CONCEPTION MÉCANIQUE ET INNOVATION

COURS DE CONCEPTION ROBUSTE

D É PA RT E M E NT G É N I E M ÉC A N I Q UE
P R . TOUACHE A B D E L H A M I D

Chapitre I
Introduction générale sur la
conception robuste
Contexte

• Nouveaux défis pour l’ingénieur concepteur ;

• Utilisation très intenses des outils se simulation numérique et
« virtual prototyping »
• Application de nouvelles technologies pour des systèmes complexes
• Hautes exigence en termes de fiabilité et de qualité
• Prise de décision dans des conditions de conception incertains.
L’efficacité des méthodes de conception conventionnels est mise en
question
De nouvelles méthodes de conception commence à trouver chemin vers
les bureaux d’études des industriels.

Problèmes des incertitudes

• Les incertitudes sont omniprésents dans toutes les phases de

conception et développement de produits.
• Exemple :
• les imprécision et erreurs de fabrication
• Les méconnaissances
• Variabilité d’usages de produit
Les ingénieurs font appel de plus en plus à des méthodes et outils
statistiques et probabilistes.
Les ingénieurs doivent maitriser les outils mathématiques dans un
contexte ou les incertitudes sont inévitables

4
Processus de Conception « Engineering
Design Process »
• Le processus de conception est l’ensemble de solutions établies
préalablement dans un contexte d’ingénierie pour résoudre un
problème donné.
• De nouvelles solutions sont à proposé en cas de d’un nouveau
problème pas encore résolue.
• Les problèmes ayant été résolue mais d’une manière différente.
• Ici, le plus important pour l’ingénieur c’est les deux notions :
• Nouveau problème
• Nouvelle solution

• L’ingénierie de conception est un processus qui consiste en la

définition d’un système, produit ou un service pour répondre à un
besoin.
• C’est un processus de prise de décisions souvent itérative (decision-
making process) qui fait appel aux sciences d’ingénieurs,
mathématiques et les sciences fondamentales.
• En Générale, quatre phases sont nécessaires :

Phase 1 :
Phase 2 : Phase 3 : Phase 4 :
Définition
Etablir les Conception Conception
du
concepts initial finale
problème

6
Analyses et solutions

• Avant la réalisation d’un produit ou bien si le produit ne satisfait pas

le besoin du client.
• L’analyse de conception est l’étude d’un produit en vue de
comprendre et de maitriser ses performances (modéliser) sous des
conditions normal d’utilisation.
• L’analyse vise la création de model de validation capable d’aider à
proposer d’éventuels corrections

Exemple :

• Si on cherche à déterminer un mécanisme ayant une fonction bien

donnée et que l’ont peux exprimer par une loi entrée sortie comme
y=f(x).
• x et y représentent l’entrée (la rotation) et la sortie (la translation).
• Plusieurs solution peuvent satisfaire le besoin exprimé.
• Mécanisme à 4 barres Mécanisme à cames Engrenages

8
• Plusieurs solutions existent donc plusieurs décisions concernant :
matériaux, géométries, dimensions…
• Si la solution est prédéfinie, le problème se réduit à une prise de
décision basée sur l’analyse mécanique du système.

Conception Analyse

Processus de prise de décision Processus de résolution de problème

Solution pour un nouveau problème ou nouvelle solution Solution de problème existant

pour un problème existant
Plusieurs solutions Solution unique

Conception initiale

Re-
conception
Analyse

Tests des Non

validation

Oui

Fin

10
Modélisation et analyse de conception

• Développement de outils de modélisation et de calcul + besoin de

réduire le temp du cycle de conception jusqu’à production.
•  Nouveaux moyens à prix raisonnables pour explorer et vérifier les
différentes solutions de conception et en choisir les mieux adaptées.
•  Possibilité de prise de décision dans un processus d’ingénierie et
d’analyse basé plus sur les calculs et la résolution de modèles issus
de physiques pour réduire considérablement les expériences
couteuses.

11

= ( )
Modélisation
(Paramètres d’entrée) (Paramètres de sortie)

Variables et paramètres Performances : prix,

de conception déformation, résistance…

Généralement n’a pas d’expression

mathématique (black box)

12
Origines des incertitudes

• Les incertitudes ou les

méconnaissances peuvent être Incertitudes
définie comme la différence
entre les connaissance à l’état
actuel et l’état final.
• Dans un contexte de conception Épistémiques Aléatoires
basée sur la modélisation, les
incertitudes apparaissent dans le
décalage entre le model prédit Model Paramètres
et la réalité. incertain aléatoires
• On peut classer les incertitudes
en incertitudes aléatoires et
incertitudes épistémique. Paramètres
incertains

13

Connaissance finale
Ignorance totale

État actuel des

connaissances

Epistémique Aléatoire

Incertitudes des
Incertitudes de
paramètres de
modélisations
modélisations

14
Exemple 1 : conception d’une poutre

Les paramètres de conception à déterminer sont les dimensions des

sections de la poutre: b1, b2, h1 et h2 en plus les longueurs l1 et l2.
À l’extrémité libre de la poutre agit une force supposée ponctuelle P.
La contrainte limite du matériau est Rm.
La poutre à concevoir doit satisfaire la condition de résistance σmax <
Rm.

15

Solution déterministe

Un model analytique de la poutre peut être formuler comme suite :

6 +
= = − = −
ℎ

Avec = { 1, 2, ℎ1, ℎ2, 1, 2, }

16
Paramètres incertains

ininvitables des paramètres dimensionnels 1, 2, ℎ1, ℎ2, 1

Les imprécisions des procédés de fabrication provoque une variabilité
2.

Chaque cote varié de manière aléatoire autour de la valeur nominale

dans un intervalle de tolérance bien définie. La force P est également
variable incertain.
Si on dispose de suffisamment de données suite à une nombre
d’essais et de testes, les paramètres qui varient de manière aléatoire
peuvent être décrites par des distributions de probabilité.
Si on a peu de données, sur P ou Rm par exemple, il sera laborieux de
décrire la variable par une distribution de probabilité.
Dans ce cas, on parle d’incertitude épistémique.
17

Model incertain

• Le model de la poutre provient de la théorie de base de la RDM. On

se base sur un certain nombre d’hypothèses (idéalisation) pour
trouver une formule analytique de la contrainte σmax; matériau
homogène isotrope, comportement linéaire élastique, les section
droite restes droites après déformation, le module d’Young est le
même en traction et en compression, le support est suffisamment
rigide, la force est ponctuelle….
• Il est très rare que le modèle prévu par le RDM reproduise de
manière fiable la réalité. Il y’aura forcement un écart entre la
prédiction et la réalité.
• Cela indique des incertitude de modélisation qui ne peuvent être
classe que dans la case des incertitudes épistémiques.

18
Exemple 2 : projectile

• Un projectile est lancé à une vitesse 0 = 50 ± 1 (±2%) avec un

#
angle de α = 60 ± 1° (±1,67%).
• pour arriver sur terre, le projectile doit attendre une distance :
•(= sin(20)
)*+
,
• ( = 207.6 234.1
• Donc une erreur de ±6%

26.5m

19

Les méthodes de conception probabiliste

o Conception basée sur la fiabilité (RBD)

On recherche une conception dont la probabilité de défaillance est

inférieure à une valeur acceptable (toujours faible)

Les événements menant à une catastrophe sont extrêmement peu

probables. L'accent est mis sur la fiabilité accrue (sécurité).

o Conception robuste

C’est une méthode permettant d'améliorer la qualité d'un produit en

minimisant l'effet de l'incertitude sans éliminer les causes de l'incertitude.
L'accent est mis sur la robustesse des performances du produit.

20
 o Conception pour Six Sigma (DFSS)
C’est une approche complète du développement de produits qui relie les
besoins des entreprises et des consommateurs aux attributs critiques du
produit, aux fonctions du produit, aux conceptions détaillées, aux tests et à
la vérification. L'accent est mis sur la qualité du produit, la satisfaction du
client et la compétitivité. RBD et la conception robuste sont généralement
utilisés dans DFSS.

21

Effets des incertitudes

• L'incertitude associée aux paramètres, aux modèles et aux erreurs

numériques a un impact imposant sur les performances de
conception. La méconnaissance ou le traitement inapproprié de
l’incertitude peut conduire à :
• • Prise de décision erronée,
• Faible qualité, robustesse, fiabilité, sécurité,
• Risque élevé,
• Coût élevé du cycle de vie du produit,
• Garantie coûteuse,
• faible satisfaction de la clientèle,

22
Facteurs de sécurité

• Chaque système d'ingénierie présente une incertitude. Cela influe

considérablement sur les performances du produit.
• Une petite variation de l'entrée du système peut entraîner une perte
de qualité énorme.
• Pour tenir compte de l'incertitude, la pratique courante consiste à
utiliser un facteur de sécurité.
• Les ingénieurs ont coutume de modifier leur conception avec des
facteurs de sécurité «arbitraires»
• Il est évident que l’utilisation de facteurs de sécurité peut être soit
risquée (sous-conçue), soit conservatrice (sur-conçue).

23

Gestion d’incertitude en conception

• Les incertitudes sont inévitables donc l’ingénieur ne peux les éviter.

• On doit gérer et maitriser les incertitudes et le méconnaissances.
• La gestion d’incertitude se fait en trois niveaux :
1. Modélisation d'incertitude
2. Analyse d'incertitude
3. Conception sous incertitude

24
Modélisation d'incertitude

• La modélisation de l’incertitude a pour objet de quantifier

l’incertitude de manière mathématique.
• La théorie des probabilités est couramment utilisée.
• Une quantité incertaine est décrite par une variable aléatoire et
caractérisée par une distribution de probabilité.
• Comme la distribution est généralement obtenue à partir de données
statistiques, la statistique est utilisée pour la formuler.
• Les structures mathématiques des variables incertaines au niveau de
la modélisation de l'incertitude fournissent ensuite des données pour
l'analyse de l'incertitude à l’étape suivante.

25

Analyse d'incertitude

• L'analyse d'incertitude a pour tâche de quantifier l'incertitude de la

performance de la conception (sortie du modèle) compte tenu de
l'incertitude des paramètres d’entrée du modèle.
• L'analyse d'incertitude aide les ingénieurs à comprendre l'impact de
l'incertitude sur les performances de conception et fournit donc des
outils pour évaluer les caractéristiques de conception importantes,
telles que la fiabilité et la robustesse.
• Les connaissances tirées de l'analyse de l'incertitude seront ensuite
utilisées dans l’étape suivante de conception pour gérer et atténuer
les effets de l'incertitude.

26
Conception avec incertitudes

• La conception avec incertitude consiste à atténuer les effets de

l'incertitude.
• En fonction des besoins de conception, l'accent peut être mis soit sur
la fiabilité (sécurité), soit la robustesse ou la qualité.
• Pour rendre la conception rentable, la pratique courante consiste à
déterminer les variables de conception optimales au stade de la
conception sans éliminer les causes d'incertitude.
• La raison en est que, dans de nombreux cas, éliminer les causes
d'incertitude coûte très cher. Cela nécessite une fabrication de haute
précision et un contrôle de qualité strict.

27

• La conception sous incertitude est un processus itératif. Au cours de

ce processus, la conception est continuellement mise à jour jusqu'à
ce qu'une conception satisfaisante soit obtenue.
• Une analyse d'incertitude est effectuée pour chaque mise à jour de la
conception. Par conséquent, le processus de conception appelle à
plusieurs reprises l'analyse d'incertitude.

