M1 CGBI

Gestion de la production et de la qualité

CHAPITRE 3 : LES PREVISIONS ET LA PROGRAMMATION LINEAIRE

Introduction

Selon Stevenson et Benedetti (2011), la fonction prévision fait partie intégrante

des prérogatives du gestionnaire. Les prévisions aident le gestionnaire à planifier.
La prévision peut être définie comme « une fonction permettant d’estimer la
demande future, qu’on établit soit mathématiquement (données historiques), soit
intuitivement (connaissance du marché), soit en combinant les deux » (p. 53).

1- Les techniques de prévisions

Deux principales approches existent :

- l’approche quantitative, fondée sur des données chronologiques (1.1) ou
associatives (1.2) ;
- l’approche qualitative (1.3).

1.1. L’approche quantitative basée sur des données chronologiques

Cette approche est fondée sur l’hypothèse que le passé sera reconduit dans le
futur. Elle consiste donc à projeter dans le futur les données historiques.
Il s’agit de :
- lisser ou niveler les variations aléatoires des expériences passées (calcul de
moyennes), ou
- cerner des tendances et les extrapoler dans le futur (analyse de la
tendance).

1.2. L’approche quantitative basée sur les prévisions associatives (les

régressions)

Les approches mentionnées plus haut (1.1) sont basées sur l’évolution temporelle
des actions de l’entreprise. Par contre, les prévisions associatives utilisent une ou
plusieurs variables pouvant servir à prévoir la demande future, autre que le
temps. Dans le modèle de prévisions associatives, on a recourt à des variables
causales (explicatives) pour prévoir la demande future.

1.3. L’approche qualitative

Cette approche est fondée sur le jugement et utilise des données subjectives
comme les enquêtes auprès des consommateurs, la perception et l’avis du
personnel, des managers, des cadres, etc..

2- Les prévisions basées sur les séries chronologiques

Samiha Gharbi
2023/2024 Page 47
M1 CGBI
Gestion de la production et de la qualité

La série chronologique est une suite d’observations prises à des intervalles

réguliers dans le temps (Stevenson et Benedetti, 2011).
On verra successivement les techniques basées sur l’analyse des moyennes (2.1)
et celles basées sur l’analyse de la tendance (2.2).

2.1. Les techniques de calcul de la moyenne

Illustrons ces différentes techniques par un exemple tiré de Carrier (1997).

Prenons l’exemple d’un grossiste qui vend des cadeaux. Le tableau suivant fait
état des ventes de ce commerçant pour l’année 2020.

Tableau 1. Ventes de l’année 2020

Mois Ventes (en Mois Ventes (en

milliers de dt) milliers de dt)
Janvier 100 Juillet 260
Février 120 Août 290
Mars 130 Septembre 270
Avril 160 Octobre 190
Mai 190 Novembre 150
Juin 230 Décembre 150

2.1.1. Les moyennes simples

Pour prévoir les ventes de janvier 2021, on pourrait considérer simplement

qu’elles sont la moyenne de toutes les ventes de 2020. On appliquera alors la
formule suivante :

�é��� ����é�
Pi+1 = � ������

Prévisions des ventes pour janvier 2021 :

100+120+130+160+190+230+260+290+270+190+150+150
12
= 186.67
Bien que cette approche soit valable, elle devient difficilement pertinente lorsque
le nombre de période est assez élevé, à cause des changements politique,
économique, social ou encore technologique.
Dans de telles situations, il convient de se limiter à des périodes les plus
représentatives (généralement les plus récentes). On utilisera ainsi les moyennes
mobiles sur n dernières périodes.

2.1.2. Les moyennes mobiles

La méthode des moyennes mobiles permet de calculer la moyenne d’un certain

nombre de valeurs réelles récentes, mises à jour au fur et à mesure qu’elles
deviennent disponibles. Par conséquent, la prévision glisse ou se déplace en
reflétant uniquement les données les plus récentes.

Samiha Gharbi
2023/2024 Page 48
M1 CGBI
Gestion de la production et de la qualité

�
�=1 ��
Pn+1 = �

où
i = période
n = nombre de périodes (les points de données) de la moyenne mobile, appelé la
base
Ri = valeur réelle de la période i passée
Pn+1 = prévision de la prochaine période
Reprenons l’exemple et calculons la moyenne mobile sur 3 mois et la moyenne
mobile sur 4 mois.

