Professional Documents
Culture Documents
Notions de fiabilit
B. Ycart
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.
f (t)
r(t) = .
R(t)
4 Cahier de Mathmatiques Appliques no 13
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
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.
f (t + s) R(t + s)
ft (s) = , Rt (s) = , rt (s) = r(t + s) .
R(t) R(t)
Notions de fiabilit 5
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.
6 Cahier de Mathmatiques Appliques no 13
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
Figure 1 Densit, fiabilit et taux de panne des lois gamma G(a, 1) pour
a = 0.5, 1, 1.5.
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
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 .
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 :
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
10 Cahier de Mathmatiques Appliques no 13
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+ .
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.
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.
IE[(X1 )] IE[(X2 )] .
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 :
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 .
r1 (t) r2 (t) .
12 Cahier de Mathmatiques Appliques no 13
Proposition 1.13 X1 tp X2 = X1 st X2 .
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 :
Nous allons maintenant utiliser les ordres st et tp pour comparer des dures
de fonctionnement rsiduelles.
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.
r(t)
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.
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
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 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.
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
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
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.
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
fch (t)
rbh (t) = .
Rh (t)
b
h = 0.79 IQ n1/5 ,
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
des censures.
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
Notions de fiabilit 25
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
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.
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 .
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 .
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 ) .
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.
= exp((sn + t) + (sn ))
Z t
= exp r(sn + s) ds .
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.
IE[Nt ] = (t) .
r(t) .
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
IE[exp(sX)] .
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.
dk f
E[X k ] = (1)k (0) .
dsk
30 Cahier de Mathmatiques Appliques no 13
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 :
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))
Notions de fiabilit 31
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 .
1 f (s)
D (s) = . (3.3)
s(1 f (s)g (s))
Sn = X1 + Y1 + + Xn + Yn et Tn = Sn1 + Xn .
Notions de fiabilit 33
On peut crire :
X
X
D(t) = IP[Sn t < Tn+1 ] = IP[Sn t] IP[Tn+1 t] .
n=0 n=0
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 )
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).
34 Cahier de Mathmatiques Appliques no 13
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.
i = 1, . . . , n i i = () () . (4.1)
Notions de fiabilit 35
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.
36 Cahier de Mathmatiques Appliques no 13
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
(1 , . . . , 5 ) = (1 4 ) (2 4 ) (2 5 ) (3 5 ) . (4.3)
1 4
3 5
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.
(1 , . . . , 5 ) = (1 4 ) (2 4 ) (2 5 ) (3 5 ) .
(1 , . . . , 5 ) = (1 4 ) (2 4 ) (2 5 ) (3 5 ) . (4.5)
panne
et
G1 G2 G3 G4
ou ou ou ou
1 4 2 4 2 5 3 5
() = i 0 ( (i) ) i 1 ( (i) ) ,
0 ( (i) ) = (1 , . . . , i1 , 0, i+1 , . . . , n ) ,
1 ( (i) ) = (1 , . . . , i1 , 1, i+1 , . . . , n ) .
2 = 0 2 = 1
1 4 4
3 5 5
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
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
Dpar = D1 + D2 D1 D2 et Dser = D1 D2 .
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.
P = 1 (0) et M = 1 (1) .
IP[t+h = | t = ] = h + o(h) .
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.
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
Notions de fiabilit 45
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 .
(+)t
p1 (t) = + e . (5.3)
+ +
M m = 11M .
= (1 , . . . , i1 , 0, i+1 , . . . , n ) et = (1 , . . . , i1 , 1, i+1 , . . . , n ) .
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 )
(2 + 0 + ) + s
R (s) = .
20 + (2 + 0 + )s + s2
Le MTTF est :
2 + 0 +
.
20
Notions de fiabilit 49
(a) (b)
10
2
11 00 0 1 2
2
01
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).
La transforme de Laplace de la disponibilit est :
(2 + 22 ) + (2 + 3)s + s2
D (s) = .
s((2 + 2 + 22 ) + (2 + 3)s + s2 )
La transforme de Laplace de la fiabilit est :
(2 + ) + s
R (s) = .
2 + (2 + )s + s2
Le MTTF est :
2 +
.
2
50 Cahier de Mathmatiques Appliques no 13
(a) (b)
1a 01
00 0 1 2
2
a1 10
(a) (b)
10 (1p)
p/2
p
(1p)
11 00 0 1 2
2
p/2
01
(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
Notions de fiabilit 51
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().
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 )
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+
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+
Exponentielle
Erlang Hyperexponentielle
Hypoexponentielle HyperErlang
Cox
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 )
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
54 Cahier de Mathmatiques Appliques no 13
(a) (b)
1 (11 ) (11 )
1 2 n 1 2 n
n 1 2 1
1 1 2 2
panne
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).
Notions de fiabilit 55
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.
56 Cahier de Mathmatiques Appliques no 13
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.
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)
(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).
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
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.
i
(i) = (0) .
i!i
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
Notions de fiabilit 65
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+
67
68 Cahier de Mathmatiques Appliques no 13
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