28
 Chapitre 2
Notions de base en probabilité

29

Définitions
Expérience aléatoire
• Une expérience aléatoire est un processus dans lequel intervient le
hasard et qui est susceptible de produire différents résultats ; elle se
caractérise de quatre façons :
• nous ne pouvons prédire avec certitude le résultat,
• nous pouvons décrire à priori l'ensemble de tous les résultats possibles,
• elle peut être répétée,
• elle a un but précis.
• Exemples d'expériences aléatoires
• 1. Lancer deux dés et observer le total
• 2. Tirer le numéro gagnant d'une loterie
• 3. Jeter une pièce de monnaie deux fois et noter le côté qui apparaît.

30
Espace échantillonnal

• L'espace échantillonnal d'une expérience aléatoire est l'ensemble de

tous les résultats possibles de cette expérience, noté Ω
• Exemples
• Les espaces échantillonnaux associés aux expériences aléatoires
présentées dans l'exemple précédent sont respectivement :
1. Ω ={ 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
2. Ω ={ 1000, 1001, … , 9999}
3. Ω ={ ff, fp, pf, pp}

31

Un événement

• Un événement relié à une expérience aléatoire est un sous-ensemble de

l'espace échantillonnal Ω. On note habituellement les événements par A, B, C,
. ..
• Exemple
• Soit l'expérience consistant à jeter une pièce de monnaie deux fois et de noter
le côté qui apparaît. Ainsi, l'espace échantillonnal est : Ω ={ ff, fp, pf, pp}
• Voici quelques exemples d'événements :

• A = " obtenir face au premier lancer " = {ff,fp};

• B = " obtenir face au deuxième lancer " = {ff,pf};
• D = " obtenir le même côté lors des deux lancers " = {ff,pp};
• C= " obtenir des côtés différents lors des deux lancers " ={fp,pf};

32
• À l'aide des opérations sur les ensembles, nous pouvons, à partir
d'un ou de plusieurs événements, en former de nouveaux.
• Exemple

5 est l'événement qui se réalise si l'événement A ne se réalise pas. On dit

• 4
• Si A et B sont deux événements, alors :

que 45 est l'événement complémentaire de l'événement A.

• A⋂B = ∅, on dit que A et B sont des événements mutuellement exclusifs)

• A⋂B est l'événement pour lequel les deux événements se réalisent (Si

• A⋃B est l'événement pour lequel au moins un des événements A ou B se

• A ∖ B est l'événement pour lequel A est réalisé mais non B.

• réalise.

33

Calcul des probabilités

Ensemble fondamental
• Un espace échantillonnal est dit fondamental si chacun de ses
résultats possède autant de chances que les autres de se réaliser.
• Exemple
• - Si on lance un dé régulier on a autant de chance d'observer un 6
que toute autre face.
• - Si on tire une pièce de monnaie, le résultat pile a autant de chances
de se produire que le résultat face.

34
Calcul de probabilité

qu'un événement Α ⊆ Ω se réalise, notée P(A), est obtenue de la

• Si un espace échantillonnal est fondamental, alors la probabilité

formule suivante :
•; 4 = =
#4 >?@ABC DE éGé@CHIJ DKHJ 4
#= >?@ABC DE éGé@CHIJ DKHJ =
• Exemple
• D'un jeu de 52 cartes conventionnel, nous tirons une carte au hasard.
• Ω ={ 2♠ à A♠ , 2♥ à A♥ , 2♦ à A♦ , 2♣ à A♣ }
• Soit l'événement B ={ "obtenir un ♠". Alors,
•; L = = = = V. UT
#L >?@ABC DC MKBIC DC NOPQC RS
#= >?@ABC I?IKG DC MKBICJ TU

35

Espace échantillonnal non fonadamental

• Un espace échantillonnal pour lequel au moins un élément a plus ou

moins de chances de se produire que les autres est dit non
fondamental.
Exemple
Soit l'événement "lancer deux dés réguliers et en faire la somme des résultats".
L'espace échantillonnal est décrit par l'ensemble
Ω ={ 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}

que l'événement A ⊆ Ω se réalise, notée P(A), est obtenue de la

• Lorsqu'un espace échantillonnal est non fondamental, la probabilité

formule suivante :
•; 4 = =
#4W >?@ABC DC MXKHMCJ KIIBOAQéC à 4
#=W >?@ABC I?IKG HDC MXKHMCJ

36
Exemple

• Une urne contenant 10 boules dont 3 sont vertes (v), 2 sont rouges
(r) et 5 sont bleues (b). De cette urne, nous tirons une boule au
hasard. L'espace échantillonnal de cette expérience aléatoire est : Ω
={ v,r,b}.
• Les éléments n'ont certes pas la même probabilité de se réaliser.
• Soit l'événement V ="piger une boule verte". La probabilité que cet
événement se produise est :
•; Z = =
>?@ABC A?QGCJ [CBICJ S
>?@ABC I?IKG DC A?QGCJ RV

37

Propriétés des probabilités

• Soient A et B, des événements quelconques de l’espace Ω. Alors, les

• 1. 0 ≤ (]) ≤ 1
propriétés suivantes doivent être satisfaites :

• 2. Ω = 1
• 3. ] = 1 − ]̅
• 4. ] ∪ a = ] + a − ] ∩ a
• 5. ]\a = ] − ] ∩ a
• Nous pouvons déduire en combinant les propriétés 2 et 3 que la
probabilité d'obtenir l'ensemble vide est nulle.

38
Probabilités conditionnelles

• Il est question de probabilités conditionnelles dès que nous sommes

intéressés à la probabilité qu'un événement A se produise, sachant
qu'un autre événement B est réalisé.
• Nous noterons par P(A|B) cette probabilité. En quelque sorte, ce type
de probabilité nous oblige à considérer B (plutôt que Ω) comme étant
l'espace échantillonnal duquel nous étudions les chances de
réalisation de A.
• Pour tout A et B, éléments de Ω :
]a =
d e∩f
d(f)
•

39

Evénements indépendants

événements indépendants si et seulement si : ;(4|L) = ;(4)

• Soient deux événements A et B. Nous disons de A et B qu'ils sont des

• si la réalisation de l'événement B ne modifie pas la probabilité que

• On montre que : ; 4 ∩ L = ; 4 ;(L)

l'événement A se produise, alors A et B sont indépendants.

• Exemple
• Soit l'expérience consistant à jeter une pièce de monnaie deux fois et
de noter le côté qui apparaît. Ainsi, l'espace échantillonnal est : Ω ={
ff,fp, pf,pp}
• Quelle est la probabilité que le deuxième tirage produise le résultat
pile sachant que le résultat du premier tirage était face ?

40
• Notons par F1 l'événement "premier tirage donne face" et par P2,
l'événement "le deuxième tirage donne pile".
h = = =
d d+ ∩ij /l
d ij /l
• On nous demande d'évaluer :
=
h = = 0.5
• Or, la probabilité d'obtenir pile lors du deuxième tirage est :
l
Finalement

41

Notion de variable aléatoire

Introduction
• Dans de nombreuses expériences aléatoires, on n’est pas intéressé
directement par le résultat de l’expérience, mais par une certaine fonction
de ce résultat.
• Considérons par exemple l’expérience qui consiste à observer, pour chacune
des n pièces produites par une machine, si la pièce est défectueuse ou non.
• Nous attribuerons la valeur 1 à une pièce défectueuse et la valeur 0 à une
pièce en bon état.
• L'espace échantillonnal est : Ω ={ 0, 1}.
• Ce qui intéresse le fabricant est la proportion de pièces défectueuses

• Introduisons donc une fonction de dans ℝ qui à tout ω = (ω1; ω2; …….; ωn)
produites par la machine.

de Ω associe le nombre : n(o) = ∑stu r

q
s

fonction n définie sur Ω et à valeurs dans ℝ s’appelle une variable aléatoire

• la proportion de pièces défectueuses associée à l’observation de ω. Une telle
réelle.

42
Variable aléatoire réelle

(v.a.r.) est une application de Ω dans ℝ :

Etant donné un espace échantillonnal, une variable aléatoire réelle

• v∶ xyz ⟶v x yℝ

Soit un espace échantillonnal muni d’une probabilité ℙ, et soit n une

Loi de probabilité

On appelle loi de probabilité de X, notée ℙn, l’application qui à toute

v.a.r.

partie A de ℝ associe :
ℙv(A) =P( x ∈ z : X(x) ∈ A )
Pour simplifier la notation : P( x ∈ z : X(x) ∈ A )=P( X ∈ A )
L’application ℙn définit une probabilité sur ℝ.

43

Fonction de répartition

• ‚v =; v< , yℝ
• La fonction de répartition de la v.a.r. X est définie par :

1. V ≤ ‚v ≤ R
• Propriétés de la fonction de répartition :

2. ‚v tend vers 0 en −∞ et vers 1 en +∞.

3. ‚v est croissante.
4. ; K < v ≤ A = ‚v A − ‚v (K)

44
Variables aléatoires réelles discrètes

• Une v.a.r. X à valeurs dans un ensemble X fini ou dénombrable

• Dans ce cas, la loi de X est déterminée par l’ensemble des

• est appelée v.a.r. discrète.

• ℙn(x) =P( X=x ), x ∈ X

probabilités :

• Pour toute partie A de X, on a : ‡

ℙn(A) =P( X ∈ A) = † (n = ()
∈e
• Et : ℙn(X) = ∑ ∈X (n = () = 1
‡

45

Exemple

Supposons que l’on observe la durée de vie T d’une ampoule électrique et que
cette durée de vie T, exprimée en heures, satisfait pour tout 0 < a < b,
ˆ≤‰≤ = exp − − exp −
•
ŒŒ ŒŒ
•
On note X le nombre de périodes complètes de 100 heures que dure
l’ampoule. Les valeurs possibles de X étant entières, la v.a.r. X est donc discrète.

Comme X est positive, on a : hŽ ( = P X ≤ ( = 0, ∀( < 0

Calculons la fonction de répartition de X.

De plus, pour tout • ∈ ℕ,

n = • = 100• ≤ ‰ ≤ 100 • + 1 = exp −• − exp(− • + 1 )
Ainsi, on a donc pour tout x ≥ 0 :
[ ]

P X ≤ ( = † (n = •) = 1 − exp(− [(] + 1 )
suŒ

46
Exemples de variables discrètes

• Soit X une v.a.r. discrète prenant ses valeurs dans un ensemble {x1;
x2; …. ; xn}, éventuellement infini.
• La loi de X est caractérisée par l’ensemble des probabilités (n =
(—), c’est-à-dire les nombres réels positifs pi tels que :
• n = (— = ˜— avec 0 ≤ ˜— ≤ 1 et ∑‡‡ ˜— = 1

47

Exemples de lois de probabilité discrète

Loi de Bernoulli

• paramètre p∈]0; 1[, notée B(p), si

• On dit qu’une v.a.r. X à valeurs dans {0; 1} suit une loi de Bernoulli de

• (n = 1) = 1 − (n = 0) = ˜:
• Par exemple, cette loi intervient lorsque l’on modélise l’état de
fonctionnement d’un système.

le système ne fonctionne pas vaut 1-p. Cette loi s’applique aussi aux
• La probabilité que le système fonctionne vaut p et la probabilité que

jeux de hasard de type binaire comme pile ou face

48
Loi binomiale

• On dit qu’une v.a.r. X à valeurs dans {0; 1; : : : ; n} suit une loi

n = š = ›sœ ˜œ 1 − ,0 ≤ š ≤ •
binomiale de paramètres (n; p), notée B(n; p), si
s•œ
•
• Avec : ›sœ =
s!
œ! s•œ !
• Cette loi intervient par exemple pour modéliser le nombre de pièces
défectueuses dans un lot de n pièces, qui ont chacune une
probabilité p d’être défectueuse, indépendamment les unes des
autres.