Tableau 2. Moyenne Mobile sur 3 et sur 4 mois

Mois Ventes (en MM3 MM4

milliers de dt)
Janvier 100 - -
Février 120 - -
Mars 130 - -
Avril 160 116.67 -
Mai 190 136.67 127.5
Juin 230 160 150
Juillet 260 193.33 177.5
Août 290 226.67 210
Septembre 270 260.00 242.5
Octobre 190 273.33 262.5
Novembre 150 250.00 252.5
Décembre 150 203.33 225
Janvier 2021 163.33 190

Le nombre n de périodes à choisir dépend de l’expérience du manager et d’une

certaine approche d’essai-erreur.
Quelle est la meilleure méthode ? On ne peut pas le savoir que lorsque nous
disposons des données réelles de la période. Cette démarche semble un peu
tardive, mais l’information peut servir pour des décisions futures.
Stevenson et Benedetti (2011) suggèrent une procédure par essai-erreur suivante
pour déterminer la base idéale :
1- simuler des prévisions avec différentes valeurs de la base n ;
2- calculer les écarts entre le réel et la prévision ;
3- calculer l’erreur moyenne ;
4- choisir la base qui reflète le mieux l’évolution (l’erreur moyenne étant la
plus faible).
On pourrait alors calculer l’erreur moyenne pour chaque MM (voir ci-dessous).

Tableau 3. Erreur totale et erreur moyenne (moyenne mobile)

Samiha Gharbi
2023/2024 Page 49
M1 CGBI
Gestion de la production et de la qualité

Mois Ventes (en Erreur MM3 en Erreur MM4 en

milliers de dt) || ||
Janvier 100 - -
Février 120 - -
Mars 130 - -
Avril 160 43.33 -
Mai 190 53.33 62.5
Juin 230 70 80
Juillet 260 66.67 82.5
Août 290 63.33 80
Septembre 270 10 27.5
Octobre 190 83.33 72.5
Novembre 150 100 102.5
Décembre 150 53.33 75
Erreur totale 543.32 582.5
Erreur moyenne 543.32/9 = 60.37 582.5/8 = 72.81

Remarques (carrier, 1997) :

1- la prévision obtenue avec la moyenne mobile calculée sur 3 mois révèle une
erreur moyenne inférieure à la moyenne mobile calculée sur 4 mois. On
choisira donc la MM3.

2- le calcul se fait à partir de l’erreur en valeur absolu, on considère la

différence quelque soit son signe. On évitera ainsi d’annuler deux
possibilités d’erreur, c'est-à-dire celle d’une prévision trop élevée et celle
d’une autre trop faible.

3- plus la moyenne mobile est fondée sur une longue période plus les
prévisions feront tarder la réaction mais le risque d’erreur due à
l’interférence (hasard ou fait exceptionnel) est petit. En revanche, plus la
période est courte, plus la réaction est rapide mais le risque d’erreur due à
l’interférence est grand. Le manager se posera la question suivante : doit-
on privilégier la réaction rapide ou bien éviter les interférences ? La
réponse dépend de la situation et des risques associés.

Le temps de réaction et le risque d’interférence (Carrier, 1997, p. 93)

Supposons, par exemple, que les ventes des trois mois précédents aient été
respectivement de 50, 50 et 100 unités. A l’aide d’une moyenne mobile
calculée sur trois mois, la prévision pour le quatrième mois serait de
(50+50+100)/3, soit 66.67 unités, alors que si on se servait d’une moyenne
mobile calculée sur deux mois, on laisserait de côté le mois le plus éloigné
dans le temps. La prévision pour le quatrième mois serait ainsi de
(50+100)/2, soit 75 unités.
Supposons que la vente de 100 unités, au cours du troisième mois, reflète
une autre situation et qu’on puisse dorénavant espérer des ventes d’une
Samiha Gharbi
2023/2024 Page 50
M1 CGBI
Gestion de la production et de la qualité

centaine d’unités par mois. Il est alors évident que la moyenne calculée sur
deux mois serait préférable, car celle-ci permettrait de réagir plus vite à
cette autre situation. Par contre, si les résultats du troisième mois ne
reposaient que sur le hasard ou un fait exceptionnel (une interférence),
alors la prévision calculée sur trois mois, en permettant une réaction plus
lente, permettrait de diminuer le risque d’erreur causé par cette
interférence et d’éviter de grossir les prévisions inutilement.

