loi conditionnelle de Sn+1 Sn sachant S1 = s1 , . . . , Sn = sn
a pour taux de panne en t rsn (t) = r(sn + t).
Dans le cas particulier o le taux de panne r est constant et gal > 0, la
loi conditionnelle de Sn+1 Sn ne dpend pas des instants de panne passs :
cest la loi exponentielle E(). Si (Xn ) dsigne une suite de variables alatoires
indpendantes et de mme loi E(), alors la suite des instants de panne peut
tre dfinie pour tout n 1 par :
Sn = X1 + + Xn .
Dans ce cas particulier, le processus de comptage {Nt , t 0} est le processus

de Poisson dintensit .
La dfinition 3.2 dcrit bien la loi dune suite (Sn ) de variables alatoires.
Il nest pas vident que cette suite tend vers + et quelle permet donc de
dfinir Nt pour tout t. Il nest pas vident non plus que lon sache construire
effectivement les variables Sn et Nt ou les simuler. La proposition suivante
montre quon peut les dduire dun processus de Poisson.
Proposition 3.3 Soit r un taux de panne. Notons le taux de panne cumul
correspondant et 1 son inverse.
Z t
(t) = r(s) ds .
0
Soit (Xn ) une suite de variables alatoires indpendantes et de mme loi E(1).
1. Soit (Sn0 ) la suite des instants de panne dfinis par Sn0 = X1 + + Xn .
Pour tout n 0, posons :
Sn = 1 (Sn0 ) .
Alors (Sn ) est une suite dinstants de panne associe au taux r.

2. Soit {Nt0 , t 0} le processus de comptage associ (Sn0 ) (processus de

Poisson dintensit 1). Le processus de comptage associ (Sn ), not
{Nt , t 0} vrifie :
0
Nt = N(t) .
Observons que la proposition 3.3 permet de simuler la suite des instants (Sn )
et le processus de comptage {Nt , t 0}, partir dune suite de variables
indpendantes et exponentielles. Cest en quelque sorte une extension de la
proposition 1.9.
Dmonstration : Par la proposition 1.9, la loi de S1 , image par 1 dune
variable exponentielle de paramtre 1, a pour taux de panne r. Pour n 1,
la loi conditionnelle de Sn+1 Sn sachant S1 = s1 , . . . , Sn = sn est aussi
la loi conditionnelle de 1 ((sn ) + Xn+1 ) sn sachant
S10 = (s1 ), . . . , Sn0 = (sn ). Or par dfinition de la suite (Sn0 ), Xn+1
est indpendante de (S10 , . . . , Sn0 ). Nous devons donc dterminer la loi de
1 ((sn ) + Xn+1 ) sn . Ecrivons sa fiabilit.
IP[1 ((sn ) + Xn+1 ) sn > t] = IP[Xn+1 > (sn + t) (sn )]
= exp((sn + t) + (sn ))
Z t
= exp r(sn + s) ds .
0
La loi conditionnelle de la dure avant la prochaine panne est donc distribue

comme la dure de vie rsiduelle aprs linstant de la dernire panne, ce qui
montre que (Sn ) est une suite dinstants associe au taux de panne r. Pour
passer de Nt0 Nt , il suffit de remarquer que :
Sn t < Sn+1 Sn0 (t) < Sn+1

0
.

La proposition 3.3 justifie le fait dappeler processus de Poisson non homo-
gne dintensit r le processus {Nt , t 0}. Elle montre galement que les
proprits de {Nt , t 0} sont proches de celles dun processus de Poisson ho-
mogne, que nous supposons connues. Les rsultats suivants se dduisent des
proprits analogues du processus de Poisson homogne par la proposition
3.3, et nous les admettrons.
Proposition 3.4 Soit {Nt , t 0} un processus de Poisson non homogne

dintensit r. Notons le taux de panne cumul. Alors :
1. Cest un processus accroissements indpendants : pour tout entier k
et toute suite dinstants t0 < t1 < < tk , les variables alatoires
Nt1 Nt0 , . . . , Ntk Ntk1 sont indpendantes.
2. Cest un processus accroissements poissonniens : si 0 s t, la

variable alatoire Nt Ns (nombre de pannes entre s et t) suit la loi
de Poisson de paramtre (t) (s).
3. Cest un processus dvnements rares : la probabilit que deux pannes
ou plus surviennent dans lintervalle [t, t + h] est ngligeable devant h.
4. La probabilit quune panne survienne dans lintervalle [t, t + h] est :
IP[Nt+h Nt = 1] = r(t)h + o(h) .
Les deux premires proprits suffisent caractriser la loi du processus. Les

deux suivantes se dduisent de la seconde. Rciproquement, on dmontre
en utilisant la technique des quations de Kolmogorov que les proprits 1,
3 et 4 entranent que les accroissements sont poissonniens. Elles sont donc
galement caractristiques de la loi du processus. Dans la proprit 4, on
retrouve linterprtation de r(t) donne en 1.1 : la probabilit quune panne
survienne entre t et t + h est proche de r(t)h. Comme consquence de 2, le
taux de panne cumul est lesprance du nombre de pannes entre 0 et t :
IE[Nt ] = (t) .
Considrons un appareil dont la dure avant dfaillance est IFR (appareil

vieillissant). On conoit intuitivement quil ny a pas intrt le garder trop
longtemps. Pour appuyer cette intuition, supposons que cet appareil rapporte
par unit de temps de fonctionnement, et que chaque rparation cote en
moyenne. Le bnfice espr au bout de t units de temps de fonctionnement
est donc :
t IE[Nt ] = t (t) .
Sa drive par rapport t est :
r(t) .
Si r(t) est suprieur / pour tout t 0, lappareil ne sera jamais rentable.

Si r(t) < /, on peut le garder indfiniment. Mais si r(t) vaut / en un
instant topt , alors le bnfice espr est maximum cet instant.
3.2 Remise neuf

Nous considrons maintenant que lappareil est remis neuf (ou remplac
par un neuf) aprs chaque dfaillance. Si X est la dure de fonctionnement
de lappareil neuf, les dures de fonctionnement successives forment une suite
(Xn )nIN de variables alatoires indpendantes et de mme loi que X. Les
instants de panne sont les sommes cumules de la suite (Xn ). Pour tout
n1:
Sn = X1 + + Xn .
La suite des instants de panne est donc une marche alatoire de pas X.
Dfinition 3.5 Soit (Sn )nIN une marche alatoire de pas X. On appelle
processus de renouvellement de pas X le processus de comptage associ la
suite (Sn ).
Pour tudier les proprits du processus de renouvellement {Nt , t 0}, nous
allons utiliser principalement les transformes de Laplace.
Si est une fonction de IR+ dans IR, sa transforme de Laplace, qui sera
note est la fonction dfinie pour tout s 0 par :
Z +

(s) = est (t) dt .
0
Par exemple, la transforme de Laplace de la fonction constante (t) 1 est

(s) = 1s .
Si X est une variable alatoire, sa transforme de Laplace (ou plutt celle
de sa loi) est la fonction qui s associe :
IE[exp(sX)] .
Dans le cas o X admet pour densit f , sa transforme de Laplace est celle

de sa densit :
Z +
IE[exp(sX)] = est f (t) dt = f (s) .
0

Par exemple, la transforme de Laplace de la loi E() est s+ .
Lusage que nous ferons des transformes de Laplace est justifi par les
proprits suivantes.
Proposition 3.6
1. La transforme de Laplace est linaire.
2. Si X et Y sont deux variables alatoires indpendantes, la transforme
de Laplace de X + Y est le produit des transformes de Laplace de X
et Y .
3. La transforme de Laplace de la drive 0 (t) est s (s) (0).
Rt
4. La tranforme de Laplace de la primitive 0 (u) du est 1s (s).
5. La fonction (t) admet une limite en + si et seulement si s (s)
admet une limite en 0, et si elles existent ces limites sont gales.
lim (t) = lim s (s) .

t s0
6. Soit X une variable alatoire, f sa transforme de Laplace et k un

entier tel que IE[X k ] < , alors :
dk f
E[X k ] = (1)k (0) .
dsk
Nous ne dmontrerons pas cette proposition, pas plus que nous ne justifierons
par la suite les nombreux points techniques lis lutilisation des transformes
de Laplace : dans tout ce qui suit, les convergences de sries ou dintgrales, les
drivations sous le signe somme, les interversions de sommes ou dintgrales
seront affirmes sans dmonstration.
Soit X une dure de fonctionnement, de densit f et de transforme de
Laplace f . Si (Sn ) est la marche alatoire de pas X, alors par le point 2 de
la proposition 3.6, la transforme de Laplace de Sn est (f )n . Considrons
la fonction de rpartition de Sn . En tant que primitive de la densit, sa
transforme de Laplace en s vaut :
1
(f (s))n .
s
On dduit de la dfinition de Nt (dfinition 3.1) le calcul de sa loi :
IP[Nt = n] = IP[Sn t] IP[Sn+1 t] .
Notons pn (t) = IP[Nt = n]. Cest la diffrence des fonctions de rpartition de

Sn et Sn+1 . Par linarit, la transforme de Laplace de la fonction pn est :
1 1
pn (s) = (f (s))n (f (s))n+1 .
s s
Pour donner une forme plus compacte, introduisons la fonction gnratrice
de la loi de Nt , dfinie pour |z| < 1 :

X
G(z, t) = z n pn (t) .
n=0
Sa transforme de Laplace est :

X 1 f (s)
G (z, s) = z n pn (s) = . (3.1)
n=0
s(1 zf (s))
La formule (3.1) contient virtuellement toutes les informations sur la loi de

Nt . Le problme est de les extraire formellement ou numriquement. Nous
allons surtout tudier lesprance de Nt (nombre moyen de pannes entre 0 et
t), que nous notons m(t) :
G
m(t) = IE[Nt ] = (1, t) .
z
Cette fonction sappelle la fonction de renouvellement. Sa transforme de
Laplace est :
G f (s)
m (s) = (1, s) = . (3.2)
z s(1 f (s))
Notons lesprance (MTTF) et 2 la variance de la dure de fonctionne-

ment X de lappareil. Lintuition est la suivante. Lintervalle de temps [0, t]
contient environ t dures de fonctionnement de longueur moyenne . Le
nombre moyen de pannes doit donc tre proche de t .
Proposition 3.7 Soit X une dure de fonctionnement desprance et de
variance 2 . Pour un processus de renouvellement de pas X, le nombre moyen
de pannes entre 0 et t vrifie :
1.
t t 2
1 m(t) + 2 ,

