Donc, ̅ Temps moyen que le moteur est sollicité par unité de temps calendrier
Alors, 𝜆 ̅
𝜆 Si on ajoute 𝜆 : taux de panne du moteur en mode attente ;
l’expression devient𝜆 ̅
𝜆 ( ) .
Exemple d’application :
Une pompe qui contrôle le volume dans un procédé chimique opère de façon intermittente. Le
taux de défaillance de la pompe est de 4E-04/h et le taux de défaillance en attente est de 1E-
05/h. La probabilité de défaillance sur demande est de 5E-04/h. Les temps auxquels est
démarrée (tu) et arrêtée (td) sur une période de 24 heures sont listées dans le tableau ci-dessous
tu 0.78 1.69 2.89 3.92 4.71 5.97 6.84 7.76
td 1.02 2.11 4.21 4.21 5.08 6.31 7.23 8.12
tu 8.91 9.81 11.87 11.87 12.98 13.81 14.87 15.97
td 9.14 10.08 12.14 12.14 13.18 14.06 15.19 16.09
tu 16.69 17.71 19.61 19.61 20.56 21.49 22.58 23.61
td 16.98 18.04 19.97 19.97 20.91 21.86 22.79 23.89
En supposant que les données sont représentatives :
a) on calcul le taux de défaillance composé pour la pompe dans ces conditions
d’opération
à partir des données disponibles on calcule :
∑ 301.50 ∑ 294.36
M= 24 le nombre d’opération (3x8)
Le temps moyen d’opération
̅ ∑ ( ) ( ) h
̅
Facteur de capacité :
Le taux de défaillance compose:
𝜆 ( )
b) On calcul la probabilité que la pompe tombe défaillante pendant une durée d’un mois
(30 jours)
( ) ( 𝜆 ) ( )
Probabilité pour 30 jours : (1- R)= 0.363
40
II.2.2.11 La loi de Fisher
Dans la Théorie des probabilités et en Statistiques, la loi de Fisher ou encore loi de Fisher-
Snedecor ou encore loi F de Snedecor est une loi de probabilité continue. Elle tire son nom des
statisticiens Ronald Aylmer Fisher et George W. Snedecor. La loi de Fisher survient très
fréquemment en tant que distribution de l'hypothèse nulle dans des tests statistiques, comme
par exemple les tests du ratio de vraisemblance ou encore dans l'analyse de la variance.
Sa fonction de fiabilité est :
⁄ ⁄
( ) ( )
( ) (II.17)
( ⁄ ⁄ )
II.2.2.12 La loi normale
Cette loi est aussi appelée loi de Gauss, en l'honneur du grand mathématicien allemand Karl
Friedrich Gauss (1777-1855).
La loi normale est la loi statistique la plus répandue et la plus utile, elle est utilisée afin
d’approcher des probabilités associées a des variables aléatoires binomiales possédant un
paramètre ‘n’ très grand. Elle représente beaucoup de phénomènes aléatoires. De plus, de
nombreuses autres lois statistiques peuvent être approchées par la loi normale, tout
spécialement dans le cas des grands échantillons.
Sa fonction de fiabilité est :
( )
() (II.18)
√
Avec les paramètres de signification :
µ : est la moyenne
σ : l'écart type
n : le nombre total d'individus dans l'échantillon
n(x) : le nombre d'individus pour lesquels la grandeur analysée a la valeur x.
e : est la base de l'exponentielle (2,718...)
II.2.2.13 La loi log normal
On a pu voir que les valeurs possibles d’une variable aléatoire normale étaient L’ensemble des
nombres réels. Pour une situation réelle ne pouvant prendre des Valeurs négatives, on peut
malgré tout utiliser une loi normale lorsque la Moyenne et l’écart type sont tels que la
probabilité théorique d’avoir une valeur Négative est à toute fin pratique nulle.
En probabilité et statistique, une variable aléatoire X est dite suivre une loi log-normale de
paramètres μ et σ si la variable Y=ln (X) suit une loi normale de paramètres μ et σ.
Une variable peut être modélisée par une loi log-normale si elle est le résultat de la
multiplication d'un grand nombre de petits facteurs indépendants.