2.1.3. Les moyennes pondérées

Selon Stevenson et Benedetti (2011), la prévision par la moyenne mobile est

intelligible et relativement simple à calculer. Par contre, cette méthode donne la
même importance à toutes les données (anciennes ou récentes) et cela risque de
conduire à des prévisions non pertinentes.
L’approche par la moyenne pondérée vient corriger cette distorsion en attribuant
des pondérations différentes aux valeurs de la série chronologique.
A partir du même exemple, tiré de Carrier (1997), on suppose que pour être en
adéquation avec le contexte, il vaudrait mieux accorder deux fois plus
d’importance au dernier mois qu’à l’avant dernier et deux fois plus d’importance à
l’avant dernier qu’au précédant.
Si la pondération du M3, le mois le plus récent, est égale à 4, celle de M2 serait
égale à 2 et celle de M1 égale à 1 (le facteur total serait égal à 7).

La formule de prévision serait la suivante :

4∗�� + 2∗��−1 +(1∗��−2)

Pn+1 = 7

Ainsi, la prévision pour le mois de janvier 2021 serait de :

(4 * 150) + (2*150)+ (1*190)/7 = 155.71

Tableau 4. Moyenne pondérée mobile calculée sur 3 mois, Erreur totale et erreur
moyenne

Mois Ventes (en Moyenne pondérée Erreur MM3 en

milliers de dt) mobile sur 3 mois ||
Janvier 100 -
Février 120 -
Mars 130 -
Avril 160 122.86 37.14
Mai 190 145.71 44.29
Juin 230 172.86 57.14
Juillet 260 208.57 51.43
Août 290 241.43 48.57
Septembre 270 272.86 2.86
Octobre 190 274.29 84.29
Samiha Gharbi
2023/2024 Page 51
M1 CGBI
Gestion de la production et de la qualité

Novembre 150 227.14 77.14

Décembre 150 178.57 28.57
Erreur totale 431.43
Erreur moyenne 431.43/9 = 47.94

Dans cet exemple, l’erreur moyenne calculée à partir de la moyenne pondérée

mobile sur 3 mois est beaucoup plus faible que les erreurs calculées
précédemment (2.1.2).

2.1.4. Le lissage exponentiel

Une technique plus rapide consiste à faire un lissage exponentiel. Elle tient à la
fois de la méthode de la moyenne mobile et de celle de la moyenne pondérée
(Stevenson et Benedetti, 2011).
Nous venons de voir que dans le cas de la moyenne mobile, on utilise un nombre
fixe n de périodes et on donne la même importance à chacune de ces périodes, soit
un coefficient de pondération égal à 1/n. Par contre, pour la moyenne pondérée,
on pondère différemment les activités selon leur importance.
Le lissage exponentiel est une méthode basée sur la sommation de la prévision
précédente et un pourcentage de l’erreur de prévision (α). α étant un facteur de
pondération dont la valeur se situe toujours entre 0 et 1. Plus la valeur de α est
proche de zéro, plus la prévision s’ajustera lentement aux erreurs de prévision
(risque minime d’interférence, plus le lissage sera grand). Inversement, plus α est
grand, plus la réaction serait rapide, plus une interférence risque d’impacter les
prévisions et plus le lissage serait petit.

On appliquera alors la formule suivante :

Pi = Pi-1 + α (Ri-1 – Pi-1) ce qui revient à appliquer Pi = α Ri-1 + (1- α) Pi-1

Avec :
Pi = les prévisions de la période i
Ri = les activités réelles (effectives) de la période i

Prenons notre exemple en supposant que nous avons une prévision de 120 en
janvier 2020 et que notre α est établi à 0.4. On aura les prévisions suivantes.