49

Loi géométrique

• On dit qu’une v.a.r. X à valeurs dans ℕ suit une loi géométrique de

paramètre ˜ ∈ ]0; 1[, notée G(˜), si
• n = š = ˜ 1 − ˜ œ•
• Cette loi permet de modéliser le nombre de réalisations
indépendantes d’une expérience à 2 issues (succès-échec), jusqu’à

de succès est ˜.
l’obtention du premier succès, si à chaque réalisation la probabilité

50
Loi de Poisson “loi des événements rares”

• On dit qu’une v.a.r. X à valeurs dans ℕ suit une loi de Poisson de

paramètre Ÿ > 0, notée P(λ), si
n=š =
¡¢ •¡
œ!
•

lorsque • → +∞ et np → Ÿ.
• Cette loi intervient comme comportement limite de la loi binomiale

• Soit N la variable aléatoire comptant le nombre d’occurrences d’un événement

pendant une période donnée T.
• On suppose qu’un seul événement arrive à la fois, que le nombre d’événement
se produisant pendant T ne dépend que de la durée de cette période et que les
événements sont indépendants.
• Si le nombre moyen d’événements (i.e. accidents) par unité de temps (i.e.

une loi de Poisson de paramètre Ÿ = ¤‰

semaine) est c, alors on démontre que la probabilité d’obtenir n événement suit

51

Représentation de trois lois de probabilité discrète

0.5
Loi géomètrique
0.45 Loi de Poisson
Loi Binômiale
0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 1 2 3 4 5 6 7 8 9 10
52
Variables aléatoires réelles continues
Soit n une v.a.r. qui prend un nombre infini non dénombrable de
valeurs. Si la fonction de répartition (hŽ ( = n < ( , (¥ ℝ) est
continue, on dit que n est une v.a.r. continue.
Dans ce cas, la loi de n est déterminée par l’ensemble des
probabilités (ˆ < n < ), pour tout ˆ < .
Notons que l’on peut mettre < ou ≤ dans ce qui précède car la
variable étant continue, on a (n = () = 0 pour tout ( ∈ ℝ.
Si l’on peut écrire la fonction de répartition d’une variable continue
sous la forme : hŽ = ¦•ª §Ž ( ¨(
©

où §Ž est une fonction de ℝ dans ℝ, alors on dit que §Ž est la

densité de probabilité de la v.a.r. n.
53

Fonction densité de probabilité

Pour tout a < b :

ˆ<n< = hŽ − hŽ ˆ = ¦ §Ž ( ¨(
•
•
Une densité de probabilité est une fonction positive ou nulle,

En tout point (Œ ∈ ℝ où hŽ est dérivable :

d’intégrale 1, et qui caractérise la loi d’une v.a.r. continue.

§Ž (Œ = h′Ž (Œ

54
Exemples de lois de probabilité continue
Loi uniforme

• La loi uniforme sur un intervalle est la loi des "tirages au hasard" dans
cet intervalle. Si a < b sont deux réels, la loi uniforme sur l’intervalle
[a; b] est notée U(a; b). Elle a pour densité :
• §Ž ( = ¬ ,• (()
••

55

Loi exponentielle

On dit que X suit une loi exponentielle de paramètre λ > 0, notée E(λ),
si la loi de X a pour densité :

• §Ž ( = -Ÿ ®— ( ≥ 0
•¡

0 ®— ( < 0
La loi exponentielle est utilisée en fiabilité. Le paramètre Ÿ représente
le taux moyen de défaillance alors que son inverse 1/ Ÿ “le temps
moyen de bon fonctionnement". La loi exponentielle s’applique bien
aux matériels électroniques ou aux matériels subissant des défaillances
brutales.

56
Loi Gamma

La loi exponentielle est un cas particulier de la famille des lois Gamma.

Soient a > 0 et λ > 0. On dit que X suit une loi Gamma de paramètres
(ˆ; λ), notée γ(ˆ; λ), si la loi de X a pour densité :

§Ž ( = ¯Γ(ˆ) ( • •
®— ( ≥ 0
0 ®— ( < 0
Où : Γ ˆ = ¦Œ ( ¨( est la fonction Gamma.
±ª • •

Le paramètre a est un paramètre de forme alors que le paramètre est

un paramètre d’échelle.
Pour un entier n la loi γ(n/2; 1/2) est appelée loi du chi-deux χ2 à n
degrés de liberté.
La loi γ(1; ) est la loi exponentielle E(λ)

57

0.9
G(2,1)
0.8 G(2,0.5)
G(3,1)
0.7
G(4,0.25)
0.6

0.5

0.4

0.3

0.2

0.1

0
0 1 2 3 4 5 6 7 8 9 10

58
Loi normale de paramètres (µ, σ2)

Soient ² ∈ ℝ et > 0. On dit que X suit une loi normale de

paramètres (µ, σ2), notée N(µ, σ2), si la loi de X a pour densité :
• §Ž ( = (˜ − , (∈ℝ
•µ
‡
³ ´ ³
La loi normale s’applique à de nombreux phénomènes, en physique, en
économie (erreurs de mesure), biologie ; c’est une conséquence du
théorème central limite.
Elle est la forme limite de nombreuses lois discrètes.

59

Caractéristiques des variables aléatoires

Espérance

Soit X une v.a.r. et h une application de ℝ dans ℝ. Donc h(X) est elle aussi une

Si X est discrète à valeurs dans un ensemble X, l’espérance de h(X) est la

v.a.r.

quantité : ‡

· ℎ n = †ℎ ( (n = ()
∈¸
Si X est continue et admettant une densité fX, l’espérance de h(X) est la

· ℎ n = ¦•ª ℎ ( §Ž ( ¨(
±ª
quantité :

L’espérance d’une v.a.r. X est un indicateur de “localisation" de sa loi : E(X)

(à condition que cette intégrale soit convergente)

=‘valeur moyenne de X’
La connaissance de l’espérance mathématique donne peu de renseignements

de la v.a.r. X autour de sa moyenne E(X).

sur cette v.a.r. Ainsi, il faut étudier “l’étalement" de sa loi, c-à-d la dispersion

60
Variance et écart-type

Pour rendre positifs les écarts entre X et son espérance E(X), un autre
outil plus facile à manipuler que la valeur absolue, est à notre
disposition: la mise au carré.
On ne va donc pas calculer la moyenne des écarts mais la moyenne des

ˆº(n) = ·( n − ·(n) )
écarts au carré. C’est ce qu’on appelle la variance:

La racine carrée de ˆº(n), notée n, est appelée écart-type de n :

Ž = ˆº(n)
‡

61

• Si X est une v.a.r. telle que E(X) = µ et Var(X) = σ2, alors la variable
• ¾ = (n − ¿)/ est d’espérance nulle et de variance 1.
• On dit que Y est centrée (d’espérance nulle) et réduite (de variance
1).
• – Le moment d’ordre k est défini par : Àœ = ¦•ª ( − ¿ œ § ( ¨(
±ª

•–Á = Â
³ Â est le coefficient d’asymétrie (Skewness).
•–Á = Ã
³ Ã est le coefficient d’aplatissement (Kurtosis).

62
Indépendance de variables aléatoires

n ∈ ], ¾ ∈ a = n ∈ ]) (¾ ∈ a , ∀ ], a ⊂ ℝ
Deux v.a.r. X et Y sont dites indépendantes si et seulement si :

n ≤ ˆ, ¾ ≤ = n ≤ ˆ) (¾ ≤ , ∀ (ˆ, ) ∈ ℝ²
On peut montrer que l’indépendance est équivalente à :

hŽ,Æ ˆ, = hŽ ˆ hÆ , ∀ (ˆ, ) ∈ ℝ²
Ou encore en termes de fonctions de répartition :

§Ž,Æ (, = §Ž ( §Æ , ∀ ((, ) ∈ ℝ²
Et en terme de fonction densité de probabilité :

63

Fonction de variables aléatoire

• Un modèle d'analyse

• La sortie du modèle (réponse) Y contient les performances d’un

système ou d’un produit, telles que le poids, les déformations, le
coût, etc.
• Les variables d’entrée du modèle incluent à la fois les variables de
conception (types de matériaux et dimensions) et les paramètres de
conception (l'environnement
conditions d'utilisation).
• Si les variables d'entrée X sont aléatoires, la réponse la variable Y
sera également aléatoire.

64
• Il est crucial d’évaluer les caractéristiques probabilistes des variables
de sortie étant donné celles des variables d'entrée.
• Cela aide les ingénieurs à comprendre l'impact de l'incertitude
associé aux variables d'entrée sur les variables de réponse.
• Par exemple, si on s’intéresse à évaluer la contrainte maximale
applique sur un élément donné d’un système. Il est très utile de
connaitre la distribution de cette contrainte maximale en fonction de
distribution de l’effort appliqué. Cela permettra aux ingénieur une
pré-évaluation de la robustesse de l’élément.
• Mathématiquement, la tâche consiste à évaluer la distribution d’une
variable de réponse en fonction de la distributions de variables
d'entrée.
•  objet de cette partie du cours.

65

Fonction linéaire d’une variable aléatoire

• Supposons que la v.a.r Y soit une fonction linéaire de v.a.r X et que la relation

• ¾=ˆ+ n
fonctionnelle est donnée par :

• Puisque la relation entre X et Y est linéaire, Y a la même distribution que X,

mais de paramètres de distribution différent, tels que la moyenne et la
variance.
• La fonction distribution de probabilité de Y est donnée par :
• hÆ = ¾≤ = ˆ+ n≤ = n≤ = hŽ
Ç• Ç•
• •
• La fonction densité de probabilité peut être exprime en fonction de celle de
v.a.r X :
• §Æ = = §Ž
ÈiÉ Ç Ç•
ÈÇ • •
¿Æ = ˆ + ¿Ž
Æ =
• La moyenne de la v.a.r Y est :
• L’écart type de la v.a.r Y est : Ž

66
Exemple

• Soit une plaque rectongulaireavec un I.T. grand sur la longueur et et

I.T petit sur la largueur.
• On associe à la tolérance de la longueur une v.a.r X supposée suivre
une distribution normal N (10,0.5) cm.
• Comme la tolérance de la largeur est petite, elle peut être traitée
comme une quantité déterministe. La largeur est égale à 4 cm.
• Le périmètre de la plaque est Y = 2X + 8.
• Déterminer la distribution de Y.

67

Fonction non linéaire d’une variable

aléatoire
• Si Y est v.a.r fonction de la v.a.r X, la distribution de probabilité est
donnée par :
• hÆ = ¾≤ = n ≤ = ¦, §
Ž ÊÇ Ž
( ¨(
• La densité de probabilité est :
• §Æ = = ¦, § ( ¨(
ÈiÉ Ç È
ÈÇ ÈÇ Ž ÊÇ Ž

Y correspond à une valeur unique de X . On montre que ¾ ≤ est

• Si g est une monotone (croissante ou décroissante), chaque valeur de

équivalent à X ≤ (.
• hÆ = ¾≤ = n ≤ ( = n ≤ • ( ) = hŽ • ( )

68
• La densité de probabilité est :
• §Æ = = = §Ž (
ÈiÉ Ç ÈiË È È
ÈÇ È ÈÇ ÈÇ

• §Æ = §Ž ( )
• È ,Ìj (Ç)
ÈÇ
• Comme la fonction densité de probabilité est toujours positif :
• §Æ = §Ž ( )
• È ,Ìj (Ç)
ÈÇ

69

Exemple

• Si on associe au diamètre d’un arbre de transmission une v.a.r X, avec :

• X : N(¿Ž , Ž ). Déterminer la fonction densité de probabilité de la section de
l’arbre.
• On a : ¾ = (n) =
´Ž +
l
alors est une fonction continue croissante.