2.
2 2

t
lim m(t) = .
t 22
Sur les deux expresssions, on constate que pour fix, la fonction de re-
nouvellement est dautant plus faible que 2 est petit. A MTTF fix, plus
la dure de fonctionnement dun appareil est concentre autour du MTTF,
moins il cotera cher renouveler sur le long terme.
Dmonstration : nous admettrons le point 1. Pour lasymptotique de m(t) en
+, on utilise le point 5 de la proposition 3.6. Le dveloppement limit
lordre 2 de f (s) au voisinage de s = 0 scrit :
f (s) = 1 s + ( 2 + 2 )s2 + O(s3 ) .
On en dduit le dveloppement asymptotique de m (s) (formule (3.2)) :
1 2 2
m (s) = 2
+ + O(1) .
s 22 s
La transforme de Laplace de m(t) t est m (s) s1 2 . En multipliant par s
et en prenant la limite quand s tend vers 0, on obtient bien la limite annonce
pour m(t) t .
La drive seconde de G(z, t) par rapport z prise en z = 1, donne lesp-
rance de Nt (Nt1). On peut donc calculer sa transforme de Laplace partir
de la formule (3.1). La technique de la dmonstration prcdente permet den
dduire le comportement asymptotique de la variance de Nt :
V ar[Nt ] 2
lim = 3 .
t t
Plus prcisment, on dmontre le thorme de la limite centrale suivant.
Thorme 3.8 Soit X une dure de fonctionnement desprance et de
variance 2 . Soit {Nt , t 0} le processus de renouvellement de pas X.
Posons : r
3

t
Zt = N t .
t 2
Quand t tend vers linfini, Zt converge en loi vers la loi normale N (0, 1).
Ceci permet de prvoir sans trop de calculs combien de remises neuf seront
ncessaires pour assurer le fonctionnement pendant une dure assez longue.
3.3 Disponibilit
A partir du modle du paragraphe prcdent, nous souhaitons maintenant
tenir compte des dures de rparation. A linstant 0, lappareil neuf est mis en
marche, et fonctionne pendant une dure X1 qui est linstant de la premire
panne. La premire rparation a une dure de Y1 ; la remise en route a donc
lieu linstant X1 + Y1 , pour une dure X2 . Comme dans le modle prc-
dent, les dures de fonctionnement suivent la mme loi, et il en est de mme
des dures de rparation. On se donne donc deux suites de variables ala-
toires indpendantes et de mme loi, indpendantes entre elles : (Xn )nIN et
(Yn )nIN . Elles modlisent respectivement les dures de fonctionnement et
les dures de rparation successives. On notera f la transforme de Laplace
commune des Xn et g celle des Yn . Dans ce modle, la n-ime remise en
route a lieu linstant :
X1 + Y1 + + Xn + Yn .
Le processus de comptage des remises en route est un processus de renou-

vellement, et les rsultats du paragraphe 3.2 sappliquent, en remplaant f
par f g , qui est la transforme de Laplace de Xn + Yn . Comme les priodes
de fonctionnement alternent avec les priodes de rparation, on parle ici de
processus de renouvellement altern.
Nous allons nous intresser la disponibilit : sa dfinition nest pas limite
au modle particulier que nous tudions ici.
Dfinition 3.9 En fiabilit, on appelle disponibilit dun systme, et on note

D(t), la probabilit que le systme fonctionne linstant t.
Dans notre modle, la transforme de Laplace de D se calcule simplement.
Proposition 3.10 Pour un processus de renouvellement altern, la trans-

forme de Laplace de la disponibilit est :
1 f (s)
D (s) = . (3.3)
s(1 f (s)g (s))
Dmonstration : Sil y a eu exactement n remises en route avant linstant t,

le systme fonctionne si t est compris entre linstant de la n-ime remise en
route, et celui de la (n + 1)-ime panne. Notons S0 = 0 et pour n 1 :
Sn = X1 + Y1 + + Xn + Yn et Tn = Sn1 + Xn .
On peut crire :

X
X
D(t) = IP[Sn t < Tn+1 ] = IP[Sn t] IP[Tn+1 t] .
n=0 n=0
Par le point 2 de la proposition 3.6, la transforme de Laplace de Sn est

(f (s)g (s))n , celle de Tn+1 est f (s)(f (s)g (s))n . On obtient les transfor-
mes de Laplace des fonctions de rpartition en divisant par s. En utilisant
la linarit, on peut crire :

X 1 1
D (s) = (f (s)g (s))n f (s)(f (s)g (s))n
n=0
s s

1 f (s) X
= (f (s)g (s))n
s n=0
1 f (s)
= .
s(1 f (s)g (s))

Appliquons par exemple la formule (3.3) pour des lois exponentielles. Les
Xn suivent la loi E(x ) et les Yn la loi E(y ). On obtient :
s + y
D (s) = .
s(s + x + y )
En dcomposant en lments simples cette fraction rationnelle, on obtient

lexpression de D(t) :
y x
D(t) = + e(x +y )t .
x + y x + y
Le fait que D(t) converge quand t tend vers linfini nest pas propre au cas
des dures exponentielles.
Proposition 3.11 Dans un processus de renouvellement altern, notons x
et y les esprances respectives de Xn et de Yn . La disponibilit asymptotique
vaut :
x
lim D(t) = . (3.4)
t x + y
Ce rsultat est assez intuitif : les priodes de fonctionnement, qui durent en
moyenne x , alternent avec les priodes de rparation, qui durent y . Sur
le long terme, les probabilits de trouver lappareil en fonctionnement ou en
panne sont proportionnelles x et y , donc D(t)/x est gal (1D(t))/y ,
ce qui est quivalent (3.4).
Dmonstration : Par le point 5 de la proposition 3.6, nous devons calculer la

limite en 0 de s D (s). Or :
f (s) = 1 x s + o(s) et g (s) = 1 y s + o(s) .
On en dduit immdiatement (3.4), partir de (3.3).
4 Systmes cohrents
Comment analyser et prvenir les pannes possibles dun systme complexe
selon les dfaillances de ses composants ? Nous prsentons dans cette partie
les outils de logique et dalgorithmique qui sont la base des logiciels de
fiabilit.
4.1 Fonction de structure

Nous resterons dans le cadre le plus simple, celui de composants binaires.
Le systme qui nous intresse est form de n composants, dont chacun peut
tre soit en panne, soit en marche. On convient arbitrairement dassocier un
boolen, Faux ou Vrai, 0 ou 1, chacun des deux tats. Dans ce qui suit,
nous avons choisi dassocier 0 la panne, et 1 au fonctionnement, mais le choix
oppos est tout aussi lgitime, nous y reviendrons. Une fois ce choix effectu,
ltat du systme se reprsente comme un vecteur binaire = (i )i=1,...,n ,
dont la coordonne numro i vaut 0 si le i-ime composant est en panne, ou
1 sil fonctionne. Nous noterons i ltat oppos i (1 si i = 0, 0 si i = 1).
Les 2n tats possibles du systme se rpartissent en deux sous-ensembles :
les tats pour lesquels le systme global fonctionne (dits tats de marche) et
ceux pour lesquels il ne fonctionne pas (dits tats de panne). Conformment
au choix effectu pour les composants, il est logique dassocier 0 aux tats de
panne, et 1 aux tats de marche. On obtient ainsi la fonction de structure du
systme.
Dfinition 4.1 On appelle fonction de structure une application de {0, 1}n
dans {0, 1}.
0 si est un tat de panne,
() =
1 si est un tat de marche.
Si est un tat de marche, avec certains composants en panne, rparer un
de ces composants ne pourra conduire qu un autre tat de marche. Inver-
sement, si est un tat de panne, bien que certains des composants fonc-
tionnent, alors la panne dun dentre eux conduira un autre tat de panne.
En dautres termes, la fonction de structure doit tre croissante pour lordre
des composants (0 1) :
i = 1, . . . , n i i = () () . (4.1)
Dautre part, si lon inclut un composant dans lanalyse dun systme, cest
parce quil a un effet sur son fonctionnement. Donc il existe au moins un tat
pour lequel la panne ou la rparation du composant considr fait passer le
systme global de marche panne ou inversement.
i = 1, . . . , n , (1 , . . . , n ) , (1 , . . . , i , . . . , n ) 6= (1 , . . . , i , . . . , n ) .
(4.2)
Dfinition 4.2 On dit quun systme n composants est cohrent si sa fonc-
tion de structure vrifie (4.1) et (4.2).
Pour dcrire les fonctions de structure, nous utiliserons laddition et la multi-
plication boolennes, que nous noterons et : elles correspondent respec-
tivement au ou et au et logiques. Pour comprendre leur rle, nous allons
considrer un systme S, dcompos en deux sous-systmes, S1 et S2 . Notons
(1 , . . . , n1 ) ltat de S1 , et (1 , . . . , n2 ) ltat de S2 . Les deux situations de
base sont les suivantes.
Sous-systmes en parallle : Le systme S fonctionne si S1 ou S2 fonc-
tionnent. La fonction de structure de S est :
(1 , . . . , n1 , 1 , . . . , n2 ) = 1 (1 , . . . , n1 ) 2 (1 , . . . , n2 ) .
Sous-systmes en srie : Le systme S fonctionne si S1 et S2 fonc-
tionnent. La fonction de structure de S est :
(1 , . . . , n1 , 1 , . . . , n2 ) = 1 (1 , . . . , n1 ) 2 (1 , . . . , n2 ) .
On utilise ces deux oprations dans des stratgies rcursives, du type divi-
ser pour rgner, de manire crire la fonction comme une combinaison
boolenne des tats de ses composants. Voici un exemple simple de structure
dfinie rcursivement, les systmes srie-parallle.
Dfinition 4.3
1. Un systme un composant est un systme srie-parallle.
2. Si S1 et S2 sont deux systmes srie-parallle, placs en srie ou en
parallle dans le systme S, alors S est un systme srie-parallle.
La fonction de structure dun systme srie-parallle scrit comme une com-
binaison boolenne (avec et ) dans laquelle les i apparaissent chacun
une fois. Par exemple pour un systme 5 composants :
(1 , . . . , 5 ) = (1 4 ) (2 ) (3 5 ) .
Ce systme est form de 3 groupes de composants en parallle ; le premier
groupe comporte les composants 1 et 4 en srie, le second groupe le com-
posant 2 tout seul, le troisime groupe les composants 3 et 5 en srie. Les
systmes srie-parallle sont faciles analyser. Malheureusement, la plupart
de ceux quon rencontre en pratique nen sont pas. Lexemple le plus simple
de systme qui ne relve pas en gnral de la dfinition 4.3 est le systme
k-sur-n.
nombre de composants 1 2 3 4 5
fonctions de structure 4 16 256 65536 4294967296
fonctions croissantes 3 6 20 168 7581
systmes cohrents 1 2 9 114 6894
systmes srie-parallle 1 2 8 58 532
Table 4 Combinatoire des systmes en fonction du nombre de composants.
Dfinition 4.4 Un systme k-sur-n fonctionne si au moins k parmi ses n

composants fonctionnent.
La fonction de structure dun systme k-sur-n peut scrire :
M
(1 , . . . , n ) = i1 ik .
i1 ,...,ik
Si k = 1, les n composants sont en parallle. Si k = n, ils sont en srie.
Le problme principal de lanalyse structurelle dun systme complexe

est lexplosion combinatoire. Dans les problmes industriels, le nombre de
composants dpasse couramment la centaine, pour arriver parfois plusieurs
n
milliers. Or il y a 22 fonctions de structure, soit de lordre de 10308 pour
n = 10 (rappelons quil sest coul moins de 1027 nanosecondes depuis le
dbut de lunivers). Le tableau 4 donne les nombres de fonctions de structure,
de fonctions croissantes, de systmes cohrents et de systmes srie-parallle
pour n allant de 1 5.
Il est impossible danalyser la structure dun systme un peu complexe
sans outils logiciels permettant dautomatiser le traitement. Mme la re-
prsentation graphique pose problme. Plusieurs reprsentations convention-
nelles sont couramment employes par les logiciels spcialiss. La plus an-
cienne, et la plus simple, est le diagramme de fiabilit. Nous en introduirons
deux autres dans les paragraphes suivants.
Un diagramme de fiabilit est un graphe orient sans boucles comprenant
une entre et une sortie. Les sommets du graphe sont des rectangles reprsen-
tant les composants. Le sommet est dit passant si le composant fonctionne.
Le systme fonctionne si et seulement si on peut trouver dans le graphe un
chemin de lentre la sortie, qui ne contient que des sommets passants. La
figure 7 reprsente le diagramme de fiabilit du systme 5 composants dont
la fonction de structure est la suivante :
(1 , . . . , 5 ) = (1 4 ) (2 4 ) (2 5 ) (3 5 ) . (4.3)
Il existe en gnral de nombreuses manires dcrire la fonction comme

combinaison boolenne des i . Une de ces critures est la plus condense. Elle
utilise la notion de coupe minimale.
1 4
3 5
Figure 7 Diagramme de fiabilit dun systme 5 composants.
Dfinition 4.5 On appelle coupe un ensemble de composants dont le fonc-

tionnement simultan assure le fonctionnement du systme. Une coupe est
minimale si elle ne contient aucune autre coupe quelle-mme. Lordre dune
coupe est le nombre dlments qui la composent.
La donne de lensemble des coupes minimales {K1 , . . . , Km } suffit carac-

triser le systme, dont la fonction de structure scrit alors comme suit.