Tableau 5. Lissage exponentiel

Samiha Gharbi
2023/2024 Page 52
M1 CGBI
Gestion de la production et de la qualité

Mois Ventes (en Prévisions Erreur en ||

milliers de dt)
Janvier 100 120 (estimation) -
Février 120 112• 8
Mars 130 115.2 14.4
Avril 160 121.12 38.58
Mai 190 136.67 53.33
Juin 230 158 72
Juillet 260 186.8 73.2
Août 290 216.08 73.92
Septembre 270 245.65 24.35
Octobre 190 255.39 65.39
Novembre 150 229.23 79.23
Décembre 150 197.54 47.54
Erreur totale 550.64
Erreur moyenne 550.64/11 = 50.06
 0.4 * 100 + 0.6 * 120

Remarque : Comme c’est le cas pour les autres techniques étudiées dans ce cours,
pour arriver à un facteur de pondération α idéal, il faut faire plusieurs tentatives
et prendre celle qui minimise l’erreur moyenne.

2.2. L’analyse de la tendance (séries chronologiques / séries temporelles)

Selon Stevenson et Benedetti (2011), les techniques fondées sur les moyennes
(simples, mobiles, pondérées ou lissées) ne tiennent pas compte de la tendance
qui peut influencer les activités de l’entreprise. On établira ainsi une relation
entre l’évolution des activités (ventes) et l’évolution du temps. L’analyse de la
tendance consiste à élaborer une équation qui décrira de manière appropriée la
tendance qui peut être linéaire ou pas (parabolique, exponentielle, croissance,
etc.). Dans le cadre de ce cours, nous nous focalisons seulement sur la tendance
linéaire.
On s’attachera à calculer les paramètres de la droite y = a x +b où y représente
les ventes et x représente le temps (mois par exemple) selon un ordre numérique.
Les facteurs a et b représentent respectivement la pente et l’origine de la droite.

(� ��)−( � �) ��−� � �
a = � �2 −( �)2
= �2 − � �2

( �2 �)−( � ��)
b= (� �2 )−( �)2
=�− ��

Prenons l’exemple suivant (tableau ci-dessous).

Tableau 6. Analyse de la tendance

x y xy x2 y2
Samiha Gharbi
2023/2024 Page 53
M1 CGBI
Gestion de la production et de la qualité

1 110 110 1 12100

2 130 260 4 16900
3 120 360 9 14400
4 150 600 16 22500
5 130 650 25 16900
6 160 960 36 25600
∑ 21 800 2940 91 108400

a = 8 et b = 105.33
y = 8 x + 105.33

On pourra alors calculer les prévisions y’

Tableau 7. Analyse de la tendance, calcul des prévisions et des erreurs

x y y’ |y-y’| |y-y’|/y
1 110 113.33 3.33 0.03
2 130 121.33 8.67 0.067
3 120 129.33 9.33 0.078
4 150 137.33 12.67 0.084
5 130 145.33 15.33 0.118
6 160 153.33 6.67 0.042
7 163.33 0.419

Dans le cadre de cette méthode, selon carrier (1997), on calcule le plus souvent
l’erreur en pourcentage. On fait ensuite la moyenne de ces pourcentages.
Pour calculer l’erreur moyenne, on appliquera la formule suivante :
|�−�' |
������� �� %
Erreur relative moyenne = ������ �� �������� =
�
�

Erreur relative moyenne = 0.416/6 = 0.0695 = 6.95%

3- Les prévisions associatives : les régressions

La technique fondée sur les séries temporelles décrite dans le paragraphe 2.

constitue une forme peu complexe de régression linéaire (Carrier, 1997). En effet,
dans ce cas, on cherche à établir la relation éventuelle entre l’ « avancement » du
temps et une variable à expliquer (par exemple, les ventes). Cependant, il existe
d’autres situations où on peut ne pas se fier uniquement au facteur temps ;
d’autres variables peuvent prévoir la variable à expliquer.
(exemple : variable à expliquer (à prévoir) ventes de pneus, variable explicative :
ventes de voiture ou/et kilomètres parcourus).
Selon Stevenson et Benedetti (2011), les techniques associatives ont pour
fondement la formulation d’une équation dans laquelle on essaye de prévoir y
(variable dépendante ou à expliquer) en fonction des variables x1, x2, .. dites
variables indépendantes ou explicatives.

