Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Vème Conférence Internationale en Recherche Opérationnelle                           CIRO10                 Marrakech, 24­...
Introduction:● Modéliser la demande lors de la période de   livraison.● On    considère  la  demande  des  stocks  de   di...
Objectifs: ● Optimiser (minimiser) le coût total de stockage.● Déterminer     le  minimum  de  la  quantité   commandée et...
Modélisation Stochastique de la            demande:●   Lois de probabilités: discrètes et continues.    ●   Dans le cas di...
Loi normale?    ●   Loi normale, non, les raisons:●   une loi normale a une probabilité non nulle de     prendre des valeu...
Loi exponentielle?    ●   Losque la symétrie nest plus vérifiée,     ●    La loi exponentielle (négative).●   De même, la ...
Loi Log­normale:●   On  se  propose  de  modéliser  la  demande  X     pendant  le  délai  de  livraison  L  par  une  loi...
Loi Log­normale:●   La loi lognormale a la propriété dêtre  asymétrique     et étalée vers la droite
 Schéma multiplicative:●   La demande durant le délai de livraison L est     notée X et elle est supposée égale à :       ...
Schéma multiplicative:●   Lorsque la demande D et le délai de livraison (ou     de  production)  L  sont  des  v.a.,  alor...
Schéma multiplicative:●   Si les lois suivies par D et L sont log­normales à     deux paramètres, alors la loi suivie par ...
Espérance et variance de la                      demande:●   La loi suivie par X et L se caractérise par les deux     para...
La méthode à point de commande:●   Le point de commande Sc  est le niveau de stock     auquel on déclenche une commande ou...
La méthode à point de commande:      ●   La fonction de répartition de la Log-normale étant:                              ...
 Détermination de Sc lorsque le      coût de rupture Cr est connu:●   Nr=nombre de ruptures dans la période de     réferen...
●    Lobjectif est min Espérance du coût total de    stockage pendant le délai de livraison.●   Notons E(Ct) l’espérance d...
Nous  supposons  implicitement  que  la  quantité optimale de commande    a déjà été déterminée par                      ...
E D         E  N r =       ×P  X S C                       Q                                      {             } ...
●   Lorsqu’on  cherche  à  évaluer  un  coût  de  rupture     moyen  (une  espérance),  il  faut  connaître  le     nombre...
●   Un coût de rupture fixe est généralement associé     à des ventes différées et dans ce cas le stock de     sécurité s’...
E DMin E(Ct) =C r          P  X S C  C S  S C −E  X                     Qce qui conduit à résoudre l’équation :...
●   Le point de commande dans ce cas est déterminé     “implicitement” par:                                              ...
Détermination Sc lorsque Cr             proportionnel: ●   Cr fonction linéaire de du nombre d’unités dont     la demande ...
Ventes différées:    Cr=coût de rupture unitaire                                     E D    E(Ct) =C S  S C −E  X   ...
●   Nn dépende de Sc                      E D ∂                                 [                          ]            ...
Ventes perdues:       ●   Le stock de sécurité s’écrit, cette fois:                              S                  E  S ...
[      E  DE(Ct)=C S [ S C −E  X  ]  C S C r                                       Q          ]    ∞              ...
Conclusion :●   Cas numériques d’application, surtout dans le cas     d’un  très  grand  nombre  de  données,  que  ces   ...
Conclusion:●   Considérer  la  demande  suivant  une  loi  de  probabilité     log­normale  à  trois  paramètres,  avec  S...
Réferences:[1]  Aggarwal,  V. :  « Modelling  of  distributions  by  value   for multi­item inventory», IEEE Trans., 16, 9...
Références:[4]  Crow,  E.  L.  &  Shimitzu,  K.:  « Lognormal   Distributions:  Theory  and  Applications  »,  Marcel   De...
Références:[7]  Roger,  P. :  « Gestion  de  Production »,  Dalloz­Sirey,   1997.[8]  Strijbosch,  L.  W.  G.  &  Moors,  ...
Upcoming SlideShare
Loading in …5
×