• hÆ = ¾≤ = n≤2 = hŽ 2
‡ Ǽ ‡ Ḉ

• Par dérivation, on obtient (fdp) : §Æ = §Ž 2

‡ Ḉ
‡ ´Ç

• Comme : §Ž ( = (˜ −
•µË
‡
´ ³Ë ³Ë
‡ Í
•µË
• Finalement : §Æ = (˜ −
Î
‡
Ç ³Ë ´ ³Ë

70
• Si la distribution de X est : N(50, 1)mm, la densité de probabilité de la
v.a.r est donc :

• §Æ = (˜ − 2 − 50
‡ Ḉ
‡
Ç´

• Le même résultat peut être déterminer sachant que :

=2 =
• ‡ Ḉ È(,Ìj Ç )
ÈÇ ‡ ´Ç
• et que

• §Æ = §Ž 2
‡ Ḉ
‡ Ç´

71

Fonctions de plusieurs variables aléatoires

n , n , nÏ , … . ns de sorte que:
• Soit Y une v.a.r qui dépond de n variables aléatoires

• ¾ = (n , n , nÏ , … . ns )
• Si la densité de probabilité jointe des v.a.r n , n , nÏ , … . ns est

• §Ž ,s (n , n , nÏ , … . ns ), la distribution de probabilité de Y est :

notée :

• hÆ = ¾≤
• hÆ = ¦,(Ž … . ¦‡ §Ž ,s (( , ( , … . (s ) ¨( ¨( … ¨(s
‡
j ,Ž+ ,….ŽÐ )ÊÆ
• Il est très rare qu’on puisse calculer analytiquement cette intégrale
pour un problème d’ingénierie réel.
Des méthodes approchées permettent de bonne approximations.

72
 des variables : n , n , nÏ , … . ns : ¾ = ˆ0 + ∑‡t ˆ— n—
• Dans le cas particulier ou la fonction g est une combinaison linéaire

• Le calcul analytique de l’intégrale précédente est possible.

• Exemple : si les Xi v.a.r sont donné par des distribution normales de
paramètres (¿t , t )
• La variable Y est donné par une distribution normale également de
paramètres : ‡

¿Æ = ˆ0 + † ˆ—¿—
‡ t

Æ = † ˆt t
t

73

• ¾ = ‰ = ‰1 + ‰2 − ‰3
• Exemple : arbre sollicité en torsion

74
Exercice

• Calculez la densité de X + Y lorsque

• 1. X suit la loi uniforme sur [0, 1] et Y = 2X.

• §n, ¾ (, = Ÿ exp −Ÿ ( + Ñ( .
• 2. la densité jointe de X et Y est donnée par :

, > 0
• 3. X et Y sont indépendants et suivent la loi uniforme sur [0, 1].

75

Chapitre 3
Introduction à l’analyse d’incertitude

76
 Introduction

¾ = (n)

Entrées X (inputs)
Valeurs nominales ou cas
 Sorties Y (outputs)
Estimation :
Model : g(X) - Performance (indicateur)
extrême :
Fonction de - Durée de vie
- Cotes
performance - Facteur de sécurité
- Matériaux
- Sollicitation mécanique - ……
- ….
Exemples

Entrées Model d’analyse Sorties

Epaisseur tôle FEA (méthodes numériques) Déformation max

Module d’Young Model par régression Durés de vie

Forces extérieurs… Thermique, MDF; RDM… Puissance max…

77

• L'analyse d'incertitude consiste à quantifier l'incertitude associée au modèle

sortie.
• L'analyse d'incertitude aide les ingénieurs à comprendre comment l'incertitude le
modèle l'entrée influe sur l'incertitude de la sortie du modèle (performance du
produit).
• Les ingénieurs seront en mesure de gérer et d’atténuer les effets de l’incertitude
en choisissant les variables de conception appropriées au cours du processus de
conception.
• En analysant les incertitudes sur une conception existante, les ingénieurs peuvent
évaluer si la conception satisfait à toutes les exigences en présence d'incertitude.
• Par exemple, les ingénieurs vont être capable de savoir si la conception est
robuste.
• Si la conception n'est pas satisfaisante, l’analyse d’incertitude fournira aux
ingénieurs des indications utiles pour améliorer la conception.
• Par conséquent, l’analyse des incertitudes est un élément important et impératif
pour la conception.

78
Comment ?

La tâche principale de l’analyse d’incertitude est de trouver les

caractéristiques probabilistes de variables de réponse (sorties du
modèle).
Les caractéristiques probabilistes sont :

o Fonction de distribution de probabilité

o Fonction densité de probabilité
o Moments tels que moyenne, écart type, asymétrie …
o Valeurs en pourcentage et médiane

79

• Mathématiquement, l’analyse d’incertitude peut être formulée de la manière

suivante :
• Données :
1. distributions de probabilité (densités) des variables d’entrée et les distribution
jointes
2. la fonction de performance Y=g(X)
• À trouver les propriétés de Y :
1. FY(y)
2. fY(y)
3. µy, σY….
• Les propriétés à trouver dépondent de la nature et les spécificités du problème.
• Pour une conception robuste par exemple, il suffit de trouver la moyenne et
l’écart type de Y
• Pour grand nombre de problèmes, on ne dispose que des moments des variables
d’entrée donc on ne peux identifier que les moments de variables de sortie.

80
 Fiabilité

• La fiabilité est la probabilité qu’un produit remplisse sa fonction

prévue sur son période d’utilisation spécifiée et dans des conditions
de fonctionnement spécifiées, de manière à satisfaire ou dépasse les
attentes des clients.
• Les méthodes de fiabilité peuvent être grossièrement classées en
deux types principaux :
• Fiabilité mathématique
• Fiabilité physique

81

Fiabilité mathématique

( ) = (‰ > )
Mathématiquement, la fiabilité est définie par la fonction :

la probabilité de succès d'un composant ou d'un système dans l'intervalle de

temps (0, t). En d’autres termes, la fiabilité à l’instant t est la probabilité que la vie
T soit plus grande que t.
La fiabilité d’un systèmes ou d’un de ses composants est évaluée sur la base de
tests. On teste jusqu'à ce que le composant échoue.
Les temps de défaillance et les modes de défaillances sont alors enregistrés.
Les informations relatives à la durée de vie sont également.
L’analyse statistique est utilisée pour évaluer la fiabilité du système ou des
composants, évaluer le risque, et améliorer la fiabilité.
Les application des approches «empiriques» et «expérimentales» de la fiabilité
« mathématique » existent dans les domaines de l'ingénierie pour de nombreuses
années (cours de maintenance industrielle).

82
 Fiabilité physique
Avec le fait que la conception a considérablement évolué, les
sciences de l’ingénieurs modernes ont permis le développement de
modèles de simulation très puissant.
Il est donc possible d’évaluer la fiabilité basée sur la physique à
l’aide des approches de modélisation simulation mathématique des
différents phénomènes physique.
En ce sens, la fiabilité peut être évaluée de manière informatisée à
l'aide d'équations physiques (modèles) ou de simulations
informatiques spécifiant l'état de défaillance.
Ce cours s’intéresse à l’estimation de la fiabilité physique

83

Par exemple pour un véhicule automobile dans un monde «virtuel»,

des modèles de simulation tels que des analyses linéaires et non
linéaires par éléments finis sont créés pour prédire les
comportements (y compris les événements de défaillance et les
collisions), et la fiabilité peut être améliorée.

84
• Le modèle ¾ = (n) spécifie la relation entre la performance
(réponse) Y et les variables aléatoires d'entrée X.
• Lorsque la performance atteint un certain seuil, l'état du composant
ou du système passe de la sécurité à la défaillance.

• Si nous utilisons un seuil de zéro comme état limite, alors (n) = 0

• La valeur de seuil est appelée état limite.

divise l'espace de la variable aléatoire en régions sûres et défaillantes

• Si (n) > 0, le produit est considéré comme sûr, et si (n) < 0, le

(non sécurisées).

produit ne peut plus remplir la fonction pour laquelle il a été conçu.

• La fonction de performance est également appelée fonction d’état
limite dans le domaine de l’analyse de fiabilité.

85

• Soit la fonction de performance (n1, n2) = n1 − n2 avec n1 la

• Exemple :

résistance du matériaux d’un composant et n2 la contrainte maximale

• n1, n2 > 0 définie le domaine de sécurité et n1, n2 < 0

appliquée sur le même composant.

définie le domaine de défaillance.

• = n1, n2 > 0
• La fiabilité (physique) est :

• Ò =1− = n1, n2 < 0

• La probabilité de défaillance :

86
• Dans les applications d'ingénierie, la fiabilité est généralement élevée
et la probabilité de défaillance est généralement faible, les deux sont
liés à l'extrémité gauche de la fonction de performance.
• Exemple : on donne la fiabilité d’un roulement à 90%

87

• Les variables aléatoires d'entrée peuvent varier avec le temps. (Dans

ce cas, ils sont appelées processus stochastiques.)
• Par exemple, la résistance du matériau peut se détériorer avec le
temps et le chargement d'une structure peut être fonction du temps.
• Par conséquent, la fiabilité basée sur la physique peut également
dépendre du temps.
• Il est possible donc de relier la fiabilité basée sur les mathématiques
à la fiabilité basée sur la physique. Lorsque la fiabilité dépend du

• = n( ) > 0
temps, on peut écrire :

88
Le concept de fiabilité basé sur la 12

physique peut généralement être 10

considéré comme la probabilité de
8
succès (la probabilité de satisfaction du
client, etc.) 6

4
Il existe de nombreuses façons
d’améliorer la fiabilité ou de réduire la 2
probabilité de défaillance, notamment: 0
◦ Réduire la dispersion, -0,4 -0,2 0 0,2 0,4 0,6
-2
◦ Déplacer la distribution, ou
Conception initiale
◦ les deux. Réduction de la dispertion
Déplacement de la moyenne
Les deux solutions

89

La robustesse

• La robustesse d'un système ou d'un composant est la mesure dans

laquelle ses propriétés (performances) ne sont pas affectées par les
incertitudes des variables d'entrée ou des incertitudes des conditions
environnementales.
• Elle mesure l'insensibilité des propriétés du système ou des
composants aux variations de paramètres et aux incertitudes de
l'environnement.

type de la fonction de performance ¾ = (n).

• La robustesse est généralement mesurée avec la variance ou l'écart

• Pour deux conceptions avec la même valeur moyenne, comme

indiqué dans la figure, un modèle peut plus robuste que un autre
modèle.