Samiha Gharbi
2023/2024 Page 54
M1 CGBI
Gestion de la production et de la qualité

y = fonction (x1, x2..) ; la fonction qui détermine cette relation est la fonction de
régression. Nous allons nous concentrer dans le cadre de ce cours sur la
régression linéaire simple qui a pour principe : on trace une droite d’ajustement
qui passe le plus près possible des différents nuages de points c'est-à-dire en
minimisant la somme des écarts verticaux entre les points de la droite. On parle
de la méthode des moindres carrés ordinaires.
Cette droite d’ajustement est de la forme y = a x + b.

a : la pente de la droite

(� ��)−( � �) ��−� � �
a = � �2 −( �)2
= �2 − � �2

b : le point d’intersection de la droite d’ajustement avec l’ordonnée y

( �2 �)−( � ��)
b= (� �2 )−( �)2
=�− ��

Il faut noter que, dans un premier temps, il faut déterminer s’il existe réellement
une relation entre la variable y et la variable x. Il faut toujours procéder au calcul
du coefficient de corrélation r dont la valeur se situe toujours entre -1 (variation
de y et x opposée) et 1 (variation y et x du même sens). Plus la valeur est proche
de -1 ou 1, plus on suppose l’existence d’une grande corrélation entre la variable à
expliquer et la variable explicative.
(� ��)−( � �)
r=
� �2 − ( �)2 � �2 − ( �)2

Tableau 8. Interprétation du coefficient de corrélation (Stevenson et Benedetti,

2011, p.77)

Coefficient de corrélation Interprétation

1 à 0.9 Très haut degré de corrélation
0.89 à 0.7 Bonne corrélation
0.69 à 0.4 Corrélation faible à moyenne
0.39 à -0.39 Corrélation mauvaise ou inexistante
-0.4 à -0.69 Corrélation faible à moyenne
-0.7 à -0.89 Bonne corrélation
-0.9 à -1 Très haut degré de corrélation

L’interprétation de la force de la relation entre l’ensemble des points x et des

points y peut se faire par le calcul de coefficient de détermination r2. Ce dernier
indique le % de variation de la variable dépendante y en fonction des variations
de la variable indépendante x. Plus r2 tend vers 1 plus la correspondance est
meilleure. Ainsi si r2 = 0.81 c'est-à-dire que 81% de la variation de y dépend de la
variation de x.
Etapes génériques à suivre lors de l’application de la méthode des moindres
carrés ordinaires (adapté de Stevenson et Benedetti, 2011) :

Samiha Gharbi
2023/2024 Page 55
M1 CGBI
Gestion de la production et de la qualité

1- Tracer le graphique reliant les variables indépendantes x et la variable

dépendante y afin de visualiser la situation étudiée (facultatif).
2- Calculer le coefficient de corrélation, si r est valable, passer à l’étape 3, si r
n’est pas valable, on doit soit chercher d’autres variables indépendantes,
soit explorer une autre technique de prévision.
3- Calculer le coefficient de détermination r2.
4- Etablir l’équation y = a x + b.
5- A partir de x de la période suivante et à l’aide de l’équation de la droite
d’ajustement, établir la prévision de y.
6- Calculer l’erreur relative moyenne.

Application (d’après Carrier, 1997) :

Un manufacturier de peinture étudie sa part de marché depuis plusieurs années.

Il en est venu à la conclusion que ses ventes varient proportionnellement aux
mises en chantier de maisons d’habitation. Comme il connaît avec une certaine
précision le nombre de mises en chantier en 2020, il peut se servir de cette
information pour prévoir assez précisément son niveau de ventes.

Tableau 9. Données du problème

Année Mise en chantier en millier Ventes de peinture en

de Dt millier de Dt
2020 10.8 (prévu)
2019 12 14.5
2018 16 20.4
2017 14.8 19.8
2016 15.2 20.5
2015 17.7 23.1
2014 19 28.9
2013 16.4 21
2012 11.2 10.8
2011 9.6 8.9
2010 12.5 15.1

Calcul du coefficient de corrélation :

Tableau 10. Différents calculs

Année x y xy x2 y2
2019 12 14.5 174 144 210.25
2018 16 20.4 326.4 256 416.16
2017 14.8 19.8 293.04 219.04 392.04
2016 15.2 20.5 311.6 231.04 420.25
2015 17.7 23.1 408.87 313.29 533.61
2014 19 28.9 549.10 361 835.21
2013 16.4 21 344.4 268.96 441

Samiha Gharbi
2023/2024 Page 56
M1 CGBI
Gestion de la production et de la qualité

2012 11.2 10.8 120.96 125.44 116.64

2011 9.6 8.9 85.44 92.16 79.21
2010 12.5 15.1 188.75 156.25 228.01
144.4 183 2802.56 2167.18 3672.38

(� ��)−( � �)
r=
� �2 − ( �)2 � �2 − ( �)2

r = 0.9823 indique une très forte corrélation et incite à poursuivre l’étude de

prévision avec la technique de régression linéaire.