M O
() = i . (4.4)
1jm iKj
Pour le systme de la figure 7, les coupes minimales sont {1, 4}, {2, 4}, {2, 5},
{3, 5}, et lcriture de en fonction des coupes minimales est la formule
(4.3). La connaissance des coupes minimales permet de se faire une ide de
limportance relative des composants : le systme sera plus sensible la panne
dun composant qui apparat dans beaucoup de coupes minimales, ou bien
dans une coupe dordre faible. Nous verrons plus loin un moyen de quantifier
cette intuition (dfinition 4.7).
Pour dterminer les coupes minimales partir dune formule logique quel-
conque, il faut la simplifier, en utilisant la distributivit de la multiplication
par rapport laddition, et les rgles de simplification des oprations boo-
lennnes. Les logiciels ralisent automatiquement ces simplifications, mais les
temps de calculs sont souvent levs si le nombre de composants est impor-
tant.
4.2 Arbres de dfaillance

Les arbres de dfaillance (fault trees) sont un autre moyen graphique de
reprsenter la structure logique dun systme. Traditionnellement, un arbre
de dfaillance dcrit lensemble des vnements pouvant conduire la panne
du systme. Si est la fonction de structure, larbre de dfaillance traduit la
dcomposition logique de lvnement () = 0 en fonction des vnements
i = 0. Cest donc le point de vue inverse de celui adopt au paragraphe
prcdent. Reprenons lexemple de la figure 7.
(1 , . . . , 5 ) = (1 4 ) (2 4 ) (2 5 ) (3 5 ) .
Pour exprimer la panne du systme, il suffit de nier sa fonction de structure,

en remplaant i par i , et en changeant et .
(1 , . . . , 5 ) = (1 4 ) (2 4 ) (2 5 ) (3 5 ) . (4.5)
Cette criture nest pas la plus facile comprendre. On peut inverser la

dfinition 4.5 en remplaant fonctionnement par panne : une coupe devient
un ensemble de composants dont la panne simultane suffit provoquer la
panne du systme ; elle est minimale si elle ne contient aucune autre coupe.
Pour obtenir lcriture de en fonction de ses coupes minimales, il faut
dvelopper et simplifier son expression logique. Dans notre exemple, cela
donne :
(1 , . . . , 5 ) = (1 2 3 )(1 2 5 )(2 3 4 )(4 5 ) . (4.6)
Larbre de dfaillance traduit graphiquement une formule comme (4.5) ou

(4.6). Sa racine est lvnement analys. Les nuds sont des portes logiques
(et, ou), les feuilles de larbre sont les vnements lmentaires. La figure 8
reprsente larbre de dfaillance correspondant la formule (4.5).

panne
et
G1 G2 G3 G4
ou ou ou ou

1 4 2 4 2 5 3 5
Figure 8 Arbre de dfaillance pour le systme de la figure 7.

4.3 Diagramme de dcision binaire

Une des stratgies dtude de la fonction de structure dun systme consiste
le dcomposer de manire itrative en conditionnant successivement par
ltat des composants.
Dfinition 4.6 Soit la fonction de structure dun systme n composants.

On appelle dcomposition de Shannon relative au composant i lcriture :
() = i 0 ( (i) ) i 1 ( (i) ) ,
avec (i) = (1 , . . . , i1 , i+1 , . . . , n ) et :
0 ( (i) ) = (1 , . . . , i1 , 0, i+1 , . . . , n ) ,
1 ( (i) ) = (1 , . . . , i1 , 1, i+1 , . . . , n ) .
Les fonctions 0 et 1 sont des fonctions croissantes, au sens de (4.1) : ce

sont les fonctions de structure de deux systmes n1 composants au plus.
Reprenons lexemple de la figure 7 et crivons sa dcomposition de Shannon
relative ltat 2.

(1 , . . . , 5 ) = 2 (1 4 ) (3 5 ) 2 4 5 . (4.7)
Dans ce cas, 0 et 1 sont les fonctions de structure de systmes srie-parallle

4 et 2 composants respectivement (figure 9).
2 = 0 2 = 1
1 4 4
3 5 5
Figure 9 Dcomposition de Shannon du systme de la figure 7.
On itre ensuite le procd, en dcomposant 0 et 1 . Lalgorithme sera

rapide si chaque tape les fonctions 0 et 1 sont beaucoup plus simples que
la fonction de dpart. Lordre dans lequel on examine les composants est
important : on a intrt commencer par les composants les plus sensibles,
savoir ceux qui apparaissent dans des coupes minimales dordre faible, ou
dans plusieurs coupes minimales.
Le diagramme de dcision binaire est une reprsentation graphique de
lalgorithme ditration de la dcomposition de Shannon, pour un ordre donn
des composants. Le diagramme de la figure 10, toujours pour le mme exem-
ple, commence par la dcomposition (4.7).

2
0 1
0 1

4 4
1
0 1 0
1

5

3 5 1 3 5
5
0 1
5 5
1
0 0 1
0 1
0 3

3 1 1 3
0 1
1
1
0 1 0 1 1
0
1
0 1
3

3
0 1
0 1
Figure 10 Diagramme de dcision binaire partir de la dcomposition de

Shannon de la figure 9. Les composants sont examins dans lordre 2, 4, 5, 1, 3.
4.4 Analyse probabiliste

Lintrt des reprsentations logiques des paragraphes prcdents est quel-
les permettent dautomatiser dans une large mesure les calculs de probabilit
sur un systme, quand on connat les caractristiques de ses composants. La
modlisation consiste voir ltat de chaque composant comme une variable
alatoire valeurs dans {0, 1}, et donc ltat du systme comme un vecteur
alatoire valeurs dans {0, 1}n . Limage de ce vecteur par la fonction de
structure est aussi une variable alatoire valeurs dans {0, 1}, qui vaut 1
si le systme fonctionne et 0 sinon.
Pour illustrer lautomatisation des calculs, considrons un systme com-
posants non rparables dont on souhaite tudier la dure de fonctionnement.
Commenons par deux sous-systmes S1 et S2 , dont les dures de fonctionne-
ment respectives sont X1 et X2 . Notons Xpar et Xser les dures de fonction-
nement des systmes obtenus en plaant les deux sous-systmes en parallle
ou en srie. Par dfinition, on a :
Xpar = max{X1 , X2 } et Xser = min{X1 , X2 } .
On applique ceci de manire rcursive lcriture logique dune fonction

de structure : la dure de fonctionnement dun systme composants non
rparables sobtient en remplaant formellement dans sa fonction de structure
les tats des composants par leurs dures de fonctionnement, et les oprations
et par max et min. Notons Xi la dure de fonctionnement du i-ime
composant et X celle du systme complet. Si lensemble des coupes minimales
du systme est {K1 , . . . , Km }, la traduction de la formule (4.4) est :

X = max min Xi .
1jm iKj
Si lon sait simuler le n-uplet (X1 , . . . , Xn ), il est facile den dduire un

algorithme de simulation de X.
Dans un systme complexe, les composants sont en gnral rparables.
Nous noterons (t) = (i (t))i=1,...,n ltat du systme linstant t et A lv-
nement le systme fonctionne linstant t. Sa probabilit est la disponibilit
(dfinition 3.9).
IP[A] = D(t) = IE[((t))] .
Nous omettrons dsormais la dpendance en t. Pour calculer D = IE[()],
nous disposons de deux approches. Lune est lcriture de en fonction de ses
coupes minimales, lautre est sa dcomposition de Shannon. Commenons par
la premire (formule (4.4)). Pour j = 1, . . . , m, notons Aj lvnement tous
les composants de la coupe Kj fonctionnent. Lvnement A : le systme
fonctionne est la runion des Aj . Pour calculer la probabilit dune runion,
on applique la formule de Poincar :
m
X X
IP[A] = (1)l1 IP[Aj1 . . . Ajl ] . (4.8)
l=1 1j1 <...<jl m
Cette somme comporte 2m 1 termes, elle nest donc pas calculable si le

nombre de coupes minimales dpasse quelques dizaines. En pratique, on se
contente de lencadrement suivant :
m
X X m
X
IP[Aj ] IP[Aj1 Aj2 ] IP[A] IP[Aj ] . (4.9)
j=1 1j1 <j2 m j=1
Observons que la minoration est plus importante en pratique que la majora-

tion : on cherche garantir au client une disponibilit minimale (valuation
pessimiste).
Utiliser la dcomposition de Shannon revient calculer la probabilit
que le systme fonctionne en conditionnant par ltat du i-ime composant.
Notons Ci lvnement le i-ime composant fonctionne :
IP[A] = IP[A | Ci ]IP[Ci ] + IP[A | Ci ]IP[Ci ] . (4.10)
Si les composants ne sont pas indpendants, ni (4.9) ni (4.10) ne permettent

des calculs effectifs ; cest pourquoi les logiciels de fiabilit travaillent tou-
jours sous lhypothse dindpendance des composants, que nous adoptons
dsormais. Avant de traiter le cas gnral, nous illustrons les simplifications

apportes par lhypothse dindpendance par le cas particulier des systmes
srie-parallle.
Soient S1 et S2 deux sous-systmes indpendants, de disponibilits D1 et
D2 . Notons Dpar et Dser les disponibilits respectives des systmes obtenus
en plaant les deux sous-systmes en parallle ou en srie. On a :
Dpar = D1 + D2 D1 D2 et Dser = D1 D2 .
Si lon applique ceci rcursivement, la disponibilit dun systme srie-parall-

le n composants se calcule en O(n) oprations.
Revenons maintenant au cas gnral dun systme cohrent n compo-
sants indpendants. Pour i = 1, . . . , n, notons pi la probabilit que le i-ime
composant fonctionne :
pi = IP[Ci ] = IE[i ] .
Par la formule (4.8), la disponibilit est un polynme en p1 , . . . , pn , de degr
1 en chacun des pi . Lencadrement (4.9) devient :
m Y
X X Y m Y
X
pi pi IP[A] pi .
j=1 iKj 1j1 <j2 m iKj1 Kj2 j=1 iKj
Lalgorihme rcursif issu de la dcomposition de Shannon donne en gnral

un calcul plus prcis et plus rapide. En effet, les probabilits conditionnelles
sachant ltat du i-ime composant sont les disponibilits des sous-systmes
dont les fonctions de structure sont 0 et 1 (cf. dfinition 4.6) :
IP[A | Ci ] = IE[0 ( (i) )] et IP[A | Ci ] = IE[1 ( (i) )] .
Ce sont les disponibilits de deux systmes cohrents n 1 composants

au plus, sur lesquels on itre rcursivement la dcomposition, en suivant un
diagramme de dcision binaire. Voici par exemple le calcul correspondant
la dcomposition de la figure 9.
D = (p1 p4 + p3 p5 p1 p3 p4 p5 )(1 p2 ) + (p4 + p5 p4 p5 )p2 .
Nous avons dj observ que la disponibilit dun systme composants in-

dpendants est un polynme de degr 1 en chacun des pi . La dcomposition
(4.10) permet dinterprter son coefficient en pi :
D = pi (IE[1 ( (i) )] IE[0 ( (i) )]) + IE[0 ( (i) )] .
La fonction tant croissante, 0 ( (i) ) est infrieur ou gal 1 ( (i) ) pour

tout , et donc :
IE[1 ( (i) ) 0 ( (i) )] 0 .
Dfinition 4.7 On appelle facteur dimportance de Birnbaum relatif au i-
ime composant la quantit Bi = IE[1 ( (i) ) 0 ( (i) )].
Le facteur dimportance Bi est la drive de D par rapport pi : augmenter

la disponibilit du i-ime composant dune quantit h augmente celle du
systme de hBi , do le nom de facteur dimportance. On peut aussi voir Bi
comme la probabilit que la rparation du i-me composant suffise remettre
le systme en marche.
5 Modles markoviens
Nous tudions dans cette partie la modlisation dun systme par un pro-
cessus markovien de saut, pour lequel les temps de sjour dans chacun des
tats suivent des lois exponentielles. Nous supposons connus les outils de
base des processus markoviens de saut, en particulier le gnrateur infinit-
simal. Nous commenons par appliquer les formules matricielles au calcul de
la disponibilit et de la fiabilit. Nous tudierons ensuite quelques modles
particuliers de dpendance. Nous montrerons enfin comment les modles mar-
koviens permettent dapprocher des situations plus gnrales, grce aux lois
de type phase.
5.1 Disponibilit et fiabilit