90
 La fiabilité et la robustesse sont des composants essentiels de haute qualité.
 La fiabilité et la robustesse sont conceptuellement différentes :
• La fiabilité concerne la distribution des performances aux extrémités de la
fonction de densité de probabilité, tandis que la robustesse concerne la
distribution des performances autour de la moyenne de la fonction de
performance.
• La fiabilité est davantage liée à la sécurité pour éviter les événements
catastrophiques extrêmes, tandis que la robustesse tient compte des
fluctuations quotidiennes et est davantage liée à l’élimination de la perte de
qualité.
6

5 Robustesse
4

1
Fiabilité Fiabilité
0
-0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4 0,5

91

En raison de la différence entre fiabilité et robustesse, il existe deux

méthodologies de conception différentes à savoir :
 la conception basée sur la fiabilité : rend une conception fiable ou garantit
une probabilité de défaillance inférieure au niveau requis.
 la conception robuste : rend une conception non sensible à l'incertitude
ou réduit les variations de performances de conception.
Deux aspects sont considérés : la probabilité des événements et leurs
conséquences.
 Une conception basée sur la fiabilité est appliquée pour garantir que des
événements extrêmes ne risquent pas. Un exemple de conception basée
sur la fiabilité est de garantir que la probabilité de la chute d'un pont soit
invariablement petite.
 La conception robuste tient compte des fluctuations quotidiennes, de
sorte que la conception est insensible à de telles fluctuations.
 Les fluctuations quotidiennes ne peuvent pas avoir de conséquences
catastrophiques, mais peuvent entraîner des pertes de qualité ou de
performances, telles que des garanties coûteuses et une faible satisfaction
des clients.

92
 Impact

Catastrophe

Conception basée sur

la fiabilité
performance
Perte de

Conception basée
sur la robustesse

Fréquence
Fluctuations Evènements
journalières extrêmes

93

Analyse des incertitudes

de performance (v) sachant les distribution de v.

• But : trouver les caractéristiques de la distribution de probabilité de la fonction

= v < 0 = hÆ (0)
• Comme montré avant, la probabilité de l’échec :
Ò
• hÆ est la distribution de probabilité de Y fonction des variables aléatoire
•

n1, n2, . . n• de sorte que :

• hÆ = ¦,(Ž … . ¦‡ §Ž ,s (( , ( , … . (s ) ¨( ¨( … ¨(s
‡
j ,Ž+ ,….ŽÐ )ÊÆ

• §Ž ,s (( , ( , … . (s ) est la densité de probabilité jointe des variables n , n , …,

ns .

• §Ž ,s ( , ( , … . (s = ∏‡t §Žt (—
• Si toutes les variables sont mutuellement indépendantes :

94
 Y

X1
X2

Une analyse d'incertitude est beaucoup plus onéreuse en termes temps

de calcul qu'une analyse déterministe.
Pour obtenir les caractéristiques probabilistes de la fonction de
performance, de nombreuses analyses déterministes doivent être
effectuées à proximité du point de conception considéré.

95

La fonction de performance g (X) est généralement une fonction non

linéaire. L’évaluation de l’intégration est généralement complexe
(bornes d’intégration est non linéaire).
En plus, le nombre de variables aléatoires dans les applications
pratiques est généralement élevé, l'intégration devient
multidimensionnelle.
Si on modifie les valeurs de y graduellement, nous pouvons construire
de manière discrète la distribution de probabilité de la fonction de
performance.
D’après cette distribution de probabilité, on sera capable de
déterminer facilement d’autres caractéristiques probabilistes de la
fonction de performance.

96
 Dans de nombreux cas, l’évaluation de la fonction de performance est
coûteuse en terme temps de calcul.
Par exemple, la fonction de performance est une boîte noire, comme
celles de l'analyse par éléments finis d’un problème de la dynamique
des fluides (remplissage de moule).
En raison de la complexité, il n’existe que rarement une solution sous
forme fermée de l’intégration des probabilités.
Il est également souvent difficile d’évaluer la probabilité avec des
méthodes numériques.
Par conséquent, des méthodes d'approximation numérique ont été
développées pour résoudre l'intégration de probabilité.

97

Trois catégories de méthodes existent pour l'analyse d'incertitude :

La première catégorie est issue de l'analyse de fiabilité structurelle. Dans ces
méthodes, la fonction de performance g (X) est approximée de sorte que
l'intégration de la probabilité analytique puisse être facilement obtenue.
La deuxième catégorie est l’approche basée sur l’échantillonnage, telle que la
simulation de Monte Carlo. La simulation informatique est effectuée pour
générer un nombre suffisant d’échantillons de la fonction performance, puis les
échantillons sont analysés statistiquement pour obtenir les caractéristiques
probabilistes.
La troisième catégorie est l'utilisation de modèles de substitution pour
remplacer la fonction de performance g (X) par Plan d'expériences. La principale
raison d'utiliser des modèles de substitution est que l'évaluation de la fonction
de performance d'origine est coûteuse en temps de calcul dans de nombreux
problèmes d'ingénierie. L'utilisation de modèles de substitution allégera le
l’effort informatique lié à l'analyse des incertitudes.

98
 Chapitre 4
Les plans d’expériences et la conception robuste

Introduction

• Un plan d’expériences (DoE) est une suite d’essais organisée de

manière à déterminer avec un minimum d’essais et avec un
maximum de précision l’influence de plusieurs paramètres (facteurs)
sur une ou plusieurs réponses.
• Objectifs:
• Optimisation de la conception d’un produit
• Réglage d’un moyen de production ou plus généralement d’un
processus
• Investigation pour mieux comprendre un phénomène
Intérêt et conditions d’utilisation

 Efficacité supérieure à toute autres suite d’essais de même taille non

planifiée
 Pas de « un facteur à la fois »
 Quantifie et hiérarchise l’influence des facteurs et de leur interaction
 Estimation à priori de la durée et des coûts des essais
 Conclusions fiables et reproductibles
 Interprétation aisée des résultats.
 Groupe de travail composé de plusieurs personnes
 Le problème à traiter doit être formalisable
 L’expérimentation est possible (les moyens et les délais impartis bien
définis)
 La (ou les) réponses doivent être quantifiables et mesurables avec
précision (pour le traitement qui en sera fait)

Exemple : Résistance à l’arrachement

• Facteurs
• • Type de colle
• • Epaisseur de la couche de colle
• • Nature des pièces : acier, aluminuim,..
• Sortie Pièce 1
• la résistance à l'arrachement
Colle

Pièce 2
 Démarche et méthode des PE

Quelles expériences doit comporter un PE ?

• – Cela dépend de :
• Informations que l’on souhaite obtenir (résultats)
• Exigences de « l’expérimentation »
Principales Etapes
• – Quels sont les facteurs susceptibles d’influer sur le phénomène
étudié? Recherche des facteurs et interactions influents
• – Quelle est la forme de l’influence? Modélisation
• – Quelle est la solution optimale? Optimisation

Construction du Réalisation des

Formalisation
plan essais

Dépouillement : outils statistiques

a) Recherche des Facteurs significatifs
b) Modélisation de l’influence des facteurs Conclusion
sur la réponse : linéaire, non linéaire
c) Optimisation : choix des niveaux des
facteurs
Formalisation : Définir le problème

• Déterminer l’objectif de l’étude ( Quoi? Qui ? Combien ? Où ? Quand ? Pourquoi ? )

• Recenser les contraintes (Délai, Ressources disponibles, personnel, budget, limites

de l’étude : domaine de T°, de Pression, ….)

• Définir la réponse (s) :

• Définir la grandeur à mesurer la moins sensible aux fluctuations aléatoires,
maîtrisable, quantifiable
• Définir le protocole de mesure : Instrument de mesure, Opérateur, Conditions
dans lesquels la mesure doit être réalisée
• Choix des facteurs : les causes possibles de variation de la réponse
• Définir les modalités des facteurs : valeurs que les facteurs sont susceptibles de
prendre (qualitatif, quantitatifs)
• Choix des interactions : difficile a priori

Différentes possibilité d’expérimentation

• Après avoir défini le domaine d’expérimentation (les niveaux des

facteurs), comment faire varier les niveaux des facteurs pour avoir un
minimum d’essais et une bonne caractérisation des effets des
facteurs sur le critère à optimiser (bruit, rendement, résistance,…) ?
• – Approche « traditionnelle » : un facteur à la fois
• – Approche « exhaustive » : plan complet
• – Approche « fractionnaire » : plan fractionnaire
Approche « traditionnelle »
• On ne fait varier qu’un seul facteur à la fois de manière à mettre en évidence
l’effet de chacun des facteurs toutes choses étant égale par ailleurs

• Mise en évidence de l’effet de chaque facteur pour une combinaison particulière

des autres facteurs
• Inconvénient : effets estimés non généralisables à des combinaisons non testées.

Approche « exhaustive »
• Plan factoriel complet : combinaison de toutes les modalités des
facteurs
• – Effets estimés sont valables dans le domaine d’expérimentation
 Définition d’un plan orthogonal

• Plans orthogonaux
• – Tables d’essais prédéfinies en fonction du nombre de facteurs et

• Ô (@Õ)
interactions à analyser

• f : nombre de facteurs
• m : nombre de modalité
• g : nombre d’expériences
• Exemple : Ôá(Uâ)

Dépouillement : Plan à 1 facteur

r/ nA A1 A2 … AnA
• Un facteur A à :
1 y11 y12 y1nA
• nA modalités,
• r répétitions, 2 y21 y22 y2nA

• y réponse …
r yr1 yr2 yrnA
La moyenne globale :
Estimation des effets et
représentation :
Effet moyen : ·et = ãt − ä
∑tu ·et = 0
se i :
Réponse moyenne du facteur A au niveau
Propriété :
Exemple :
Un plan à 5 essais a été réalisé sur une tige. Ces essais consistent à exercer une
pression sur une tige pour différentes compositions d’alliage.
4 types d’alliages sont testés: le carbone, le titanium, un alliage composite et un
alliage inconnu.
A chaque essai on mesure la valeur maximale de pression exercée sur la tige avant
la déformation permanente.
Le tableau suivant récapitule les réponses issues du plan d’expérience.

Modalité Eff Moy

5 répétitions Moyenne 1 -1,876
1 facteur totale : 2 -1,682
4modalité 14.984 3 1,4
4 2,158

2,5

1,5
Eff Moy

0,5

-0,5 1 2 3 4

-1,5

-2,5

Le facteur est il significatif ?

Analyse de variances
(Test de Fisher)
Le facteur est il significatif ?
Deux approches possibles
Analyse des effets
(Test de Student)
 L’analyse de variances (ANOVA)

• Objectif : déterminer les facteurs et/ou interactions ayant une

influence significative.
• Principe : Comparer la variabilité induite par le changement des
niveaux d’un facteur aux fluctuations aléatoires de la réponse
(variabilité expérimentale)
Procédure :
• • Somme des carrés des écarts des facteurs et interactions
• • Somme des carrés des écarts résiduels
• • Détermination des facteurs significatifs : test de Fisher

• Exemple : Cas d’un 1 facteur à nA modalités

• Equation d’analyse de variance :

DDG = H4 − R
• Calcul de la somme des carrés des écarts du facteur (SCEA) :
et

• Calcul de la somme des carrés de écarts totale (SCET) :

DDG = > − R
•
et
 • åæçè = åæçé − åæç4 et ¨¨ = •](º − 1) = ê − •]
• Déduction de la SCER résiduelle :

ì›·]
Calcul des variances :
›ë· ] = ˆº ] =
¨¨ (])

ì›·
Résidu :
›ë· = ˆº =
¨¨ ( )

Test de Fisher : le facteur est significatif si ‚ > ‚M

Avec :
ˆº ]
Rapport des variances des facteurs sur la variance résiduelle :
h=
ˆº
hí = h ¨¨ ] , ¨¨ au niveau de confiance 1 − 0

Exemple

ddl SCE Variance F F0,01

Alliages testé 4-1=3 SCEA = 64,827

>
21,609 37,7 5,29

Résidus (5-1)*4=16 SCER = 9,964 0,623

Total 19 SCET = 74,791

Le facteur matériau a un
effet significatif
Autres approches : test des effets

• Test de Student : Significativité de l’effet du facteur au niveau i.