Calcul du coefficient de détermination :

r2 = 0.9649. Cela signifie que 96,49% des fluctuations quant aux valeurs de la
variable dépendante s’expliqueraient par les fluctuations de la variable
indépendante.

Calcul des paramètres a et b de la droite d’ajustement :

(� ��)−( � �)
a = � �2 −( �)2

10∗2802.56 − (144.4∗183)
a= 10∗2167.18 −144.42
= 1.95

( �2 �)−( � ��)
b= (� �2 )−( �)2

2167.18∗183 − (144.4∗2802.56)
b= 10∗2167.18 −144.42
= -9.87

y = 1.95 x – 9.87

Calcul des prévisions

Tableau 11. Calcul des prévisions

Année x y xy x2 y2 Prévisions
2020 10.8 11.19
2019 12 14.5 174 144 210.25 13.53
2018 16 20.4 326.4 256 416.16 21.33
2017 14.8 19.8 293.04 219.04 392.04 18.99
2016 15.2 20.5 311.6 231.04 420.25 19.77
2015 17.7 23.1 408.87 313.29 533.61 24.64
2014 19 28.9 549.10 361 835.21 27.18
2013 16.4 21 344.4 268.96 441 22.11
2012 11.2 10.8 120.96 125.44 116.64 11.97
2011 9.6 8.9 85.44 92.16 79.21 8.85
2010 12.5 15.1 188.75 156.25 228.01 14.51

Samiha Gharbi
2023/2024 Page 57
M1 CGBI
Gestion de la production et de la qualité

Calcul de l’erreur relative moyenne

Tableau 12. Calcul de l’erreur relative moyenne

Année x y xy x2 y2 Prévisions |y’-y| |y’-y|/y

y’
2020 10.8 11.19
2019 12 14.5 174 144 210.25 13.53 0.97 0.067
2018 16 20.4 326.4 256 416.16 21.33 0.93 0.046
2017 14.8 19.8 293.04 219.04 392.04 18.99 0.81 0.041
2016 15.2 20.5 311.6 231.04 420.25 19.77 0.73 0.036
2015 17.7 23.1 408.87 313.29 533.61 24.64 1.54 0.067
2014 19 28.9 549.10 361 835.21 27.18 1.72 0.06
2013 16.4 21 344.4 268.96 441 22.11 1.11 0.053
2012 11.2 10.8 120.96 125.44 116.64 11.97 1.17 0.108
2011 9.6 8.9 85.44 92.16 79.21 8.85 0.05 0.006
2010 12.5 15.1 188.75 156.25 228.01 14.51 0.59 0.039
144.4 183 2802.56 2167.1 3672.3 0.523
8 8

L’erreur relative moyenne est de 5.23%.

Remarque :
On pourrait utiliser dans le cas des séries chronologiques ou des régressions
linéaires, l’erreur avec l’équation suivante :

( �2 )−(� �)−(� ��)

Sxy = �−2

3672.38− −9.87∗ 183 − (1.95∗2802.56)

Sxy = 10−2
= 1.3
On pourrait alors utiliser la courbe de distribution en t (courbe de student). A
l’aide de la marge d’erreur obtenue et selon le nombre de degré de liberté (nddl =
n – k – 1 avec n : nombre d’observation et K nombre de variables explicatives), on
peut donc déterminer les limites supérieure et inférieure de la prévision.
Si on désigne un niveau de fiabilité de 0.1 c'est-à-dire que le taux de probabilité
de la prévision s’élève à 90%. Si on se réfère à la table t, on trouvera un facteur
de t = 1.86 (voir annexe), on pourra alors calculer la limite inférieure et la limite
supérieure de la prévision :
limite inférieure = y2020 – (t * Sxy) = 11.19 – (1.86*1.3) = 8.772
limite supérieure = y2020 + (t * Sxy) = 11.19 + (1.86*1.3) = 13.608

Samiha Gharbi
2023/2024 Page 58
M1 CGBI
Gestion de la production et de la qualité

4- La programmation linéaire

La programmation linéaire est un outil mathématique qui permet de trouver la

solution optimale à un problème, compte tenu de contraintes (budgétaires, main
d’œuvre, matières premières, etc.).
Deux méthodes sont le plus souvent utilisées pour résoudre des problématiques
de programmation linéaire (Stevenson et Benedetti, 2011) :
- la méthode graphique,
- la méthode du simplexe.