Mon intervention lors du Ciro10

4,538 views

Published on

Cette intervention porte sur la modélisation et l'optimisation de la demande des stocks de distribution

  • Be the first to comment

  • Be the first to like this

Mon intervention lors du Ciro10

  1. 1. Vème Conférence Internationale en Recherche Opérationnelle CIRO10 Marrakech, 24­27 Mai 2010Modélisation Stochastique de la demande pour les stocks de distribution par une loi  de probabilité Log­normale Mohamed El Merouani Département de Statistique et Informatique Faculté Polydisciplinaire de Tétouan Université Abdelmalek Essaâdi Tétouan-Maroc
  2. 2. Introduction:● Modéliser la demande lors de la période de  livraison.● On  considère  la  demande  des  stocks  de  distribution comme variable aléatoire qui suit une  loi de probabilité Log­normale ● Tadikamalla  (1979);  Das  (1983);  Aggarwal  (1984); Al­Harkan & Hariga (2007). 2
  3. 3. Objectifs: ● Optimiser (minimiser) le coût total de stockage.● Déterminer  le  minimum  de  la  quantité  commandée et le point de commande.● Déterminer le nombre moyen des ruptures.● Déterminer  le  minimum  de  lespérance  du  coût  total du stock de sécurité,  On discute les deux cas: ✔ coût de rupture connu, ✔ coût de rupture proportionnel. 3
  4. 4. Modélisation Stochastique de la  demande:● Lois de probabilités: discrètes et continues. ● Dans le cas discrèt, ● Dans le cas on utilise la loi de continue, on utilise Poisson. la loi normale. ● Loi de Poisson (Non), pourquoi?: ● Discrète. ● Sa variance=sa moyenne. 4
  5. 5. Loi normale? ● Loi normale, non, les raisons:● une loi normale a une probabilité non nulle de  prendre des valeurs négatives.● La  demande  dun  produit  est  normale  lorsquelle porte sur un grand nombre dunités.● Elle est symétrique par rapport à la moyenne.
  6. 6. Loi exponentielle? ● Losque la symétrie nest plus vérifiée,  ●  La loi exponentielle (négative).● De même, la loi exponentielle, non, parce que:● Elle est caractérisée par E=   ● Loi  exponentielle  négative,  modélise  les   phénomènes de désintégration.
  7. 7. Loi Log­normale:● On  se  propose  de  modéliser  la  demande  X  pendant  le  délai  de  livraison  L  par  une  loi  de  probabilité Log­normale. ● X ~ ,  Notation:                     si sa fonction de densité  de probabilité est  { 2 1 1  Ln x −μ  exp {− } si x0 f  x =  2π σx 2 σ 2 0 si x≤0
  8. 8. Loi Log­normale:● La loi lognormale a la propriété dêtre  asymétrique  et étalée vers la droite
  9. 9.  Schéma multiplicative:● La demande durant le délai de livraison L est  notée X et elle est supposée égale à : X=D.L      où D est la demande globale ou totale
  10. 10. Schéma multiplicative:● Lorsque la demande D et le délai de livraison (ou  de  production)  L  sont  des  v.a.,  alors  la  demande  X,  les  dates  et  durées  de  rupture  de  stocks  éventuelles  et  les  coûts  de  détention  deviennent  eux­mêmes aléatoires.
  11. 11. Schéma multiplicative:● Si les lois suivies par D et L sont log­normales à  deux paramètres, alors la loi suivie par le produit  D.L=X est aussi log­normale dont les paramètres  sont exactement la somme des paramètres de D et  de L. Ceci est grâce à la propriété de la fonction  logarithme, Ln(D.L)=Ln(D)+Ln(L).