Dans la ligne de la partie prcdente, nous continuerons noter , , . . .
les tats du systme. Leur ensemble E (fini) se dcompose en deux sous-
ensembles, lensemble des tats de panne P, et lensemble des tats de marche
M. A priori, pour un systme n composants, E est {0, 1}n , et les tats de
panne ou de marche sont dtermins par la fonction de structure .
P = 1 (0) et M = 1 (1) .
Cependant, cette modlisation est surtout adapte au cas de composants in-

dpendants, et prsente linconvnient de lexplosion combinatoire, qui rend
les calculs pratiquement impossibles ds que le nombre de composants dpasse
la dizaine. Nous verrons plus loin comment rduire lespace dtats par agr-
gation (dfinition 5.1), et nous tudierons au paragraphe suivant plusieurs
exemples de modles pour des composants dpendants.
Lhypothse de base dans la modlisation par les processus markoviens est
que les temps de sjour dans chacun des tats sont exponentiels, indpendants
entre eux. Concrtement cela impose que les dures de fonctionnement et
de rparations soient exponentielles. Les paramtres de ces exponentielles
dterminent les taux de transition. Nous noterons le taux de transition
du systme de ltat vers ltat . La donne des taux de transition et de
ltat initial caractrise la loi du processus {t , t 0}, o t dsigne ltat
du systme linstant t. En gnral, on suppose que ltat initial 0 est ltat
de fonctionnement parfait, pour lequel tous les composants fonctionnent.
Les probabilits de transition lmentaires sur un petit intervalle de temps
sont donnes par :
IP[t+h = | t = ] = h + o(h) .
Notons p (t) la probabilit que le processus soit dans ltat linstant t.

A partir des probabilits de transition lmentaires, on crit le systme de
Chapman-Kolmogorov, qui dtermine la loi (p (t))E du processus linstant
t:
dp (t) X X
= p (t) p (t) . (5.1)
dt
6= 6=
Les critures, sinon les calculs explicites, sont grandement facilites par le
calcul matriciel qui utilise le gnrateur infinitsimal du processus, savoir
la matrice , indice par les tats de E, dont le terme dordre (, ) est
si 6= , les coefficients diagonaux tant tels que la somme des termes
dune mme ligne vaut 0. Si lon note P (t) = (p (t))E la loi du processus
linstant t, le systme de Chapman-Kolmogorov scrit matriciellement sous
la forme suivante.
dP (t) t
= P (t) ,
dt
o t dsigne la transpose du gnrateur . Cest un systme linaire
coefficients constants. Sa solution sexprime laide dune exponentielle de
matrice.
P (t) = exp(tt)P (0) .
Malheureusement cette criture condense cache un problme algorithmique
difficile. Calculer une exponentielle de matrice est impossible si le nombre
dtats est grand. De plus cest inutile, dans la mesure o lon na besoin que
dune ligne de la matrice exp(tt) : si ltat initial est fix, le vecteur P (0)
comporte un 1 sur la coordonne 0 , et des 0 ailleurs. On a donc intrt, soit
rsoudre directement le systme (5.1), soit utiliser les transformes de
Laplace. Notons P (s) le vecteur des transformes de Laplace des fonctions
p (t). Par les points 1 et 3 de la proposition 3.6, le systme de Chapman-
Kolmogorov se transforme en un systme linaire.
sP (s) P (0) = tP (s) ,
Donc :
P (s) = (sI t)1 P (0) ,
en notant I la matrice identit.
Une fois connue la loi du processus linstant t, on en dduit facilement
la disponibilit du systme, en sommant sur les tats de marche.
X
D(t) = p (t) .
M
En notant 11M le vecteur dont les coordonnes sur les tats de marche valent
1 et les autres 0, lexpression matricielle de la transforme de Laplace de D(t)
est :
D (s) = t11M (sI t)1 P (0) . (5.2)
Le vecteur P (t) admet une limite quand t tend vers linfini, qui est une mesure
stationnaire du processus. Dans le cas o le systme est irrductible (on peut
passer dun tat nimporte quel autre en un nombre fini de sauts), la mesure
stationnaire est unique et charge tous les tats ; notons-la . Cest lunique
loi de probabilit sur E, solution du systme linaire :
t
= 0 .
En sommant la mesure stationnaire sur les tats de marche, on obtient la

disponibilit asymptotique.
X
lim D(t) = () .
t
M
Comme premier exemple, considrons un systme un seul composant, qui

na que deux tats possibles, panne (0) ou marche (1). Nous noterons le
taux de panne (taux de transition de 1 vers 0) et le taux de rparation
(taux de transition de 0 vers 1). Le gnrateur est la matrice suivante.

= .

Si le composant est en marche linstant initial, on calcule facilement la

probabilit quil soit en marche linstant t :
(+)t
p1 (t) = + e . (5.3)
+ +
On retrouve le cas particulier de processus de renouvellement altern tudi

au paragraphe 3.3.
La disponibilit est la probabilit que le systme fonctionne linstant
t, sans prjuger de pannes ventuelles entre 0 et t. On est en gnral plus
intress par la fiabilit, qui est la probabilit de fonctionnement sans inter-
ruption entre 0 et t. La technique de calcul de la fiabilit consiste rendre les
tats de panne absorbants en annulant les taux de transition qui permettent
den sortir, sans modifier les taux relatifs aux tats de marche. On obtient
ainsi un nouveau processus markovien. Comme on a rendu les tats de panne
absorbants, celui-ci reste en panne ds quil atteint un tat de panne : il ne
peut tre dans un tat de marche linstant t que sil est rest en marche
sans arrt entre 0 et t. Nous noterons Q(t) = (q (t))M le vecteur des pro-
babilits des tats de marche linstant t, pour le processus tats de panne
absorbants. La fiabilit du systme linstant t est la somme des coordonnes

de Q(t).
X
R(t) = q (t) .
M
Pour donner une expression matricielle de Q(t), introduisons le gnrateur

rduit M , qui est la restriction de aux tats de marche : cest une matrice
indice par M dont le terme dordre (, ) est si et sont deux tats
de marche distincts, les coefficients diagonaux restant ceux de . La loi
linstant t du processus absorb est solution du systme diffrentiel linaire
suivant.
dQ(t) t
= M Q(t) .
dt
Cette solution scrit :
Q(t) = exp(tM t)Q(0) .
Ici encore, on a plutt intrt rsoudre numriquement le systme diffren-
tiel ou utiliser les transformes de Laplace :
Q (s) = (sI tM )1 Q(0) .
La transforme de Laplace de la fiabilit sobtient en sommant les coordonnes

de Q (s) :
R (s) = t11M (sI tM )1 Q(0) . (5.4)
Le MTTF est lintgrale de R(t) sur IR+ ; cest donc la valeur de R (s) en
s = 0. On peut aussi lexprimer comme solution dun systme linaire. Notons
m le MTTF du systme partant dun tat de marche , et m = (m )M
le vecteur des m . Il est solution du systme :
M m = 11M .
Comme nous lavons dj mentionn, la principale difficult des modles

markoviens est due lexplosion combinatoire du nombre dtats pour un
grand nombre de composants. Une des techniques de rduction du nombre
dtats consiste les regrouper en macro-tats. Cest possible condition
que les taux de transition entre macro-tats ne dpendent pas des tats ini-
tiaux qui ont t regroups.
Dfinition 5.1 On considre une partition F = {, , . . .} de lespace dtats

E. Soit un gnrateur infinitsimal sur E. On dit que vrifie la condition
dagrgation relative la partition F si pour tout , F :
X X
, 0 , = 0 . (5.5)

Quand la condition dagrgation est satisfaite, on peut dfinir un nouveau

processus markovien de saut sur F , pour lequel le taux de transition de
vers est :
X
= , .

A titre dexemple, considrons un systme form de n composants identiques

et indpendants. Chaque composant a un taux de panne gal et un taux
de rparation gal . Lespace dtats E est {0, 1}n . Pour , E, le taux
de transition de vers est non nul seulement dans le cas o et diffrent
en une seule coordonne. Posons :
= (1 , . . . , i1 , 0, i+1 , . . . , n ) et = (1 , . . . , i1 , 1, i+1 , . . . , n ) .
Le taux de transition de vers (rparation du i-ime composant) est et

le taux de transition de vers (panne du i-ime composant) est . Nous
pouvons regrouper les tats qui ont le mme nombre de composants en panne :
F = {0 , . . . , n } o pour j = 0, . . . , n :
n
X
j = { = (i ) E , i = n j} .
i=1
La condition dagrgation (5.5) est satisfaite. Pour le processus agrg, le

taux de transition de j vers j+1 est (n j), et le taux de transition de
j vers j1 est j.
Evidemment, lagrgation dtats na dintrt que si les ensembles de
panne et de marche P et M sont compatibles avec le regroupement effectu,
cest--dire sils sont runion de classes de F . Dans lexemple des n com-
posants identiques, ce sera le cas pour un systme k-sur-n (dfinition 4.4).
Supposons que les n composants fonctionnent linstant t. Puisquils sont in-
dpendants, la loi du nombre de composants en panne linstant t est la loi
binomiale de paramtres n et 1p1 (t), o p1 (t) est donn par la formule (5.3).
Si le systme fonctionne lorsquau moins k composants sur n fonctionnent,
sa disponibilit sexprime en termes de la fonction de rpartition de cette loi
binomiale.
nk
X n
D(t) = (1 p1 (t))j (p1 (t))nj .
j=0
j
Nous verrons dautres exemples dagrgations dtats au paragraphe suivant.
5.2 Composants dpendants

Dans un systme dont les composants fonctionnent indpendamment, les
changements simultans de deux composants ou plus sont exclus, de mme
que linfluence de la panne dun composant sur le taux de panne des autres.
Dans de nombreuses situations pratiques, ceci nest pas raliste. Nous com-
menons par lister trois types de fonctionnement courants dans lesquels lin-
dpendance des composants nest pas une hypothse acceptable.
Dpendance de charge (load dependency)
Dans des systmes o plusieurs composants assument les mmes fonc-
tions (redondance active), la panne de certains composants peut aug-
menter la charge qui incombe ceux qui restent en fonctionnement, et
donc augmenter leur taux de panne.
Dpendance fonctionnelle (functional dependency)
Cest typiquement la situation dun systme o des composants sont
en redondance passive. Un composant assure normalement le fonction-
nement. Mais sil tombe en panne, un composant de secours, qui tait
en attente jusque-l, est immdiatement mis en marche.
Dpendance de pannes simultanes (coincident faults dependency)
La panne simultane de plusieurs composants peut tre cause par un
phnomne extrieur (par exemple la foudre qui tombe sur un systme
lectrique, ou une dfaillance dans un logiciel qui contrle plusieurs
composants).
Nous allons donner un exemple simple de modle markovien deux compo-
sants pour chacune des trois situations (des extensions de ces modles sont
proposes dans les exercices 11, 12 et 13). Les systmes sont du type 1-sur-2
(le systme fonctionne si au moins 1 composant fonctionne). A linstant initial
les deux composants fonctionnent. Sans dtailler les calculs, nous donnerons
les transformes de Laplace de la disponibilit et de la fiabilit, ainsi que le
MTTF, en fonction des paramtres du modle.
Commenons par la dpendance de charge. Supposons que chacun des
deux composants ait un taux de panne gal si les deux fonctionnent,
0 > sil est seul fonctionner. Les deux taux de rparation sont gaux
. Le diagramme de transition du modle sur E = {0, 1}2 est celui de la
figure 11 (a). On peut agrger les deux tats pour lesquels un seul composant
fonctionne, de sorte que le nombre de composants en panne est encore un
processus markovien de saut, dont le diagramme de transition est celui de la
figure 11 (b).
La transforme de Laplace de la disponibilit est :
(4 + 22 ) + (2 + 0 + 3)s + s2
D (s) = .
s((20 + 4 + 22 ) + (2 + 0 + 3)s + s2 )
La transforme de Laplace de la fiabilit est :
(2 + 0 + ) + s
R (s) = .
20 + (2 + 0 + )s + s2
Le MTTF est :
2 + 0 +
.
20
(a) (b)
10