4.1. La méthode graphique

Cette méthode est adaptée dans le cas où nous avons deux variables (ou
dimensions). Au-delà, nous utiliserons la méthode du simplexe.

Exemple (tiré de Stevenson et Benedetti, 2011) :

Une entreprise d’assemblage d’ordinateurs assemblement deux modèles x1 et x2.
Chaque modèle doit être assemblé, contrôlé et ensuite entreposé. Les ressources
de l’entreprise étant limitées, la directrice de la production désire savoir quelle
est la meilleure combinaison de x à assembler pour maximiser le profit. Elle
dispose des informations suivantes :
X1 X2
Profit (Dt/unité) 60 50
Assemblage (heure/unité) 4 10
Contrôle de la qualité 2 1
(heure/unité)
Volume (litres) 85 85

Les ressources de l’entreprise sont limitées :

Ressources Disponibilités
Chaîne d’assemblage 100 heures
Contrôle de la qualité 22 heures
Espace d’entrepôt 1100 litres (1.1 mètre cube)

Pour trouver la solution optimale, il faut suivre les quatre étapes suivantes :
1- Formaliser la fonction objective
2- Formaliser les contraintes
3- Délimiter sur un graphique la surface des solutions
4- Trouver la combinaison de x1, x2 qui optimise la fonction objective.

Résolution graphique :
1- Ecrire l’équation de la fonction objective (fonction économique du
programme)
Max z = 60 x1 + 50 x2

2- Ecrire les équations des différentes contraintes :

4 x1 + 10 x2 ≤ 100

Samiha Gharbi
2023/2024 Page 59
M1 CGBI
Gestion de la production et de la qualité

2 x1 + x2 ≤ 22
85 x1 + 85 x2 ≤ 1100
x1, x2 ≥ 0 (contraintes de non négativité)
3-
Les différentes contraintes peuvent être rapportées sur un graphique: une fois les
contraintes traduites en inéquations, on peut les représenter graphiquement
(voir ci-dessous) sur un plan qui présente :
- les quantités de x1 sur un axe,
- les quantités de x2 sur l’autre axe.
Chaque contrainte partage le plan en trois zones :
- la droite elle-même qui représente toutes les combinaisons de produits
qui saturent la contrainte (programmes de production qui utilisent le
maximum de capacités) ;
- une zone en dessous de la contrainte : les combinaisons de cette partie
du plan respectent la contrainte mais n’assurent pas le plein emploi de
ses capacités ;
- la partie supérieure du plan : les combinaisons de produits sont
inacceptables puisqu’elles nécessitent plus de facteurs de production
que l’on en dispose.
Une fois toutes les droites tracées, on peut ainsi éliminer les programmes de
production irréalisables (qui excèdent au moins une contrainte, partie colorée du
graphique) et visualiser par différence l’ensemble de programmes de production
possibles (qui ne dépassent aucune contrainte). Cet ensemble est appelé
« polygone des possibles » (partie non colorée du graphique).
Une fois l’ensemble des programmes de production réalisables identifié, il reste à
trouver le programme optimal, c'est-à-dire celui qui maximise le profit. La
fonction économique du programme peut s’écrire : x2 = -1.2 x1 + Max Z
Cela revient à tracer la droite de pente égale à – 1,2. Cette droite doit être
représentée au point (0,0) puis la faire glisser vers le haut et on s’arrêtera alors
au dernier point de contact (le point le plus rapproché de l’origine si on est dans
le cas d’une minimisation de la fonction objective) avec le polygone des possibles
comme le montre le graphique ci-dessous (point M du polygone).

Samiha Gharbi
2023/2024 Page 60
M1 CGBI
Gestion de la production et de la qualité

4-
Le programme optimal est celui correspondant aux coordonnées du point optimal
identifié. Pour déterminer ces coordonnées avec rigueur, il convient d’identifier
les droites à l’intersection desquelles il se trouve et de résoudre le système
d’équation correspondant aux équations des droites.
Dans cet exemple, le point optimal se trouve à l’intersection des droites de la
contrainte entreposage et la contrainte contrôle qualité. Les quantités x1 et x2
recherchées sont donc la solution du système :
2x1 + x2 = 22 en l’occurrence x1 = 9 et x2 = 4
85x1 +85 x2 = 1 100
Le programme de production optimal est donc de 9 x1 et 4 x2 pour un profit de
740 DT.