• Si éO > IR•î/U > − H4 l’effet et significatif.

• •ï/ ê − •] le fractile de la loi de Student à N-nA ddl.

Autres analyse possibles

• L’écart est-il significatif ?

2,5

1,5
Eff Moy

0,5

-0,5
1 2 3 4
-1,5

• Mise en place d’un test statistique : test de Student sur : ãt − ãð

-2,5
 Deux facteurs sans répétitions

• Exemple :
• • Pour la conception d’ampoules électriques, on doit choisir entre 4
types de filaments et 4 types de gaz, l’objectif étant d’avoir des
ampoules dont la durée de vie est maximale.
• • Un plan d’expériences sans répétitions a été réalisé :

B1 B2 B3 B4
A1 44 22 36 34
A2 47 43 41 53
A3 0 9 10 17
A4 36 14 1 34

• L’analyse de la variance donne :

Source SCE ddl Var F Fc Effet
A 3063,19 3 1021,06 11,34 3,86 Effet significatif
B 510,19 3 170,06 1,89 3,86 Effet non significatif
Résidu 810,56 9 90,06
Totale 4383,94 15

Table de distribution de la loi F de Fisher-Snedecor

* DL1 = 1 DL1 = 2 DL1 = 3 DL1 = 4 DL1 = 5
DL2 P = 0,05 P = 0,01 P = 0,05 P = 0,01 P = 0,05 P = 0,01 P = 0,05 P = 0,01 P = 0,05 P = 0,01
1 161,4 4052,00 199,5 4999,00 213,7 3403,00 224,6 5625,00 230,2 5764,00
2 18,51 98,49 19,00 99,00 19,16 99,17 19,25 99,25 19,30 99,30
3 10,13 34,12 9,55 30,81 9,28 29,46 9,12 28,71 9,01 28,24
4 7,71 21,20 6,94 18,00 6,59 16,69 6,39 13,98 6,26 13,32
5 6,61 16,26 5,79 13,27 5,41 12,06 5,19 11,39 5,03 10,97
6 3,99 13,74 3,14 10,91 4,76 9,78 4,53 9,13 4,39 8,75
7 3,39 12,23 4,74 9,35 4,33 8,43 4,12 7,85 3,97 7,45
8 3,32 11,26 4,46 8,63 4,07 7,39 3,84 7,01 3,69 6,63
9 5,12 10,56 4,26 8,02 3,86 6,99 3,63 6,42 3,48 6,06
10 4,96 10,04 4,10 7,56 3,71 6,33 3,48 5,99 3,33 5,64
11 4,84 9,65 3,98 7,20 3,59 6,22 3,36 5,67 3,20 5,32
12 4,75 9,33 3,88 6,93 3,49 5,93 3,26 5,41 3,11 5,06
13 4,67 9,07 3,80 6,70 3,41 5,74 3,18 5,20 3,02 4,86
14 4,60 8,86 3,74 6,31 3,34 5,56 3,11 5,03 2,96 4,69
15 4,34 8,68 3,68 6,36 3,29 5,42 3,06 4,89 2,90 4,56
 Deux facteurs avec répétitions

• Pour minimiser le taux de solvant résiduel dans la mise en oeuvre

d’un vernis industriel, il a été réalisé le plan complet à deux facteurs
suivant :
• A: température du four: 4 modalités
• B: temps d’émaillage: 2 modalités
A

1 2 3 4

1,9 1,8 2,9 3,5

1
1,7 2,2 3,1 3,4
B
1,6 1,9 1 0,5
2
1,6 1,3 0,6 0,8

• Effets : Facteur A : ç4O = 5O − ñ Facteur B : çLò = 5ò −

ñ A

1 2 3 4 Moyenne Effets Moy

1,9 1,8 2,9 3,5
1
1,7 2,2 3,1 3,4 2,5625 0,7
B
1,6 1,9 1 0,5 1,1625 -0,7
2
1,6 1,3 0,6 0,8 Moyenne globale

ñ = 1,8625
Moyennes 1,7 1,8 1,9 2,05

Effets moyens -0,16 -0,06 0,04 0,19

• Interaction : ç4OLò = 5Oò − (ñ + ç4O + çLO )

Carré des effets 0,0264 0,0039 0,0014 0,0352

A
1 2 3 4
1 -0,6 -0,5 0,4 0,7
B
2 0,6 0,5 -0,4 -0,7
 Effet du facteur B
1

0,5

1 2
-0,5

-1
Conclusion :
Pour minimiser le taux de
Interaction AB
3,5
solvant résiduel il faut
3
prendre un temps
2,5 d'émaillage de B=2 (60 s )
2 et une température de
1,5 four de A=4 (110°C)
1

0,5
1 2 3 4

B1 B2

A1 A2 A3 A4
B1 1,8 2 3 3,4
B2 1,6 1,3 1 0,8

Analyse de la variance

Source SCE ddl CME F Fc

A 0,2675 3 0,089 1,659 4,07 Effet non significatif
B 7,84 1 7,84 145,9 5,32 Effet significatif
AB 5,04 3 1,68 31,26 4,07 Effet significatif
R 0,43 8 0,054
Totale 13,577 15
 Remarque sur les tests statistiques

Le test de Student permet de tester individuellement l’effet du facteur

pour chaque modalité (niveau du facteur)
Le test de Fisher permet de tester l’effet global de chaque de facteur ou
interaction.
Les deux tests sont équivalents dans le cas de facteurs à deux modalités.
Le test de Student a un intérêt pour les facteurs à plus de deux modalités
pour préciser l’analyse des effets.

Modélisation de la réponse

• • Objectifs de la modélisation : Estimation de la valeur de la réponse

pour toutes les combinaisons possibles appartenant au domaine
d’expérimentation
• • Types de modèles
• – Linéaire
• – Polynomial
• – Non linéaire
Modèle linéaire généralisé

• • 2 facteurs significatifs, sans interactions

• • 2 facteurs + interactions significatifs

Plan factoriel complet 2n

• • Ce sont des plans d’expériences où on teste n facteurs ayant
chacun deux modalités, sachant qu’on réalise un plan complet, c-
à-d, un plan où toutes les combinaisons d’essais des facteurs à
leur différentes modalités sont réalisées.
• • Ces deux modalités sont notées
• niv(+) pour un des deux niveaux
• niv(-) pour l’autre niveaux

Exemple : Plan factoriel 23

Particularités

• Le calcul de la SCE des facteurs et interactions est simplifié

• Chaque facteur à deux modalités, donc 1 ddl.
• Le ddl d’une interaction étant égal au produit des ddl des facteurs qui
la composent: toutes les interactions ont chacune 1 ddl
• On se sert du même F théorique pour tous
• Facteurs avec un nombre de modalités quelconque: anavar pour
tester la significativité des facteurs, puis test de student pour affiner
l’analyse sur les effets.
Les plans Factoriels Fractionnaires 2k-p

• La notation signifie que l’on utilise un plan d’expériences pour k

facteurs à deux niveaux, en faisant 2k-p essais (et non 2k essais ce qui
serait un plan complet)
• Les plans fractionnaires sont des plans optimaux qui se focalisent sur
les effets les plus intéressant

Plans Fractionnaires à 2 niveaux

• • Objectif : Réduction du nombre d’essais

– Focalisation sur les effets les plus intéressants
• • Hypothèse :
– Interactions d’ordre supérieur à 2 sont souvent négligeables : ABC ABCD
ABCDE négligeables : ABC, ABCD, ABCDE…
• • Ex: 5 facteurs A,B,C,D,E  32 essais
– Les informations utiles :
• A,B,C,D,E : 5
• Interaction d’ordre 1 : 10
• – Une table avec 16 essais (25-1) suffirait (on devise par deux le
nombre d’essais)
• Par exemple soit un problème à trois facteurs :
Essai A B AB C AC BC ABC
1 -1 -1 1 -1 1 1 -1
2 1 -1 -1 -1 -1 1 1
3 -1 1 -1 -1 1 -1 1
4 1 1 1 -1 -1 -1 -1
5 -1 -1 1 1 -1 -1 1
6 1 -1 -1 1 1 -1 -1
7 -1 1 -1 1 -1 1 -1
8 1 1 1 1 1 1 1
• Admettant que qu’on fait feulement les essais 2,3,5 et 8.

Essai A B AB C AC BC ABC
2 1 -1 -1 -1 -1 1 1
3 -1 1 -1 -1 1 -1 1
5 -1 -1 1 1 -1 -1 1
8 1 1 1 1 1 1 1

Relation nombre d’essai et nombre ddl

• • Règle
• – le nombre minimal d’essais à réalisé est égal au nombre de ddl du
modèle étudié (nombre de coefficients du modèle)
• • Exemple : 3 facteurs à 2 niveaux A,B,C et 2 interactions AB, AC
• ¨¨ ] + ¨¨ a + ¨¨ › + ¨¨ ]a + ¨¨ ]› + 1(¨¨ ¨ ˆ Àó •• ) = 6
 Démarche pour le choix d’une table
d’expérimentation
• • Faire le bilan sur
• – le nombre de facteurs (+ nombre de modalités)
• – Le nombre d’interactions
• – Le nombre de degrés de liberté (ddl) au total : donne le nombre
d’essais minimal nécessaire.
• • ddl(total)=somme des ddl des facteurs
• • ddl(Facteur)=Nombre de modalité du facteur moins 1
• • Choisir la table en adéquation avec le nombre d’essais minimum
• • Affecter les facteurs aux colonnes
• – Le choix de colonnes se fait selon des contraintes de coût sur la
fréquence d’un essai à l’autre de variation des niveaux des facteurs d
un l autre.

• Tables orthogonales et tables des interactions associée

• • Plan complet : 24=16
essais
• • Liste des facteurs et
interactions :
• A,B,C,D : 4 A B AB C AC BC ABC D AD BD CD ABD ACD BCD I
1 -1 -1 1 -1 1 1 -1 -1 1 1 1 -1 -1 -1 1
• AB,AC,AD,BC,BD,CD :
2 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 1
6 interactions ordre 1
3 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 1
• ABC,ABD,ACD,BCD : 4 1 1 1 -1 -1 -1 -1 -1 -1 -1 1 -1 1 1 1
4 interactions ordre 2 5 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 1
• ABCD : 1 6 1 -1 -1 1 1 -1 -1 -1 -1 1 -1 1 -1 1 1
interaction ordre 3 7 -1 1 -1 1 -1 1 -1 -1 1 -1 -1 1 1 -1 1
8 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 1
Total de 15 facteurs :
9 -1 -1 1 -1 1 1 -1 1 -1 -1 -1 1 1 1 1
nécessite 16 essais  15 10 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1
colonnes 11 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1
12 1 1 1 -1 -1 -1 -1 1 1 1 -1 1 -1 -1 1
13 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1
14 1 -1 -1 1 1 -1 -1 1 1 -1 1 -1 1 -1 1
15 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1 -1 1 1
16 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

• Réduire le nombre d’essais

• Réaliser le plan fractionnaire 24-1 ( 8 essais) ?
• Chaque facteur (A,B,C) et les interactions occupent une colonne.
• Pour tester le facteur D et les interactions avec (A,B,C,AB,AC,BC,AC,ABC)
avec seulement 8 essais : il faut donc les affecter à des colonnes déjà
occupées
• ABC est probablement négligeable  D est affectée à la colonne ABC;
niveaux de D et ABC suivent les mêmes changement de signe
A B AB C AC BC D=ABC
1 -1 -1 1 -1 1 1 -1
2 1 -1 -1 -1 -1 1 1
3 -1 1 -1 -1 1 -1 1
4 1 1 1 -1 -1 -1 -1
5 -1 -1 1 1 -1 -1 1
6 1 -1 -1 1 1 -1 -1
7 -1 1 -1 1 -1 1 -1
8 1 1 1 1 1 1 1
• D et ABC sont donc aliasés : D=ABC
• Les autres colonnes A, B, C, AB,.. vont être aliasés avec les interactions D
Détermination des alias