2
11 00 0 1 2

2

01
Figure 11 Diagrammes de transition dun modle de dpendance de charge.
Quand 0 tend vers linfini, la panne dun composant fonctionnant seul est
quasi instantane. Les transformes de Laplace D (s) et R (s) convergent
vers 1/(2 + s), qui est la transforme de Laplace de e2t . Le systme fonc-
tionne avec ses deux composants pendant un temps exponentiel de paramtre
2, mais ds la premire panne dun composant, il sarrte.
Voici maintenant un modle de dpendance fonctionnelle deux compo-
sants. Les deux composants sont en redondance passive. Quand le systme
dmarre, le premier composant est en marche, le second en attente. Si le
premier composant tombe en panne, le second se met en marche. Quand le
premier est rpar, il est mis en attente jusqu ce que le second tombe en
panne. Les taux de panne des deux composants sont gaux , les taux de
rparation . Nous considrons 5 tats :
(1, a) : Le premier composant fonctionne, le second est en attente,
(a, 1) : Le premier composant est en attente, le second fonctionne,
(1, 0) : Le premier composant fonctionne, le second est en panne,
(0, 1) : Le premier composant est en panne, le second fonctionne,
(0, 0) : Les deux composants sont en panne.
Le diagramme de transition est celui de la figure 12 (a). On peut agrger les
tats {(1, a), (a, 1)} (aucune panne) et {(0, 1), (1, 0)} (une panne). Le nombre
de composants en panne est un processus markovien de saut, dont le dia-
gramme de transition est celui de la figure 12 (b).
(2 + 22 ) + (2 + 3)s + s2
D (s) = .
s((2 + 2 + 22 ) + (2 + 3)s + s2 )
(2 + ) + s
R (s) = .
2 + (2 + )s + s2
Le MTTF est :
2 +
.
2
(a) (b)

1a 01

00 0 1 2

2

a1 10
Figure 12 Diagrammes de transition dun modle de dpendance fonction-

nelle.
Voici pour finir un modle de pannes simultanes deux composants.

Les pannes surviennent avec un taux . Si une panne survient alors que les
deux composants fonctionnent, soit un des deux (tir au hasard) sarrte avec
probabilit p, soit les deux sarrtent avec probabilit 1p. Si la panne survient
quand un seul composant fonctionne, il sarrte. Les taux de rparation sont
gaux . Le diagramme de transition est celui de la figure 13 (a). Ici encore,
on peut agrger les tats en fonction du nombre de pannes, pour obtenir le
diagramme de transition de la figure 13 (b).
(a) (b)
10 (1p)
p/2
p
(1p)
11 00 0 1 2

2
p/2
01
Figure 13 Diagrammes de transition dun modle de pannes simultanes.
(2 + 22 ) + ((1 + p) + 3)s + s2
D (s) = .
s((2 + 3 p + 22 ) + (2 + 3)s + s2 )
((1 + p) + ) + s
R (s) = .
(2 + (1 p)) + (2 + )s + s2
Le MTTF est :
(1 + p) +
.
( + (1 p))
Pour p = 1, le systme fonctionne comme dans le modle prcdent. Pour p =
0, la transforme de Laplace de la fiabilit est 1/( + s) : puisque le systme
tombe en panne ds la premire dfaillance, sa dure de fonctionnement suit
la loi E().
5.3 Lois de type phase

Dans un modle markovien, le systme parcourt avant de tomber en panne
un certain chemin alatoire entre diffrents tats de marche, dans lesquels il
sjourne pendant une dure exponentielle. On peut donc voir sa dure de
fonctionnement comme une somme alatoire de dures exponentielles ind-
pendantes (mais non identiquement distribues). Les lois de probabilit que
lon obtient de cette faon sont les lois de type phase.
Dfinition 5.2 On appelle loi de type phase la loi de la dure de fonction-

nement dun systme markovien.
Nous verrons (thorme 5.4) quon peut approcher nimporte quelle loi de
probabilit sur IR+ par une loi de type phase. En pratique, on peut donc
remplacer toute dure de fonctionnement ou de rparation qui ne serait pas
exponentielle, par une dure de type phase. Quitte augmenter le nombre
dtats du systme, on peut donc lapprocher par un modle markovien.
Linconvnient des lois de type phase est quil est difficile de les ajuster.
Leur famille est paramtre la fois par le nombre dtats de marche du
modle, et par les taux de transition entre ces tats de marche. Estimer de
manire prcise autant de paramtres est trs compliqu. Pour cette raison,
on est amen isoler dans la famille des lois de type phase des sous-familles
plus simples. Avant de dfinir ces sous-familles, commenons par analyser la
transforme de Laplace des lois de type phase.
La formule (5.4) montre que la transforme de Laplace de la fiabilit
dans un systme markovien est ncessairement une fraction rationnelle en s :
puisque R (s) est une combinaison linaire des coefficients de la matrice (sI
t
M )1 , cest le rapport dun polynme en s au dterminant de la matrice :
N (s)
R (s) = .
Det(sI M )
La densit est loppos de la drive de la fiabilit. Daprs le point 3 de

la proposition 3.6, la transforme de Laplace dune loi de type phase scrit
donc :
sN (s)
f (s) = 1 .
Det(sI M )
Pour linversion de cette transforme de Laplace, la premire tape est la

dcomposition de la fraction rationnelle en lments simples. Pour la dter-
miner, il faut connatre les racines du dnominateur, qui sont les valeurs
propres de la matrice M . On dmontre que ces valeurs propres sont de partie
relle ngative. Pour les lois de type phase que lon utilise en pratique, les
valeurs propres seront relles et strictement ngatives. Plusieurs cas particu-
liers interviennent souvent dans les applications, ils sont rassembls dans la
dfinition suivante.
Dfinition 5.3 Dans ce qui suit, n est un entier strictement positif, ,P i , i,j
dsignent des rels strictement positifs et les pi sont des probabilits ( pi =
1). On appelle :
1. Loi dErlang la loi dune somme de n exponentielles indpendantes de
mme paramtre (loi gamma G(n, )). Sa transforme de Laplace est :
n

f (s) = .
s+
2. Loi hyper-exponentielle un mlange de n lois exponentielles. Sa trans-

forme de Laplace est :
n

X i
f (s) = pi .
i=1
s + i
3. Loi hypo-exponentielle la loi dune somme de n exponentielles indpen-

dantes. Sa transforme de Laplace est :
n
Y i
f (s) = .
i=1
s + i
4. Loi hyper-Erlang la loi dun mlange fini de lois dErlang G(i, ), pour
fix. Sa transforme de Laplace est :
n i

X
f (s) = pi .
i=1
s+
5. Loi de Cox un mlange de lois hypo-exponentielles. Sa transforme de

Laplace est :
n ni
X Y i,j
f (s) = pi .
i=1 j=1
s + i,j
Exponentielle
Erlang Hyperexponentielle
Hypoexponentielle HyperErlang
Cox
Type phase
Figure 14 Familles de lois de type phase.
Les inclusions entre ces familles de lois sont schmatises dans la figure 14.
Les lois de Cox sont un modle important de dure. On dmontre (cf.
exercice 14) que la transforme de Laplace dune loi de Cox peut scrire de
manire unique sous la forme suivante :
n
1 X 1 i
f (s) = 1 + (1 1 ) (1 i1 )i , (5.6)
s + 1 i=2 (s + 1 ) (s + i )
avec 1 2 . . . n > 0, 0 i 1 et n = 1. Ainsi, la loi de

Cox apparat comme la loi de la dure de fonctionnement, partant de ltat
1, du systme markovien dont le diagramme de transition est celui de la
figure 15 (a). On prfre en gnral le diagramme de phases, qui est une
reprsentation de la chane incluse du processus (figure 15 (b)). Une loi de Cox
peut donc se voir comme la loi dun systme n composants, avec dpendance
fonctionnelle partielle : quand le premier composant tombe en panne (avec
taux 1 ), le systme sarrte avec probabilit 1 , ou bien le second composant
prend le relai. Quand le composant numro i tombe en panne (avec taux i ),
le dmarrage du suivant choue avec probabilit i . Arriv ventuellement
la panne du dernier composant, le systme sarrte.
Thorme 5.4 Toute loi de probabilit sur IR+ est limite dune suite de lois
hyper-Erlang.
Dmonstration : Toute loi de probabilit sur IR+ est limite dune suite de
lois discrtes, cest--dire un mlange de masses de Dirac en des instants
(a) (b)
1 (11 ) (11 )
1 2 n 1 2 n
n 1 2 1
1 1 2 2
panne
Figure 15 Diagramme de transition (a) et diagramme de phases (b) pour

une loi de Cox.
strictement positifs. Fixons t > 0 et considrons la loi dErlang, somme de

