Les simulations comme modèles : hypothèses dans une file de caisse

InformatiqueAlgorithmique et résolution de problèmes17–18 ans

Utiliser avec ma classe

Une vraie file d'attente de caisse, relevée pendant un après-midi dans une supérette d'un campus universitaire, face à sa simulation. Cochez ou décochez quatre hypothèses simplificatrices (les clients arrivent à intervalles réguliers, chaque passage en caisse dure le même temps, personne ne quitte une longue file, le rythme d'arrivée reste le même tout l'après-midi), lancez le modèle avec une graine ou faites la moyenne de 100 exécutions, puis comparez l'attente moyenne et la plus longue avec l'après-midi observé. Un tableau enregistre le biais de chaque ensemble d'hypothèses.

Leçon : Les simulations comme abstractions : hypothèses simplificatrices, nombres aléatoires et biais

Ce qu’elle montre

Une simulation est une abstraction du monde réel : elle garde certains détails et en laisse d'autres de côté. Ici, une file de caisse est modélisée pendant un après-midi, et chaque modèle reçoit les données mesurées lors d'un véritable après-midi à la caisse d'une supérette : le nombre de clients et la durée de leur passage. Chaque hypothèse simplificatrice rend le modèle plus facile à construire, mais peut biaiser la réponse et donner des attentes trop courtes ou trop longues ; les attentes relevées montrent de combien. Comme le modèle utilise des nombres aléatoires, une exécution peut s'écarter fortement de la normale : on compare des moyennes de nombreuses exécutions.

Mode d’emploi

Cochez les hypothèses que le modèle doit faire, puis cliquez sur Lancer pour regarder l'après-midi, ou sur Moyenne de 100 exécutions. La ligne grise est l'après-midi observé et la ligne bleue, le modèle. Lisez dans les cases l'attente moyenne, la plus longue et le biais ; chaque exécution est notée dans le tableau. Modifiez Caisses ouvertes pour tester des scénarios, et la Graine aléatoire pour voir une autre exécution.

Paramètres modifiables

  • Arrivées à intervalles réguliers
  • Même temps de service pour tous
  • Personne ne quitte une longue file
  • Rythme d'arrivée constant tout l'après-midi
  • Caisses ouvertes 1–4
  • Graine aléatoire 1–999

Questions à explorer

  1. Comment l'attente moyenne du modèle change-t-elle quand vous décochez les quatre hypothèses une à une ?
  2. Quelles deux hypothèses changent le plus l'attente moyenne, et pourquoi la raccourcissent-elles ?
  3. Pourquoi faut-il comparer des moyennes de nombreuses exécutions plutôt qu'une seule exécution ?