• Propriétés
• Commutativité : AB=BA
• Associativité : A(BC)=(AB)C=ABC
• Elément Neutre I (colonne de (+)): I.A=A.I=A
• A.A=I quel que soit A
Conséquences
• L’égalité D=ABC peut s’écrire I=D.D=DABC=ABCD
• I=ABCD : appelé GENERATEUR D’ALIAS
• Détermination de tous les alias :
 I.A=ABCD.A=BCD  A=BCD
 I.B=ABCD.B=ACD  B=ACD

Liste des alias

A B C D AB AC BC
BCD ACD ABD ABC CD BD AD
1 -1 -1 -1 -1 1 1 1
2 1 -1 -1 1 -1 -1 1
3 -1 1 -1 1 -1 1 -1
4 1 1 -1 -1 1 -1 -1
5 -1 -1 1 1 1 -1 -1
6 1 -1 1 -1 -1 1 -1
7 -1 1 1 -1 -1 -1 1
8 1 1 1 1 1 1 1

• Comment calculer les effets des facteurs et interactions à partir des

colonnes aliasées ?
•  on parle de contraste
 Calcul des contrastes

 Contraste : ℎ1 = ] + a›ô = (− + − + 4−. . + 8)

 Colonne 1 : A et BCD
õ 1 2 3

 Contraste : ℎ2 = a + ]›ô = (− 1 − 2 + 3 + 4−. . + 8)

 Colonne 2 : B et ACD
õ
 Etc..
• Exemple :
• Etude de l’influence sur Y = allongement à la rupture d’un élastomère
(en %) des facteurs :
A : nature de l’élastomère [1 2]
B : taux d’additif ( autour de la valeur préconisée) [6 10]
C : Système de vulcanisation [1 2]
D : taux de kaolin [20 40]

Plan fractionnaire 2l•

Alias ô = ]a›
Générateur d’alias : ø = ]a›ô
A B C D AB AC BC
BCD ACD ABD ABC CD BD AD
Résultat Y
1 -1 -1 -1 -1 1 1 1 275
Hypothèses 2 1 -1 -1 1 -1 -1 1 325
Conditions de l’étude : les contrastes 3 -1 1 -1 1 -1 1 -1 210
dont la valeur absolue est inférieur à 4 1 1 -1 -1 1 -1 -1 220
8 sont supposés négligeables 5 -1 -1 1 1 1 -1 -1 290
Compte tenu de la nature des 6 1 -1 1 -1 -1 1 -1 370
7 -1 1 1 -1 -1 -1 1 260
facteurs les interactions d’ordre 2 8 1 1 1 1 1 1 1 270
sont probablement négligeables h1 h2 h3 h4 h5 h6 h7
Contraste
18,75 -37,5 20 -3,75 -13,75 3,75 5

• ℎ1 = +18,75 ≈ ]
Conséquences

• ℎ2 = −37,5 ≈ a
• ℎ3 = +20 ≈ ›
Conclusion :

• ℎ4 = −3.75 ≈ ô = 0
Effet A et de C sont du même ordre de grandeur

• ℎ5 = ]a + ›ô = −13.75
Effet de B important, D insignifiant.

et plus significative que CD  h]a = −13.75

On peut donc penser que dans h5 l’interaction AB
quel est l’interaction la plus

• ℎ6 et ℎ7 négligeables
prépondérante ?
Conclusion pour l’exemple
• • Facteurs significatifs : A (Elastomère), B (taux additif) C (Syst. Vulc), AB
• EA=+18.75, EB= −37.50, EC=+18.75 et EAB=-13.75
• • Un excès d’additif diminue l’allongement à la rupture, surtout avec l’élastomère
2.
• • L’élastomère 2 et préférable au 1.
• • Système de vulcanisation 2 est meilleur
• • Kaolin sans influence

Remarque

• Bilan :
• Nous avons pu conclure de façon satisfaisante avec 8=24-1 essais
pour 4 facteurs (la moitié d’un plan complet).
• Finalement
• • L’utilisation des plans fractionnaires est conseillée lorsque l’on a
une connaissance minimum a priori sur les interactions.
• • A l’issue de l’exploitation d’un plan fractionnaire, si l’information
obtenue est jugée insuffisante, le plan peut être complété par une
autre fraction du plan complet à condition qu’elle soit choisie de
façon judicieuse.
Généralisation : plan 2k-p

• • Choix d’un plan fractionnaire

• – pour un plan complet avec k facteurs à deux niveaux : 2k expériences
• – on réduit ce plan en prenant 2k-p expériences avec k-p=3 si k=4,5,6 et k-p=4 si
k=7,..15. On a donc recours au plan 23 ou 24.
• • Alias et générateurs d’alias
• – Dans un plan 2k-p on dispose de p alias indépendants dont on déduit des alias
dépendants par multiplication 2 à 2, 3 à 3 de tous les alias indépendants, ce qui
représente finalement 2p-1 générateurs d’alias.
• • Exemples :
 4 facteurs: p=1, 1 alias D=ABC et 1 générateur d’alias I=ABCD
 5 facteurs : p=2, 2 alias D=ABC E=AB et 3 générateurs d’alias I=ABCD, I=ABE, I=CDE
 facteurs : p=3, 3 alias et 7 générateurs d’alias.

Chapitre 4
Simulation monte CARLO

146
Introduction

• La simulation de Monte Carlo doit son nom à la ville de Monte Carlo à Monaco,
célèbre pour ses jeux de hasard.
• Étant donné que le processus de simulation implique la génération de variables
aléatoires et présente des comportements aléatoires, il a été appelé simulation
de Monte Carlo.
• La simulation Monte Carlo est un outil d'analyse statistique puissant et
largement utilisé dans les domaines non techniques et d'ingénierie.
• Il avait été initialement utilisé pour résoudre les problèmes de diffusion des
neutrons dans les travaux sur les bombes atomiques au laboratoire scientifique
Alamos en 1944.
• La simulation de Monte Carlo a été appliquée à divers problèmes allant de la
simulation de phénomènes physiques complexes tels que les collisions
atomiques à la simulation de la circulation, en passant par Dow Jones prévision.

147

• Monte Carlo est également adapté à la résolution de problèmes d'ingénierie

complexes car il peut traiter un grand nombre de variables aléatoires, divers
types de distribution et des modèles d'ingénierie hautement non linéaires.
• Différente d’une expérience physique, la simulation de Monte Carlo effectue
un échantillonnage aléatoire et effectue un grand nombre d’expériences sur
ordinateur.
• Les caractéristiques statistiques des expériences sont observées et des
conclusions sont tirées sur la base des expériences statistiques.
• Dans chaque expérience, les valeurs possibles des variables aléatoires
d'entrée X sont générés en fonction de leurs distributions.
• Les valeurs de la variable de sortie Y sont calculées via la fonction de
performance au niveau des échantillons de variables aléatoires d'entrée.
• Un ensemble d'échantillons de la variable de sortie Y est disponible pour
l'analyse statistique pour estimer les caractéristiques de la variable de sortie
Y.

148
 Le processus de simulation nécessite trois étapes:
◦ Étape 1 – échantillonnage (génerer) de variables d’entrée aléatoires X,
◦ Étape 2 - évaluation de la sortie du modèle Y
◦ Étape 3 - analyse statistique de la sortie du modèle.

Les simulations de Monte Carlo sont adaptées aux variables aléatoire

qu’ils soient indépendantes ou pas.

L’échantillonnage des variables aléatoires d’entrée X a pour but de:

◦ générer « un espace échantillonnal » qui représentent les distributions de la
variable d'entrée.
◦ Les échantillons des variables aléatoires seront ensuite utilisés comme entrées
dans les expériences de simulation.
Deux étapes sont :
◦ Étape 1 - générer des variables aléatoires uniformément réparties entre 0 et 1,
◦ Étape 2 - transformer les valeurs de la variable uniforme obtenue à l’étape 1 en
valeurs de variables aléatoires qui suivent les distributions données n .

149

Distribution de probabilité des variables d’entrée

Échantillonnage (générer X)

Variables d’entrée discrètes (échantillonné)

Évaluation de la fonction de performance pour Xi

Variable de sortie (échantillonnés) Yi

Analyse statistique des valeurs de la variable de sortie

Paramètres de la distribution de probabilité de la variable de

sortie

150
Étape 1 - Génération de variables aléatoires uniformément réparties entre 0 et 1
L'importance des nombres uniformes sur l'intervalle continu [0, 1] réside dans le
fait qu'ils peuvent être transformés en valeurs réelles qui suivent toutes les
distributions d'intérêt.
Au début de la simulation, les nombres aléatoires étaient générés de manière
mécanique, comme dessiner des balles, lancer des dés…
Désormais, tous les ordinateurs modernes ont la capacité de générer des variables
aléatoires uniformément réparties entre 0 et 1.
Il existe un certain nombre de générateurs arithmétiques aléatoires développés
pour la génération aléatoire informatisée. Les variables aléatoires générées de
cette façon sont appelées nombres pseudo aléatoires.
Un générateur aléatoire génère une séquence de nombres uniformes compris
entre 0 et 1.
La longueur de la séquence avant de se répéter dépend de la machine et de
l'algorithme.

151

Étape 2 - Transformer les variables uniformes en variables aléatoires suivant

les distributions données.
La tâche consiste à transformer les échantillons de la variable uniforme [0,

valeurs de la variable aléatoire Xi qui suit une distribution donnée h(—((—).

1], z={z1,Z2,..;zn}, où n est le nombre d'échantillons générés à l'étape 1 en

Il existe plusieurs méthodes pour une telle transformation.

La transformation simple et directe est la méthode de transformation
inverse.
Par cette méthode, la variable aléatoire est donnée par :
(t = hŽt
•
ùt
hŽt
•
la fonction inverse de la fonction distribution de probabilité
Exemple si X suit une distribution normal :

ù = hŽ ( = Φ  ( = ¿Ž + ŽΦ ù
•µË •
³Ë

Pour chaque valeur (t une analyse déterministe est réalisée.

152
Exemple
La contrainte admissible X1 d'un composant mécanique est normalement
distribuée, X1: N (120,20) MPa et la contrainte maximale X2 est normalement
répartie, X2: N (100,10) MPa. Quelle est la probabilité d'échec § ?

Solution Analytique :
Pour ce problème simple, une solution analytique existe. Puisque X1 et X2 sont
normalement distribués, Y = g (X) = X1 – X2 est également normalement

0 − ¿Æ −(120 − 100)
distribué. Alors la probabilité d'échec est donnée par :

Ò = ¾ < 0 = h¾ 0 = Φ = Φ = 0.1855
20 + 10²
‡
Æ

153

Solution par simulation Monte Carlo

154
 155

Chapitre 5
Méthodes approchées pour l’estimation de la fiabilité

156
Introduction
• La fiabilité est la probabilité qu'une fonction de performance (v) >
0, c'est-à-dire { (v) > 0}.

trouvent dans la région sûre définie par (v) > 0.