bktc exponentielles de paramtre k, o b c dsigne la partie entire. Cest
aussi la loi gamma G(bktc, k). Quand k tend vers linfini, elle tend vers la
masse de Dirac au point t. Donnons-nous maintenant des instants t1 , . . . , tn
et des probabilits de mlange p1 , . . . , pn . Considrons la loi hyper-Erlang Hk
dont la transforme de Laplace est :
n bkti c
X k
pi .
i=1
s+k
Quand k Ptend vers linfini, la suite (Hk ) converge vers le mlange de masses
de Dirac pi ti , do le rsultat.
Le thorme 5.4 ne donne pas dalgorithme efficace pour approcher une loi
donne, voire ajuster des donnes exprimentales, par une loi de type phase.
Si lenjeu est de ramener le systme un modle markovien, on aura intrt
ne pas trop augmenter le nombre dtats. En pratique, on utilise une loi
hyper-Erlang ou une loi de Cox 2 phases (n = 2), dont les deux premiers
moments concident avec ceux de la loi que lon cherche approcher (voir
exercice 14).
6 Exercices
Exercice 1 On dit que X suit la loi log-normale de paramtres et ,
quon note LN (, ), si log(X) suit la loi normale N (, ) (desprance et
de variance ).
1. Calculer la densit et le MTTF de la loi LN (, ) en fonction de et
.
2. On note la fonction de rpartition de la loi N (0, 1). Exprimer en
fonction de , et la fiabilit et le taux de panne de la loi LN (, ).
3. Reprsenter graphiquement la densit, la fiabilit et le taux de panne
de la loi LN (, ) pour plusieurs valeurs de et .
4. Soient X1 et X2 deux dures de lois respectives LN (1 , ) et LN (2 , ),
avec 1 2 . Dmontrer que X1 st X2 . Pour 1 = 0, 2 = 0.1,
= 1, reprsenter graphiquement les fiabilits des deux lois. Tirer deux
chantillons indpendants de taille 1000, un pour chacune des deux
lois, et reprsenter graphiquement les 1000 couples de points obtenus.
Superposer sur le graphique la premire bissectrice.
5. Soient X1 et X2 deux dures de lois respectives LN (, 1 ) et LN (, 2 ),
avec 1 2 . Dmontrer que X1 st X2 . Pour = 0, 1 = 1, 2 =
1.1, reprsenter graphiquement les fiabilits des deux lois. Tirer deux
chantillons indpendants de taille 1000, un pour chacune des deux
lois, et reprsenter graphiquement les 1000 couples de points obtenus.
Superposer sur le graphique la premire bissectrice.
6. Soit (X1 , . . . , Xn ) un chantillon de la loi LN (, ). Montrer que les
estimateurs du maximum de vraisemblance de et sont la moyenne
et la variance empiriques des log(Xi ).
7. Pour i = 1, . . . , n1, on note xi = 1 (i/n) le quantile dordre i/n de la
loi N (0, 1). On note X(i) la i-ime statistique dordre de lchantillon,
et on pose Yi = log(X(i) ). Justifier intuitivement le fait que lordonne
linaire des Yi sur les
lorigine et la pente de la droite de rgression
xi sont des estimateurs convergents de et respectivement.
8. Choisir deux valeurs pour et . Tirer 1000 chantillons de taille 100
de la loi LN (, ). Pour chacun des 1000 chantillons, calculer les deux
estimations du couple (, ) obtenues par la mthode du maximum de
vraisemblance et par la question prcdente. Estimer les biais et les
variances des 4 estimateurs et comparer les deux mthodes.
9. Soit R(t, , ) la fiabilit linstant t de la loi LN (, ). Calculer les
drives partielles par rapport et de R(t, , ). Pour une censure de
type I linstant tc , puis pour une censure de type II nc observations,
crire les quations donnant lestimation du maximum de vraisemblance
pour le couple (, ), et en dduire un algorithme de calcul numrique.
10. Choisir deux valeurs pour et . Tirer 1000 chantillons de taille 100 de
la loi LN (, ). Pour chacun des deux types de censure, calculer les es-
timations du maximum de vraisemblance en faisant varier le paramtre
de censure. Reprsenter graphiquement les 1000 couples obtenus. Re-
prsenter graphiquement les bornes de lintervalle de confiance estim
en fonction du paramtre de censure, comme sur la figure 4.
Exercice 2 On considre la loi de Weibull W(a, ).

1. Ecrire les quations donnant lestimateur du maximum de vraisem-
blance pour le couple (a, ) pour une censure de type I linstant
tc . Ecrire un algorithme permettant de rsoudre numriquement ces
quations.
2. Pour tout p [0, 1], on note tc (p) linstant tel que R(t) = 1p. Choisir
deux valeurs pour a et et tirer 1000 chantillons de taille n = 100
de la loi W(a, ). Rpter lexprience suivante pour p = 0.1, 0.5, 0.9.
Pour chacun des 1000 chantillons, calculer lestimation du maximum
de vraisemblance de (a, ) pour une censure de type I linstant tc (p)
et reprsenter graphiquement les 1000 couples obtenus.
3. En gardant les 1000 chantillons de la question prcdente, calculer un
intervalle de confiance pour a et pour , en faisant varier la valeur de p
de 0.1 0.9 par pas de 0.1. Reprsenter graphiquement les intervalles
de confiance estims en fonction de p, comme sur la figure 4.
4. Ecrire les quations donnant lestimateur du maximum de vraisem-
blance pour le couple (a, ) pour une censure de type II nc obser-
vations. Ecrire un algorithme permettant de rsoudre numriquement
ces quations.
5. Pour tout p [0, 1], on note nc (p) = pn. Reprendre les questions 2 et
3 pour une censure de type II avec nc (p) donnes observes. Comparer
les rsultats obtenus avec les deux types de censure.
Exercice 3 Pour chacune des lois L suivantes.
E(1), W(0.5, 1), W(2, 1), G(0.5, 1), G(2, 1), LN (0, 1), W(0, 0.5), W(0, 2)
1. Tirer un chantillon de taille 100 de la loi L. Estimer la densit, la

fiabilit et le taux de panne par la mthode du noyau gaussien. Repr-
senter graphiquement chacune des 3 fonctions estimes, avec la fonction
exacte qui lui correspond (cf. figure 5).
2. Tirer 1000 chantillons de taille 100 de la loi estime. Pour chacun des
1000 chantillons, calculer sa distance de Kolmogorov-Smirnov la loi
L. Tester ladquation de lchantillon des 1000 distances obtenues avec
la loi de Kolmogorov-Smirnov.
3. Tirer 1000 chantillons de taille 100 de la loi L. Pour t allant de 0.5
10 par pas de 0.5 :
(a) Pour chacun des 1000 chantillons calculer la frquence des dures
suprieures t (estimateur R(t)).
b En dduire une estimation du
biais et de la variance de R(t).
b
(b) Estimer R(t) par la mthode du noyau gaussien pour chacun des
1000 chantillons et en dduire une estimation du biais et de la
variance de lestimateur noyau R
bh (t).
(c) Estimer les paramtres de la loi L par la mthode du maximum
de vraisemblance, en supposant connue la famille de lois dont elle
est issue. En dduire une estimation de R(t). On note R bv (t) les-
timateur correspondant. Estimer le biais et la variance de Rbv (t).
(d) Comparer les trois estimateurs R(t),
b R
bh (t) et R
bv (t).
Exercice 4 On considre une variable alatoire X, de transforme de La-

place f , et une variable alatoire C, de loi exponentielle E(), indpendante
de X.
1. Montrer que IP[C > X] = f (). On suppose dsormais que X suit la
loi gamma G(a, 1), de transforme de Laplace :
a
1
f (s) = .
s+1
2. Calculer en fonction de p et a la valeur p qui est telle que IP[C > X] =

p, si C suit la loi E(p ).
3. Pour a = 0.5, 1, 2, pour R = 0.1, 0.5, 0.9 et pour p allant de 0.1 0.9
par pas de 0.1 :
(a) Dterminer la valeur de t telle que IP[X > t] = R.
(b) Soit (X, C) un couple de variables indpendantes, de lois res-
pectives G(a, 1) et E(p ). Calculer la probabilit conditionnelle
IP[C > X | X t].
(c) On considre un chantillon de taille n = 100 du couple (X, C).
Pour tout i = 1, . . . , n, on considre que Xi est une observation de
dure, censure linstant Ci si Ci Xi . Estimer la valeur de R en
utilisant lestimateur de Kaplan-Meier, puis celui de Nelson-Aalen.
Comparer lestimation la valeur exacte. Estimer la proportion
dobservations censures avant t.
(d) Rpter 1000 fois lexprience prcdente, en dduire un intervalle
de confiance sur la valeur estime, et reprsenter cet intervalle de
confiance en fonction de p (cf. figure 6).
(e) Estimer le biais et la variance des deux estimateurs KM (t) et
NA(t). Reprsenter le biais et la variance en fonction de p.
Exercice 5 On considre la loi de Weibull W(a, ), dont on note r le taux

de panne et le taux de panne cumul. On note T0 = (10/)1/a .
1. Donner les expressions de r, et 1 .

2. Choisir deux valeurs pour a et . Simuler 1000 trajectoires du processus
de Poisson non homogne dintensit r, not {Nt , t 0}, jusquau
temps T0 . Pour t allant de T0 /100 T0 par pas de T0 /100 :
(a) Estimer la moyenne et la variance de Nt . Reprsenter sur le mme
graphique les deux courbes obtenues, ainsi que le graphe de (t).
(b) Calculer un intervalle de confiance pour lesprance de Nt . Repr-
senter graphiquement les bornes de ces 100 intervalles de confiance,
superposer le graphe de (t) sur le mme graphique.
(c) Tester ladquation de la loi empirique de Nt avec la loi de Poisson
de paramtre (t).
3. Choisir deux valeurs pour a et .
(a) Simuler une trajectoire de {Nt , t 0} jusquau temps T = 10T0 .
Reprsenter graphiquement log(Nt ) en fonction de log(t). Estimer
la pente A et lordonne lorigine B de la rgression linaire
simple des valeurs de Y = log(Nt ) sur celles de x = log(t), aux
instants de saut du processus.
(b) Justifier intuitivement le fait que A et eB convergent respective-
ment vers a et quand T tend vers linfini.
(c) Rpter 1000 fois lestimation prcdente de a et , de manire
estimer le biais et la variance des estimateurs A et eB de la
question prcdente.
(d) Rpter lestimation pour T allant de T0 10T0 par pas de T0 .
Reprsenter en fonction de T les bornes dun intervalle de confiance
pour a, puis pour .
Exercice 6 On considre une dure X, de loi gamma G(a, ). Sa transforme

de Laplace est : a

f (s) = .
s+
On considre le processus de renouvellement {Nt , t 0} de pas X, et on
note m(t) = IE[Nt ] la fonction de renouvellement.
1. Calculer la transforme de Laplace de m(t).
2. Pour a = 2, calculer explicitement m(t). Pour = 1, reprsenter gra-
phiquement la fonction m(t) et superposer sur le mme graphique la
droite de pente 1/2.
3. Pour a = = 2, reprsenter graphiquement une trajectoire de {Nt }
jusquau temps 10, puis jusquau temps 100.
4. Pour a = = 2, simuler 1000 trajectoires de {Nt }, jusquau temps
T = 100.
5. Pour t allant de 1 100 par pas de 1, donner un intervalle de confiance

pour lesprance et pour la variance de Nt . Reprsenter graphiquement
les intervalles de confiance de lesprance en fonction de t, et superposer
sur le mme graphique la droite dquation y = t 1/4. Reprsenter
sur un autre graphique les intervalles de confiance de la variance.
6. Tracer un histogramme des 1000 valeurs de Nt au temps t = 100.
Tester ladquation de cet chantillon avec la loi normale prvue par le
thorme 3.8.
Exercice 7 On souhaite tudier un appareil, qui est sujet des dfaillances

sans gravit, avant une panne fatale qui ncessite une remise neuf complte.
On envisage pour cela deux modles.
Modle 1 : Les dfaillances surviennent selon un processus de Poisson non
homogne dintensit r. On note (t) la primitive de r nulle en 0 (taux
de dfaillance cumul). La dure Y avant la panne fatale est indpendante
du processus des dfaillances et a pour densit g. On note N le nombre de
dfaillances avant la panne fatale.
1. On note G la fonction gnratrice de N . Montrer que :

X Z +
n
G(z) = z IP[N = n] = exp((t)(z 1)) g(t) dt .
n=0 0
2. Montrer que le nombre moyen de dfaillances est :

Z +
IE[N ] = (t) g(t) dt .
0
3. On suppose que le taux de dfaillance est constant : r(t) = . Ecrire G

laide de la transforme de Laplace de Y . Dans le cas o Y suit la loi
gamma G(a, ), calculer lesprance et la variance de N en fonction de
, a, .
4. On suppose que la dure avant dfaillance suit la loi W(2, ) (donc
(t) = t2 ). Calculer lesprance de N en fonction de lesprance et de
la variance de Y .
5. On suppose que la dure avant dfaillance suit la loi de Weibull W(a, )
(donc (t) = ta ), et que la dure avant la panne fatale suit la loi
W(a, ). Montrer que le nombre de dfaillances N suit la loi binomiale

ngative BN (1, + ), de fonction gnratrice :

+
G(z) =
.
1 + z
Calculer lesprance et la variance de N .