Sa fonction de probabilité est:
41
( )
( )
() (II.19)
√
Avec les paramètres de signification
σ : l’écart type
µ: c’est la moyenne
II.2.2.14 La loi de Weibull
L'expression loi de Weibull recouvre en fait toute une famille de lois, certaines d'entre elles
apparaissant en physique comme conséquence de certaines hypothèses. C'est en particulier, le
cas de la loi exponentielle (β = 1) et de la loi normale (β = 3).
Sa fonction de fiabilité est :
( )
( ) (II.20)
Avec les paramètres de signification :
γ, β, η définissent la distribution de Weibull.
On utilise trois paramètres :
β : paramètre de forme (β > 0)
η : paramètre d’échelle (η > 0)
γ : paramètre de position (-∞ > γ > +∞)
II.3 Etude des lois de fiabilité
En raison de la complexité des lois citées précédemment, nous nous étudierons que celles qui
sont largement employées dans le calcul de la fiabilité des systèmes. On distingue :
La loi binomiale
A. Les lois discrètes
La loi de poisson
La loi log normale
B. Les lois continues La loi exponentielle
La loi Weibull
II.3.1 Les lois discrètes
II.3.1.1. Loi binomiale
Si une défaillance a une probabilité (P) de survenir, la probabilité de la voir apparaître k fois
en (n) essais est :
( ) ( ) ( ) (II.21)
( ) Probabilité pour que la défaillance se produise (k) fois
42
P : probabilité pour que la défaillance se produise au cours d’un seul essai.
: nombre de combinaisons de (k) défaillances pris parmi (n) essais.
Remarque :
1. Un dispositif a une probabilité (P) d’être défaillant donc (1-P) d’être au bon
fonctionnement.
2. Nous sommes en présence d’une loi discrète puisque la variable aléatoire (k) ne peut
prendre que des valeurs entières.
3. L’espérance mathématique est = np
4. La variance est = ( )
5. L’écart type est √ ( )
En mathématiques, une loi binomiale de paramètres n et p est une loi de probabilité qui
correspond à une expérience aléatoire à deux issues possibles, généralement dénommées
respectivement « succès » et « échec ». Cette loi apparaît comme étant particulièrement
intéressante pour des essais.
Avec les Paramètres et significations :
(n ≥ 0) : Nombre d’épreuves
(0 ≤ p ≤ 1) : probabilité de succès
q=1−p
La courbe théorique de répartition de cette loi est présentée à la figure II.3
P (x)
Figure II.3. Courbe théorique de la loi binomiale
Conclusion :
Pour de grandes valeurs de n, le calcul de P (x) devient vite pratiquement impossible, sauf si
l'on cherche à calculer le logarithme de cette expression au lieu de l'expression elle-même.
On distingue deux cas :
43
Cas 1 : Lorsque n tend vers l'infini et que p tend vers 0, la loi binomiale converge vers une loi
de Poisson de paramètre a. En pratique, on remplace la loi binomiale par une loi de Poisson
dès que n > 30 et np < 5 ou dès que n > 50 et p < 0.1.
Cas 2 : Lorsque n tend vers l'infini et que p et q sont de même ordre de grandeur, la loi
binomiale converge vers une loi normale d'espérance np et de variance npq. En pratique, on
remplace une loi binomiale par une loi normale dès que n > 30, np > 5 et nq > 5
II.3.1.2 Loi de Poisson
La loi de Poisson découverte au début du XIX ème siècle par le magistrat français Siméon-
Denis Poisson s’applique souvent aux phénomènes accidentels où la probabilité p est très
faible (p < 0,05).
Elle peut également dans certaines conditions être définie comme limite d’une loi binomiale.
Sa Fonction de fiabilité est :
( )
( ) (II.22)
Avec les paramètres et significations:
Un seul paramètre ’ λ’
e : est la base de l'exponentielle (2,718...)
n! : est la factorielle de n.
λ : le nombre moyen d’événement par unité de temps
La courbe théorique de répartitions différentes λ est donnée à la figure II.4. On peut remarquer
l’influence du paramètre λ.
P (t)
Temps
Figure II.4. Courbe théorique de la loi de poisson
En conclusion :
Le domaine d’application de la loi a été longtemps limité a celui des événements rares par
exemple : (suicide d’enfants, les accident dus aux coups de pied de cheval dans les années.)
44