  12. 12. Espérance et variance de la  demande:● La loi suivie par X et L se caractérise par les deux  paramètres: 2 σ ­Lespérance E  X =exp { μ } 2 ­La variance σ2 2μσ 2 Var  X = e −1 e
  13. 13. La méthode à point de commande:● Le point de commande Sc  est le niveau de stock  auquel on déclenche une commande ou auquel on  entame la production d’un nouveau lot.
  14. 14. La méthode à point de commande: ● La fonction de répartition de la Log-normale étant: 2 1 x 1  Ln t− μ  F  x = σ  2π ∫0 t exp {− 2σ2 }dt● L’événement “une rupture de stock se produit” n’est rien d’autre que l’événement {X >SC}; en conséquence la probabilité de rupture s’écrit: 2 1 ∞ 1  Ln t− μ  P  X S C =1−F  S C = σ  2π ∫S t exp {− 2σ2 }dt C
  15. 15.  Détermination de Sc lorsque le  coût de rupture Cr est connu:● Nr=nombre de ruptures dans la période de  réference (lannée, par exemple)● Cr =Coût de ruptutre Cr =● CS=Coût de détention● Ct=Coût totale du stock de sécurité Ct=CS+Cr
  16. 16. ● Lobjectif est min Espérance du coût total de stockage pendant le délai de livraison.● Notons E(Ct) l’espérance du coût total du stock  de sécurité E(Ct) =Cr E(Nr) + CS E(SS)
  17. 17. Nous  supposons  implicitement  que  la  quantité optimale de commande    a déjà été déterminée par   Qles  techniques  déterministes  classiques  (Le  modèle de Wilson). le coût de rupture total est égal au produit Nr.Cr  où Nr  est  le  nombre  de  ruptures  dans  l’année;  on  a alors:
  18. 18. E D E  N r = ×P  X S C  Q { } 2 E D 1 ∞ 1  Ln t−μ  E  N r =  Q σ  2π ∫S t exp − 2σ dt C ED En effet, le rapport          est le nombre moyen de  Q commandes  et  par  conséquent  le  nombre  moyen  de possibilités de rupture de stock.
  19. 19. ● Lorsqu’on  cherche  à  évaluer  un  coût  de  rupture  moyen  (une  espérance),  il  faut  connaître  le  nombre  moyen  d’unités  non  livrées  et  appliquer  le coût unitaire de rupture à ce nombre (que nous  noterons E(Nn)). On a alors: ∞ E  N n =∫S  x−S  f  x  dx C C ∞  x−S C  2 1  Ln x− μ  E  N n = σ  2π ∫SC x exp {− 2σ 2 }dx
  20. 20. ● Un coût de rupture fixe est généralement associé  à des ventes différées et dans ce cas le stock de  sécurité s’écrit : S S =S C −X
  21. 21. E DMin E(Ct) =C r P  X S C  C S  S C −E  X   Qce qui conduit à résoudre l’équation : ∂ E(Ct)=0 ∂ SC E D −C r f  S C C S =0  Q où f est la fonction de densité de la loi log-normale.
  22. 22. ● Le point de commande dans ce cas est déterminé  “implicitement” par:  Q CS f  S C = E  D  Cr pour éviter l’obtention du point de commande  « implicitement » est de considérer la demande  suivant une loi de probabilité log­normale à trois  paramètres, avec SC comme le paramètre seuil.
  23. 23. Détermination Sc lorsque Cr  proportionnel: ● Cr fonction linéaire de du nombre d’unités dont  la demande n’a pu être satisfaite Nn.● Distinguer deux cas:● Ventes différées:● Ventes perdues:
  24. 24. Ventes différées: Cr=coût de rupture unitaire  E D E(Ct) =C S  S C −E  X   C r  E  N n  Q E  D  ∞ =C S  S C −E  X   C r Q ∫S  x−S C  f  x  dx C { } 2 ED 1 ∞  x−SC   Ln x−μ   σ  2π ∫S=C S  S C −E  X   C r exp − 2 dx Q C x 2σ
  25. 25. ● Nn dépende de Sc E D ∂ [ ] ∞ ∂ E(Ct) =C S C r  Q ∂ SC ∫  x−S  f  x  dx S C C ∂ SC E D ∂ E(Ct) =C S −C r P  X S C   Q ∂ SC Q CS ¿ P  X S C  =1−F  S C  = E  D  Crou F est la fonction de répartition de la log­normale (de X)
  26. 26. Ventes perdues: ● Le stock de sécurité s’écrit, cette fois: S E  S S  =∫0  S C −x  f  x  dx C { } 2 1 S  SC− x   Ln x−μ  E  S S = ∫0 x exp − 2σ2 dx C σ  2π ● Le coût total de stockage s’écrit alors: [ ] ∞E(Ct) =C S S C −E  X ∫S  x−S C  f  x  dx C E  D  ∞ C r Q ∫S  x−S C  f  x  dx C
  27. 27. [ E  DE(Ct)=C S [ S C −E  X  ]  C S C r  Q ] ∞ ∫  x−S  f  x  dx SC C ∂ E(Ct)=0 ∂ SC CS  CSQ P  X S C = = [ ] [C QC r E  D  ] E  D S  C S C r Q
  28. 28. Conclusion :● Cas numériques d’application, surtout dans le cas  d’un  très  grand  nombre  de  données,  que  ces  derniers soient réels ou générées par simulation. ● Inférence  statistique,  en  particulier  l’estimation  des paramètres de la loi log­normale pour prévoir  la demande futur, ainsi que les délai de livraison  dans les périodes à venir.
  29. 29. Conclusion:● Considérer  la  demande  suivant  une  loi  de  probabilité  log­normale  à  trois  paramètres,  avec  SC  comme  le  paramètre seuil.● Modéliser la demande par des processus stochastiques  au lieu de le faire par des simples lois de probabilités.
  30. 30. Réferences:[1]  Aggarwal,  V. :  « Modelling  of  distributions  by  value  for multi­item inventory», IEEE Trans., 16, 90­98, 1984.[2]  Aitchison,  J.  &  Brown,  J.  A.  C.:  «  The  Lognormal  Distribution  »,  Cambridge  University  Press,  London,  1957.[3]  Al­Harkan,  I.  &  Hariga,  M.:  « A  Simulation  Optimization  Solution  to  the  Inventory  Continuous  Review  Problem  with  lot  size  dependent  Lead  Time  »,  The  Arabian  Journal  for  Science  and  Engineering,  Vol.  32, N° 2B, 327­338, October 2007.
  31. 31. Références:[4]  Crow,  E.  L.  &  Shimitzu,  K.:  « Lognormal  Distributions:  Theory  and  Applications  »,  Marcel  Dekker, Inc., New York, 1988.[5] Cohen, A. C.: « Estimating parameters of logarithmic­ normal  distributions  by  maximum  likelihood  »,  Journal  of  the  American  Statistical  Association,  46,  206­212,  1951.[6] Das, C.: «Inventory control for Lognormal demand »,  Computers & Operations Res., 10, 267­276, 1983.
  32. 32. Références:[7]  Roger,  P. :  « Gestion  de  Production »,  Dalloz­Sirey,  1997.[8]  Strijbosch,  L.  W.  G.  &  Moors,  J.  J.  A.  :  « Modified  normal  demand  distributions  in  (R,  S)­inventory  control»,  European  Journal  of  Operational  Research,  172,  201­212,  2006.[9]  Tadikamalla,  Pandu  R : « The  lognormal  approximation  to the lead time demand in inventory control », Omega, vol.  7, issue 6, pages 553­556, 1979.[10]  Tadikamalla,  Pandu  R :  « A  comparison  of  several  approximations  to  the  lead  time  demand  distribution»,  Omega, vol. 12, issue 6, pages 575­581, 1984.

×