6. Le cot dune dfaillance est et le cot dune remise neuf est . Quel
est le prix de revient de lappareil entre deux pannes fatales ? Si C(t)
dsigne le prix de revient de lappareil entre 0 et t, montrer que C(t)/t
converge quand t tend vers linfini et calculer sa limite en fonction de
IE[N ] et IE[Y ].
Modle 2 : Les dfaillances surviennent selon un processus de Poisson non
homogne dintensit r. Chaque dfaillance est fatale avec probabilit p, ou
bnigne avec probabilit (1p). En dautres termes, on se donne une suite
Bn de variables de Bernoulli indpendantes et indpendantes des instants de
dfaillance. Si Bn = 1, la n-ime dfaillance est fatale. On note encore N le
nombre de dfaillances avant la panne fatale et Y linstant de la panne fatale.
1. Montrer que N suit la loi binomiale ngative BN (1, p).
2. On suppose que r(t) est constant, gal 1. Montrer que Y suit la loi
exponentielle E(p).
3. Dans le cas gnral, dduire de la proposition 3.3 et de la question
prcdente que (Y ) suit la loi E(p).
4. Montrer que lesprance de Y est :
Z +
IE[Y ] = (R(t))p dt ,
0
o R(t) dsigne la fiabilit de la dure avant dfaillance.

5. On suppose que la dure avant dfaillance suit la loi de Weibull W(a, ).
Montrer que la dure avant la panne fatale suit la loi de Weibull
W(a, p).
Exercice 8 On considre un appareil dont la dure de fonctionnement est

exponentielle de paramtre 1. On suppose que sa dure de rparation suit la
loi gamma G(k, k), o k est un entier suprieur ou gal 1. Lappareil est
remis neuf aprs chaque rparation. On note D(t) la disponibilit linstant
t. Pour k allant de 1 10 :
1. Calculer et reprsenter graphiquement D(t).
2. Simuler 1000 fois indpendamment la suite des pannes et des rpara-
tions jusqu linstant T = 200. En dduire un intervalle de confiance
pour D(t) aux instants t entiers allant de 1 T . Reprsenter graphique-
ment ces intervalles de confiance. Comparer avec le rsultat thorique.
Exercice 9 Un quadriracteur est un avion 4 racteurs, deux sur chaque

aile. On considrera les hypothses suivantes.
Lavion vole si au plus un racteur est en panne.
Lavion vole si un racteur au moins fonctionne sur chaque aile.
Lavion vole si au moins deux racteurs fonctionnent.
Lavion vole si au moins un racteur fonctionne.
Pour chacune de ces hypothses :

1. Reprsenter le diagramme de fiabilit. Donner une criture logique de
la fonction de structure. Le systme est-il du type srie-parallle ? Iden-
tifier les coupes minimales.
2. Reprsenter un arbre de dfaillance. Identifier les coupes minimales
pour lvnement lavion ne vole pas.
3. Reprsenter un diagramme de dcision binaire.
4. En supposant que les 4 racteurs sont indpendants, calculer la dispo-
nibilit de lavion en fonction des disponibilits des racteurs. Calculer
le facteur dimportance de Birnbaum dun racteur.
5. On suppose que les dures de fonctionnement des racteurs sont ind-
pendantes et de mme loi exponentielle E(). Si lavion dcolle avec ses
4 racteurs en marche, calculer sa fiabilit (on ne rpare pas un rac-
teur en plein vol !). On suppose que le MTTF dun racteur est de 1000
heures. Calculer le MTTF de lavion. Quelle est la probabilit quil vous
dpose sain et sauf aprs un vol de 3 heures ?
6. Reprendre la question prcdente en remplaant la loi E() par la loi
W(a, ), avec a = 1/2 et = (500)2 .
7. On suppose que les dures de fonctionnement des racteurs sont ind-
pendantes et de mme loi G(a, ), avec a = 4 et = 1/250. Simuler un
chantillon de 1000 dures de fonctionnement pour lavion, estimer sa
fiabilit et son MTTF.
Exercice 10 Le but de lexercice est dtudier leffet sur un systme de la

redondance de ses composants.
1. Etant donn un systme n composants non rparables, on dcide de
remplacer un des composants par un composant plus fiable (au sens
de la dfinition 1.10). Montrer que le nouveau systme est plus fiable
que lancien. En dduire que remplacer un composant par deux copies
mises en parallle augmente la fiabilit du systme.
2. On considre un systme, dont on note D la disponibilit. On considre
un de ses composants, dont on note p la probabilit de fonctionnement
et B le facteur dimportance de Birnbaum. On dcide de remplacer ce
composant par deux copies indpendantes mises en parallle. Montrer
que la disponibilit du nouveau systme est D + p(1 p)B. Montrer
que le facteur dimportance de chacune des deux copies du composant
est (1 p)B.
3. On considre deux copies indpendantes dun mme systme, dont on
note D la disponibilit. On met ces deux copies en parallle pour for-
mer un nouveau systme. Montrer que la disponibilit de ce nouveau
systme est 2D D2 . Soit p la probabilit de fonctionnement dun des
composants et B son facteur dimportance de Birnbaum. Montrer que
le facteur dimportance de chacune des deux copies de ce composant

dans le nouveau systme est (1 D)B.
4. Etant donn un systme n composants, on suppose que lon dispose
dune copie de chacun des n composants, et on souhaite utiliser les
2n composants pour former un nouveau systme. Deux configurations
sont proposes. Pour la premire, on remplace chacun des n composants
par ses deux copies mises en parallle. Pour la seconde, on met en
parallle deux copies indpendantes du systme initial, comme dans la
question prcdente. Soient 1 et 2 les fonctions de structure dans les
deux configurations. Montrer que 2 1 . En dduire que la premire
solution est meilleure que la seconde, du point de vue de la dure de
fonctionnement comme de la disponibilit.
5. On considre le systme 5 composants de la figure 7. On forme
deux systmes 10 composants identiques deux deux, selon les deux
configurations de la question prcdente. Reprsenter les diagrammes
de fiabilit de ces deux systmes, crire leurs fonctions de structure.
Dans lhypothse de composants indpendants de disponibilit pi , i =
1, . . . , 5, calculer les disponibilits des deux nouveaux systmes. Sup-
posons que les composants soient non rparables avec des dures de
fonctionnement indpendantes et de mme loi. Calculer la fiabilit des
deux nouveaux systmes en fonction de la fiabilit R(t) de chaque com-
posant. Si la loi commune des dures de fonctionnement des composants
est la loi E(1), calculer le MTTF des deux nouveaux systmes et com-
parer avec le MTTF de lancien.
Exercice 11 On considre un modle de dpendance de charge n compo-

sants. Pour chaque composant, le taux de panne dpend du nombre de com-
posants en panne : il vaut i quand i composants sur les n sont en panne.
Les taux de rparation sont constants, gaux . A linstant initial tous les
composants fonctionnent.
1. Montrer que le nombre de composants en panne est un processus mar-
kovien de saut sur {0, . . . , n}, pour lequel le taux de transition de i vers
i + 1 est (ni)i (i = 0, . . . , n1), le taux de transition de i vers i1
est i (i = 1, . . . , n), les autres taux tant nuls.
2. Reprsenter le diagramme de transition et crire le systme de Chap-
man-Kolmogorov.
3. Montrer que la mesure stationnaire de ce processus vrifie :

n 0 i1
(i) = (0) .
i i
4. Pour tout i = 0, . . . , n1, on note mi la dure moyenne datteinte de

ltat n, partir de ltat initial o i composants sont en panne. On
pose di = mi mi+1 . Montrer que d0 = 1/(n0 ), et pour i 1 :
i 1
di = di1 + .
(ni)i (ni)i
5. Montrer que si le systme est du type k-sur-n, alors son MTTF est
d0 + + dnk . En dduire une expression du MTTF en fonction de
n, k, et 0 , . . . , nk .
Dans toute la suite, on considre le cas particulier i = (i + 1).
6. Calculer ni en fonction de n . Si le systme est du type k-sur-n,
donner une expression de sa disponibilit asymptotique laide de la
fonction de rpartition de la loi de Poisson de paramtre .
7. Montrer que quand n tend vers linfini, la loi du nombre de composants
en fonctionnement en rgime stationnaire converge vers la loi de Poisson
de paramtre .
8. Pour = 1, n = 5 puis n = 20, et allant de 1 10, calculer et repr-
senter graphiquement en fonction de k la disponibilit asymptotique et
le MTTF. Simuler 1000 trajectoires du processus. Utiliser ces 1000 tra-
jectoires pour donner une estimation de la fiabilit et de la disponibilit,
pour k = n/5 et k = 4n/5.
Exercice 12 On considre un modle de dpendance fonctionnelle, n com-

posants identiques. Le taux de panne dun composant est , son taux de r-
paration est . A linstant initial, un seul composant fonctionne, les autres
sont en attente. Quand le composant qui tait en marche tombe en panne,
on choisit au hasard un des composants en attente et on le met en marche
instantanment. A un instant quelconque, un seul composant fonctionne, et
parmi les n1 autres certains sont en panne, dautres en attente. Un com-
posant qui termine sa rparation est mis en attente. Le systme sarrte si
aprs une panne, tous les composants sont en panne.
i + 1 est (i = 0, . . . , n1), le taux de transition de i vers i1 est i
(1 = 1, . . . , n), les autres taux tant nuls.
2. Reprsenter le diagramme de transition et crire le systme de Chap-
man-Kolmogorov.
3. Montrer que la mesure stationnaire de ce processus vrifie :
i
(i) = (0) .
i!i
Donner une expression de la disponibilit asymptotique du systme

laide de la fonction de rpartition de la loi de Poisson de paramtre .
4. Montrer que quand n tend vers linfini, la loi du nombre de compo-

sants en panne en rgime stationnaire converge vers la loi de Poisson
de paramtre .
5. Utiliser les questions 4 et 5 de lexercice prcdent pour donner une
expression du MTTF en fonction de , et n.
6. Pour = 1, = 0.1, 0.5, 1, 2, 10, et n allant de 2 10, calculer la dispo-
nibilit asymptotique et le MTTF du systme. Simuler 1000 trajectoires
et estimer la fiabilit.
Exercice 13 On considre un modle de pannes simultanes, n compo-

sants. Chaque composant a un taux de rparation gal . La foudre frappe
le systme des dates spares par des dures exponentielles indpendantes
de paramtre . Quand la foudre frappe le systme, chaque composant a
une probabilit p de tomber en panne, 1 p de continuer fonctionner. A
linstant initial tous les composants fonctionnent. On suppose que le systme
fonctionne tant quau moins un composant fonctionne.
i + k est :

ni k
p (1 p)nik pour i = 0, . . . , n1 et k = 0, . . . , n i ,
k
le taux de transition de i vers i1 est i (1 = 1, . . . , n), les autres taux