• C-à-d la fiabilité est la probabilité que les variables aléatoires se

• La probabilité d’échec est définie comme la probabilité { (v) <

0}.
• la probabilité que les variables aléatoires û = {n1, n2, . . n•} se
trouvent dans la région de défaillance définie par v < 0.
• Si on note §v v la densité de probabilité jointe, la probabilité de
défaillance est évaluée avec l’intégrale :
• Ò =1− = v < 0 = ¦,(v)ÊŒ §v ( ) ¨ (1)

157

• Ce chapitre présente deux des méthodes d'analyse de fiabilité les

plus couramment utilisées :
• la méthode de fiabilité du premier ordre (FORM)
• la méthode de fiabilité du deuxième ordre (SORM).
L'idée de base des méthodes est de faciliter les difficultés de calcul en

fonction de performance (v).

simplifiant les termes à intégrer et en simplifiant par approximation la

Avec la simplification et l'approximation, la solution à l’équations 1 est

• Toutes les variables aléatoires v sont supposées indépendantes

facilement obtenus.

les unes des autres.

• Les méthodes présentées peuvent être étendues aux problèmes
de variables aléatoires corrélées après la conversion de ces
variables en variables indépendantes.

158
 la méthode de fiabilité du premier
ordre (FORM)
• First Order Reliability Method (FORM).
• la fonction de performance g (X) est approximée par le
développement de Taylor du premier ordre (linéarisation).
• L'intégration de probabilité dans l’équations 1 est le volume sous la
surface (hyper-surface pour les problèmes supérieurs à 2-D) de la
fonction densité de probabilité jointe dans la région de rupture g (X)
<0 ou la région sûre g (X)> 0.

159

• Si la surface de l'intégrale §v ( ) forme une “colline”.

• Si la colline était coupée par un couteau suivant la courbe g (X) = 0, la colline serait
divisée en deux parties.

Si le domaine de (v) < 0 était

retirée.
Le volume restant est
l'intégration de probabilité de
d’avoir :

(v) > 0.

volume situé sous §v ( ) du côté

La fiabilité correspond au

de la région sûre (v) > 0.

La probabilité de défaillance

§v ( ) du côté de la région de
correspond au volume situé sous

(v) < 0 )
défaillance (la partie enlevée

160
 ¦,(Ž)ÊŒ §v ( ) ¨

• L'intégration pour la
fiabilité est effectuée
dans la région où g
(X)> 0 tandis que
l'intégration pour la
probabilité de
défaillance est
effectuée dans la
région où g (X) <0.

161

• L'évaluation directe de l'intégration de probabilité dans l’équation

1 est extrêmement difficile :
 Certain nombre de variables aléatoires X sont impliquées, l’intégration de
probabilité est multidimensionnelle. La dimensionnalité est
généralement élevée pour les applications d’ingénierie.
 L’intégrande est généralement une fonction multidimensionnelle non
linéaire.
 la borne d'intégration g (X) = 0 est également multidimensionnelle et
généralement une fonction non linéaire.
 Dans de nombreuses applications d’ingénierie, g (X) est un modèle à
boîte noire (ou un modèle de simulation) et l’évaluation de g (X) est
coûteuse en temps de calcul (l'analyse par éléments finis, la simulation
dynamique et la dynamique des fluides informatique…).
• Il existe rarement une solution analytique à l'intégration de
probabilité, sauf dans des cas très particuliers. Il est également
peu pratique d’utiliser l’intégration numérique pour trouver la
solution en raison de la grande dimensionnalité de la plupart des
applications d’ingénierie.

162
 • Solution : des méthodes d'approximation, telles que la méthode
de fiabilité du premier ordre (FORM) et la méthode de fiabilité du
second ordre (SORM) ont été développées.
• Ces méthodes d'approximation impliquent deux étapes
permettant de calculer facilement l'intégration de probabilité.
• La première étape consiste à simplifier l'intégrale afin que ses contours
soient plus réguliers et symétriques,
• La seconde consiste à approximer les borne d'intégration g (X) = 0.
• Après les deux étapes, une solution analytique à la l'intégration de
probabilité sera facilement trouvée.
• La manière d’approcher l’intégration de probabilité divise les
méthodes en deux types :
• Méthode de premier ordre
• Méthode de second ordre

163

Étape 1 : Simplifier l’intégration

• La simplification est obtenue en transformant les variables aléatoires

• L'espace contenant les variables aléatoires d'origine n1, n2, . . n• est

de leur espace aléatoire d'origine en un espace normal standard.

appelé espace X.
• Pour que la forme de l'intégrant ¦,(Ž)ÊŒ §v ( ) ¨ soit régulière,
toutes les variables aléatoires sont transformées de l'espace X en un

ü1, ü2, . . ü• suivent la distribution normale centrée.

espace normal standard, où les variables aléatoires transformées

• L'espace transformé est noté espace U.

164
• La transformation de X en U est basée sur la condition que les
distributions de probabilité des variables aléatoires restent les
mêmes avant et après la transformation. Ce type de
transformation est appelé transformation de Rosenblatt, ce qui se
traduit par :

Ainsi on peut écrire :

n
Exemple, pour une distribution normale centrée réduite (µ,σ) :

Finalement :

165

Notez que dans l'exemple présenté, la transformation d'une variable

normale en une variable normale standard est linéaire.
Cependant, la transformation générale d’une variable non normale en
une variable normale standard est non linéaire.
Après la transformation, la fonction de performance devient :
¾= ý

de performance v changera.
Après la transformation, la formulation mathématique de la fonction

! Nous utiliserons toujours ý pour désigner la fonction de

performance transformée dans l'espace U afin d'éviter d'introduire un
symbole supplémentaire pour la fonction de performance.
Après la transformation, l'intégration de probabilité devient :

166
Cette dernière intégrale est
exprimée :

Après la transformation, la
dernière intégration dans
l'espace U est identique à celle
de l'équation 1 dans l'espace X
sans perte de précision.

Les contours de l'intégrale dans

l’espace U deviennent des
cercles concentriques (ou des
hypersphères pour un problème
de dimension supérieure).

167

168
 Étape 2 : approximation des bornes de
l’intégrale

l’intégrales données par l’équation ý = V sont déterminées de

• Pour simplifier l’intégrale de calcul de probabilité, les borne de

• L’équation ý = V est approchée par développement de Taylor de

manière approché.

premier ordre (FORM) ou du second ordre (SORM).

• þ(ý) est la fonction de performance linéarisée.

• Q∗ = ∗ , ∗ , … s∗ est le point qui a la contribution la plus significative
dans le calcul de l’intégrale 1 (point d’extrapolation).
• Le gradient de la fonction de performance est :

169

• L’intégrande est linéarisée au voisinage du point ayant la contribution

la plus importante dans le calcul de l’intégrale.
• On choisit le point le quelle la fonction de performance a une valeur
maximale, c-à-d la valeur la plus élevée de la densité de probabilité
jointe.
• Si on s’éloigne de point d’extrapolation, la densité de probabilité jointe
décroit rapidement en générale.
• Le point d’extrapolation est appelé le Point de Plus Probable (MPP).
• La détermination du MPP est formuler mathématiquement comme un
problème d’optimisation sous contrainte :

170
 Comme

Maximiser

revient à minimiser :

On peut réécrire le problème de recherche du MPP de la façon

suivante :

Q représente la norme du vecteur Q.

Q∗ = { ∗ , ∗ , … s∗ }
La solution de ce problème d’optimisation sera noté :

171

Le MPP est donné par

la distance minimale
entre la limite du
domaine de fiabilité
(états limite g(U)=0) et
le centre de l’espace U.

est noté = Q∗ .
La distance minimale

est appelé indicateur

de fiabilité.

172
 • Pour ý = Q∗ , la fonction de performance est donc :

• Avec :

þ(ý) est une application linéaire des variables ý définies au

Remarque :

On déduit que þ(ý) également une variable aléatoire qui suit une
préalable comme normales centrées réduites.

loi normale.
sa moyenne :

et son écart type :

173

• La probabilité de défaillance peut être déduite :

• avec :

• Soit le vecteur a définit par :

• Donc la probabilité de défaillance :

174
 de performance (ý) = 0 et le centre de l’espace U.
• Le vecteur u* (MPP) définit le point le plus proche de la courbe de la fonction

• le MPP est le point tangent de la courbe (ý) = 0 et le cercle de rayon β.

• Par conséquent, le vecteur u* est perpendiculaire à la courbe (ý) = 0.

La direction du vecteur u* peut être

Q∗ Q∗
représentée par le vecteur unitaire :
=
Q∗
D'autre part, la direction du gradient
est également perpendiculaire à la
courbe au niveau du MPP, et sa

le vecteur unitaire K, donc :

direction peut être représentée par

= −K ou Q∗ = −K
Q∗

175

• Par conséquent, la probabilité de défaillance est :

• Puisque :

• La fiabilité est donnée par la probabilité complémentaire :

• La procédure FORM est brièvement résumée en trois étapes :

1. Transformez les variables aléatoires d'origine de l'espace X en l'espace U
par transformation de Rosenblatt.
2. Recherchez le MPP dans l'espace U et calculez l'indice de fiabilité β.
3. Calculer la fiabilité R = Φ(β).

176
 177

Détermination du point le plus probable

(MPP)
• Le calcul de la fiabilité par la méthode FORM n’est possible qu’après
localisation du MPP dans l’espace U.
• Comme il est très difficile, voire impossible, de résoudre le modèle
de recherche MPP analytiquement, de nombreuses méthodes
numériques ont été développées pour la recherche MPP.
• Un algorithme de recherche itérative simple et couramment utilisé
basé sur la méthode de Newton.
• L'algorithme de recherche MPP utilise une formule récursive et est
basé sur la linéarisation de la fonction de performance.

178
Supposant que le (MPP) à la kième
itération est uk.
La fonction de performance est
linéarisée par :
En plus :
À l’itération k+1 le (MPP) vérifie :

Si le vecteur uk+1 est perpendiculaire à

la ligne tangente (courbe linéarisée):
En substituant dans lՎquation de (Qϱ ) on obtient :
Par conséquence, le nouveau (MPP) est calculé :

179

L’utilisation de ce type de méthodes itérative nécessite la définition

d’un point de départ u0.
Généralement, l'origine u0 = 0 est définie comme point de départ.
Trois critères convergence peuvent être utilisés pour mettre fin au
processus de recherche du (MPP) :

1. Si : Qœ± − Qœ ≤
2. Si : Qœ± − Qœ ≤
3. Si : œ± − œ ≤ Ï

180
 1) u0 point de départ

2) Q = u0, = Q

3) K =
Q
Q = QH , = s Q

= +
, Q
4) s , Q

5) Q = −K H

Qœ± − Qœ ≤
6) tests de convergence

Qœ± − Qœ ≤
ϱ
− œ ≤ Ï
FIN

181

Exemple 1

• La contrainte admissible X1 d'un composant mécanique est

normalement distribuée, X1: N (120,20) MPa et la contrainte
maximale X2 est normalement répartie, X2: N (100,10) MPa.
• En utilisant la méthode FORM, quelle est la probabilité d'échec §?

182
 183

• Exemple 2
• On désire concevoir une poutre encastrée-libre soumise à deux forces supposées
ponctuelles Px et Py.

• La fonction de performance est la différence entre D0 et la flèche maximale :

• Px et Py sont v.a.r. données par n(2224;444.8) et n(4448;444.8) respectivement.

• On donne : E=206,8 GPa, L=2,54m, D0=76.2mm, t=2w=101.6mm.

Déterminer la fiabilité de la poutre par la méthode FORM en suite par la

simulation de Monte Carlo.

184
Itération 1

Itération 2

186