4.2. La méthode du simplexe

Il s’agit d’un algorithme permettant de résoudre le problème de programmation

linéaire, dans le cas où le nombre de variables est supérieur à deux. On peut
résoudre le problème manuellement (tableaux avec un certain nombre d’itération)
ou en se basant sur des logiciels spécialisés. Il est à noter qu’il existe sur le
marché plusieurs logiciels qui permettent de résoudre le simplexe. On peut citer
Storm ou MS Excel (sous programme nommé Solveur).

Samiha Gharbi
2023/2024 Page 61
M1 CGBI
Gestion de la production et de la qualité

Reprenons l’exemple ci-dessus :

Max z = 60 x1 + 50 x2
4 x1 + 10 x2 ≤ 100
2 x1 + x2 ≤ 22
85 x1 + 85 x2 ≤ 1100
x1, x2 ≥ 0 (contraintes de non négativité)
En utilisant http://www.phpsimplex.com/simplex/simplex.htm?l=fr

La solution optimale est Z = 737.64705882353

X1 = 9.0588235294118
X2 = 3.8823529411765

5- L’approche qualitative

La prévision qualitative permet d’analyser des données subjectives provenant de

diverses sources, comme par exemple les enquêtes auprès des consommateurs,
l’opinion d’une personne.
Les techniques de prévision qualitatives sont donc basées sur le jugement et
l’opinion. On pourra citer les prévisions internes (qui proviennent des différents
niveaux dans l’entreprise), la technique Delphi1, le panel d’expert2 et les
comparaisons historiques.
Applications :
Application n°1 :
Une entreprise prévoit se servir du lissage exponentiel pour prévoir la demande des
semaines à venir.
On a noté les données de ventes ci-dessous, en supposant que, pour la première semaine,
les prévisions ont été de 60 unités.
Semaine Semaine Demande
Demande
(en
(en unités)
unités)
1 60 9 60
2 68 10 72
3 44 11 60
4 32 12 40
5 20 13 24
6 20 14 40
7 28 15 60
8 40

1. On suppose que 0,2 ; Calculer la valeur des prévisions

1
La technique Delphi consiste à recueillir les opinions d’un panel d’expert en leur fournissant individuellement
la possibilité de connaitre les opinions des autres mais on leur interdisant de communiquer entre eux.
2
Dans ce cas, on favorise la communication entre ces experts afin d’arriver à un consensus.
Samiha Gharbi
2023/2024 Page 62
M1 CGBI
Gestion de la production et de la qualité

2. Calculer la valeur des prévisions dans le cas où 0,1

3. Commenter la différence, en pourcentage, entre les prévisions quand 0,2 et
0,1.

Application n°2 :
Les données dans le tableau ci-dessous indiquent le nombre de jours de travail perdus à
l’entreprise Béta pour cause d’accident au cours des sept dernières années.

Année Nombre de jours

Nombre d’employés
perdus
2014 15000 5000
2015 12000 20000
2016 20000 15000
2017 26000 18000
2018 35000 17000
2019 30000 30000
2020 37000 35000
1. A l’aide d’une équation de régression linéaire, calculer le nombre de jours perdu en
vous basant sur le nombre d’employés. On supposera qu’il existe une forte
corrélation entre les deux variables.
2. Estimer le nombre d’accidents si le nombre d’employés prévu est de 33000 au cours
de la prochaine année.

Références bibliographiques du chapitre III :

Carrier S. (1997), La gestion des opérations : une approche pratique, Gaëtan
Morin, 2ème édition, 344 p.
Stevenson William J. et Benedetti C. (2011), La gestion des opérations : produits
et services, Les éditions de la Chenelière /McGraw-Hill, 3ème édition, 784 p.

Samiha Gharbi
2023/2024 Page 63
M1 CGBI
Gestion de la production et de la qualité

ANNEXE AU CHAPITRE III

La table du t de Student-Fisher

Samiha Gharbi
2023/2024 Page 64