tant nuls.
2. Pour n = 2, puis n = 3, reprsenter le diagramme de transition du
systme, crire le gnrateur infinitsimal. Calculer en fonction de ,
et p les transformes de Laplace de la disponibilit et de la fiabilit, la
disponibilit asymptotique et le MTTF.
3. Pour n = 10, = 1, = 1 et p = 0.1, calculer numriquement la
disponibilit asymptotique et le MTTF. Simuler 1000 trajectoires et
estimer la fiabilit.
Exercice 14 Le but de lexercice est dtudier les lois de Cox. Pour chacune
des lois considres, on reprsentera un diagramme de transition et un dia-
gramme de phases (cf. figure 15), on crira un algorithme de simulation, et
on estimera par la simulation la densit, la fiabilit et le MTTF pour plu-
sieurs ensembles de paramtres. La question 3 est plus difficile et pourra tre
admise.
On note C(1 , . . . , n ; 1 , . . . , n1 ) la loi de Cox dont la transforme de
Laplace est donne par la formule (5.6).
1. Soient et deux rels positifs tels que < . Montrer que la loi
C(, ; ) et la loi C(, ; ) sont identiques. Par rcurrence, en d-
duire que la loi C(1 , . . . , n ; 1 , . . . , n1 ) est identique la loi
C((1) , . . . , (n) ; 01 , . . . , 0n1 ), o les (i) sont les i ordonns par ordre
dcroissant, et les 0i sont fonction des i et des i .
2. Toujours pour < , vrifier que la loi C(, ; ) est la loi exponentielle
E().
3. Soient X et Y deux variables alatoires indpendantes, telles que X
suit la loi
C(1 , . . . , n ; 1 , . . . , n1 ) et Y suit la loi C(1 , . . . , m ; 1 , . . . , m1 ).
On suppose que les i et les j sont rangs par ordre dcroissant (cf.
question 1), et que 1 < 1 . On note f et g les transformes de Laplace
de X et Y .
(a) Soit p un rel compris entre 0 et 1. Utiliser la question 2 pour
dmontrer que pf + (1p)g scrit :
1 1
pf (s)+(1p)g(s) = 1 +(11 ) (p f (s) + (1p )g (s)) ,
s + 1 s + 1
o 1 = p 11 + (1p)1 , p = p(1 1 /1 )
11 et g est la transforme de
Laplace de la loi C(2 , . . . , m ; 2 , . . . , m1 ).
(b) Par rcurrence sur n + m, en dduire que pf + (1 p)g est la
transforme de Laplace de la loi C(1 , . . . , n+m ; r1 , . . . , rn+m1 ),
o les i sont obtenus en concatnant les i et les i , puis en les
triant par ordre dcroissant.
(c) En dduire que la transforme de Laplace de toute loi de Cox
(mlange dhypo-exponentielles) scrit sous la forme (5.6).
4. Exprimer en fonction des i et des i lesprance et la variance de la
loi de Cox C(1 , . . . , n ; 1 , . . . , n1 ).
5. On considre un mlange de deux lois exponentielles, de transforme
de Laplace :

p + (1 p) .
s+ s+
On note m et v lesprance et la variance de cette loi. Montrer que v/m2
(le carr du coefficient de variation) est suprieur 1. Rciproquement
montrer que si m et v sont deux rels positifs tels que v/m2 1, il
existe un mlange de deux exponentielles qui a pour esprance m et
pour variance v.
6. On considre le mlange de deux lois dErlang dont la transforme de
Laplace est :
k1 k

p + (1 p) .
s+ s+
On note m et v lesprance et la variance de cette loi. Montrer que

v/m2 est compris entre k1 et k1
1
. Rciproquement montrer que si m
1
et v sont deux rels positifs tels que v/m2 est compris entre k1 et k1 ,
il existe un mlange de deux lois dErlang qui a pour esprance m et
pour variance v.
7. Pour a = 0.1, 0.5, 1.5, 2.5, calculer la moyenne et la variance de la loi
gamma G(a, 1). En utilisant les deux questions prcdentes, dterminer
une loi de Cox qui ait mme esprance et mme variance. Superposer
sur un mme graphique la densit de la loi G(a, 1) et celle de la loi de
Cox que vous avez dtermine.
Exercice 15 On considre un systme markovien n tats de marche, et un
tat de panne. A partir de ltat 1, le systme peut soit tomber en panne avec
taux , soit passer dans ltat 2 avec taux . A partir de ltat i = 2, . . . , n1,
le systme ne peut que passer dans ltat i + 1, avec taux . Il quitte ltat n
avec taux pour revenir dans ltat 1. A linstant initial, il est dans ltat 1.
1. Reprsenter le diagramme de transition, crire le gnrateur infinitsi-
mal et le gnrateur rduit M . Vrifier que le dterminant de sI M
est :
Det(sI M ) = (s + + )(s + )n1 n .
2. En tudiant ce polynme en s, montrer que le nombre de valeurs propres
relles strictement ngatives de M est 2 si n est pair, et au plus 3 si n
est impair.
3. Pour i = 1, . . . , n, montrer que la transforme de Laplace de la proba-
bilit dtre dans ltat i est :
i1 (s + )ni
qi (s) = .
(s + + )(s + )n1 n
4. En dduire que la transforme de Laplace de la fiabilit est :
(s + )n n
R (s) = .
s((s + + )(s + )n1 n )
5. En dduire que le MTTF du systme est n/, et que la transforme de
Laplace de sa dure de fonctionnement est :
(s + )n1
f (s) = .
(s + + )(s + )n1 n
6. Montrer que pour n > 3, la dure de fonctionnement ne suit pas une
loi de Cox.
7. Pour n = 5, = 1, = 0.5, simuler 10000 trajectoires du systme. Re-
prsenter un histogramme et la fonction de rpartition empirique des
dures de fonctionnement simules. En inversant numriquement les
transformes de Laplace, calculer et reprsenter graphiquement la den-
sit et la fiabilit de la dure de fonctionnement. Donner un intervalle
de confiance pour le MTTF et comparer avec la valeur thorique.
Index
absence de mmoire, 5 tat
agrgation, 46, 48 de marche, 34, 43
arbre de dfaillance, 37 de panne, 34, 43
tats (agrgation d), 46
baignoire, 13
facteur dimportance de Birnbaum, 43
censure, 15 fiabilit, 3, 45, 48
Chapman-Kolmogorov, 44 fonction
condition dagrgation, 46 de renouvellement, 30
coupe minimale, 36, 38, 41 de structure, 34
de survie, 3
dcomposition de Shannon, 39, 41
digamma, 19
dpendance
gamma, 6
de charge, 48
gamma incomplte, 6
de pannes simultanes, 48
fonctionnelle, 48 gnrateur
DFR, 13 infinitsimal, 44
diagramme rduit, 46
de dcision binaire, 39
de fiabilit, 36 IFR, 13
de phases, 53 instant de censure, 15
disponibilit, 32, 41, 45, 48
asymptotique, 33, 45 Kaplan-Meier, 23
distribution empirique, 21
donnes censures, 15 lissage, 22
dure loi
de fonctionnement, 3 dErlang, 6, 52
de fonctionnement rsiduelle, 4 de Cox, 52
DFR, 13 de type phase, 51
IFR, 13 de Weibull, 7
moyenne de fonctionnement, 5 du khi-deux, 6
NBU, 13 exponentielle, 5, 16, 43
NWU, 13 gamma, 5, 18
hyper-Erlang, 52
estimateur hyper-exponentielle, 52
de Kaplan-Meier, 23 hypo-exponentielle, 52
de Nelson-Aalen, 24 log-normale, 55
du maximum de vraisemblance,
15, 16, 19, 20 mthode des moments, 19
estimation maximum de vraisemblance, 15, 16,
de la fiabilit, 21 19, 20
non paramtrique, 21 mesure stationnaire, 45
par noyau, 22 MTTF, 5, 31, 46, 48
67
NBU, 13
Nelson-Aalen, 24
NWU, 13
ordre
des taux de panne, 11
stochastique, 10
papier Weibull, 21
processus
de comptage, 25
de Poisson, 26, 27
de Poisson non homogne, 27
de renouvellement, 29
de renouvellement altern, 32, 45
rparable (appareil), 25
simulation
dun processus de Poisson, 27
dune loi de Weibull, 9
par inversion, 9
systme
cohrent, 35
de Chapman-Kolmogorov, 44
k-sur-n, 35, 47
markovien, 43, 51
srie-parallle, 35, 42
taille de fentre, 22
taux
de panne, 3
de panne cumul, 9
de panne en baignoire, 13
transforme de Laplace, 29, 32, 44,
46, 48, 52
vraisemblance, 14
Weibull, 7

Not Fiab

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Not Fiab

Uploaded by

Copyright:

Available Formats

1

Cahier de Mathmatiques Appliques no 13

Les calculs de fiabilit font dsormais partie intgrante de la dmarche de

R.E. Barlow et F. Proschan Statistical theory of reliability and life

J.L. Bon Fiabilit des systmes : mthodes mathmatiques.

C. Cocozza-Thivent Processus stochastiques et fiabilit des systmes.

Ce cahier de mathmatiques appliques doit beaucoup aux relectures

Table des matires

1.1 Vocabulaire de la fiabilit

Dfinition 1.1 On appelle fiabilit dune dure de fonctionnement X, le

La fiabilit est la probabilit que lappareil fonctionne au-del de linstant t.

Dfinition 1.2 On appelle taux de panne dun appareil de dure de vie X,

Densit Fiabilit Taux de panne

Table 1 Relations entre la densit, la fiabilit et le taux de panne.

Pour comprendre cette dfinition, revenons linterprtation de f . La densit

Dfinition 1.3 Soit X une dure de fonctionnement. On appelle dure de

Notons ft , Rt , rt la densit, la fiabilit et le taux de panne de la dure de vie

Il est souvent difficile de caractriser prcisment la loi de X. On se

La dernire expression sobtient partir de la prcdente en intgrant par

1.2 Lois classiques

f (t) = et , R(t) = et , r(t) .

Une dure exponentielle de fonctionnement X a un taux de panne constant ;

Dmonstration : Si R est la fiabilit de X, elle est solution de lquation

Fiabilit de la loi gamma Taux de panne de la loi gamma

Dfinition 1.5 La loi gamma de paramtres a > 0 et > 0, note G(a, ),

Cette fonction est calculable numriquement, et code dans la plupart des

La figure 2 reprsente les densits, fiabilits et taux de panne de plusieurs

Fiabilit de la loi de Weibull Taux de panne de la loi de Weibull

Figure 2 Densit, fiabilit et taux de panne des lois de Weibull W(a, 1)

En dehors de leur facilit de manipulation, les lois de Weibull ont un autre

Proposition 1.7 Soient X1 , . . . , Xn n dures de fonctionnement indpen-

Alors la suite (Mn ) converge en loi vers la loi de Weibull W(a, ).

Fixons t et strictement positifs. Par hypothse, pour n assez grand et pour

lim Rn (t) = exp(ta ) .

Proposition 1.9 Soit X 0 une variable alatoire de loi exponentielle E(1).

Dmonstration : Il suffit de calculer la fiabilit de X :

IP[X > t] = IP[X 0 > (t)] = exp((t)) = R(t) .

1.4 Comparaison de lois

Dfinition 1.10 Soient X1 et X2 deux dures de fonctionnement, de fiabi-

Proposition 1.11 Soient X1 et X2 deux dures de fonctionnement. Cha-

2. Pour toute fonction croissante de IR+ dans IR,

Dmonstration : Nous allons dmontrer successivement les trois implications :

F11 (u) F21 (u) .

On a alors R1 (t) = IE[(X1 )] et R2 (t) = IE[(X2 )].

Dfinition 1.12 Soient X1 et X2 deux dures de fonctionnement, de taux

Par exemple, si X1 et X2 suivent des lois de Weibull W(a, 1 ) et W(a, 2 ),

Dmonstration : Si pour tout t 0, r1 (t) r2 (t) alors :

r2 (t) = 211[1,2] (t) + 11[2,+] (t) .

La fiabilit correspondante est :

R2 (t) = 11[0,1] (t) + e2(t1) 11]1,2] (t) + et 11]2,+[ (t) .

On a bien R1 (t) R2 (t), mais pas r1 (t) r2 (t) pour tout t.

Corollaire 1.14 Soit X une dure de fonctionnement dont le taux de panne

Dfinition 1.15 On dit quune dure de fonctionnement X est NBU (New

Dmonstration : Si r(t) est croissante, alors pour t1 t2 et s 0, on a :

Rodage Vie utile Vieillissement

Figure 3 Courbe en baignoire : volution typique dun taux de panne.

2.1 Vraisemblance et censure

La vraisemblance mesure la probabilit de lvnement qui a t observ.

Les variables alatoires X(1) , . . . , X(n) (valeurs de X1 , . . . , Xn ranges par

2.2 Modle exponentiel

Pour la maximiser on commence par en prendre le logarithme.

La valeur cherche sobtient en annulant la drive.

Le maximum de la vraisemblance est donc atteint en :