La méthode a été appliquée à l'évaluation de la fiabilité/disponibilité d'un système complexe composé d'un grand nombre d'éléments, connaissant les caractéristiques de chaque élément et les relations de dépendance entre éléments.

Dans le cas de systèmes markoviens homogènes ou non, la description du système se ramène à la construction des matrices des taux de transition. Reste ensuite à résoudre le système d'équations de KOLMOGOROV pour connaître l'évolution temporelle du système. La taille des matrices ainsi constituées peut être considérable et leur inversion peut alors devenir un problème délicat. Pour contourner cette difficulté, une méthode basée sur une description arborescente du système par regroupement de sous-systèmes permet de le décrire par une matrice réduite de taux de transition équivalents. La méthode de Monte Carlo est appliquée à l'évaluation de ces taux équivalents et représente une alternative intéressante à la résolution analytique.

En revanche, dans le cas de processus non markoviens, l'équation de KOLMOGOROV n'est plus adaptée à la description d'un tel système. La méthode analytique précédente n'est plus envisageable simplement. Dans ce contexte, la méthode de Monte Carlo, qui s'affranchit de l'hypothèse markovienne, est directement utilisée au calcul des probabilités des états du système en fonction du temps. Elle permet en particulier d'introduire des taux de transition dépendant du temps écoulé entre deux transitions, de prendre en compte des événements déterministes susceptibles de réinitialiser partiellement ou totalement le système, de considérer les taux de transition comme des variables aléatoires ...

Pour réduire, à temps de calcul fixé, l'erreur statistique inhérente à ce type de simulation, on s'est attaché à forcer l'occurrence des événements de panne en privilégiant les chemins qui y conduisent et en contrôlant l'étalement de la distribution des poids statistiques qui en résultent.

---