Bornes Stochastiques (Stochastic Bounds)

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Abderrahmane Mira de Béjaia
Ecole Doctorale d’Informatique
Option : REseaux et SYstèmes Distribués
Bornes stochastiques
(Stochastic bounds)
Nadir BOUCHAMA
Saïd YAHIAOUI
JUILLET 2004
http://www.univ-bejaia.dz/
http://www.lamos.org
Sommaire
Résumé ...................................................................................................................................... 1
Introduction .............................................................................................................................. 2
I. Chaînes de Markov à grand espace d’états .................................................................. 2
1. Méthode des bornes stochastiques ............................................................................................. 3
II. Ordres stochastiques (Stochastic orderings).................................................................. 4
1. Principe....................................................................................................................................... 4
2. Ordre stochastique fort (strong stochastic order) ....................................................................... 4
3. Comparaison de deux chaînes de Markov.................................................................................. 5
III. Algorithme de VINCENT .............................................................................................. 6
1. Principe....................................................................................................................................... 6
2. Notation...................................................................................................................................... 7
3. Remarques importantes sur l’algorithme de Vincent ................................................................. 7
IV. Améliorations de l’algorithme de VINCENT............................................................... 8
1. Résoudre le problème de suppression de transitions dans la matrice v(P) ................................. 8
2. Amélioration de l’exactitude des bornes ................................................................................... 8
V. Méthodologie pour réduire la compléxité ................................................................... 10
1. Matrices Hessenberg-supérieures............................................................................................. 11
2. Notion de décomposabilité (lumpability) ................................................................................. 11
3. Matrices de la classe C ............................................................................................................. 12
VI. Ordre ICX .................................................................................................................... 14
1. Définitions et notations ............................................................................................................ 14
2. Remarque sur l’algorithme de construction d’une borne supérieure icx-monotone................. 15
3. icx-monotonicité pour les matrices stochastiques de la classe C ............................................. 16
VII. Applications des bornes stochastiques........................................................................ 16
VIII. Exemple ......................................................................................................................... 16
CONCLUSION....................................................................................................................... 22
BIBLIOGRAPHIE ................................................................................................................. 23
Résumé
L’intérêt des bornes stochastiques est d’éviter le problème numérique dû à la taille
des modèles originels et de calculer rapidement un encadrement des quantités à évaluer. Ceci
permet de montrer que les contraintes de Qualité de Service (QoS) sont satisfaites, mais pas
d’obtenir une valeur exacte. Plus précisément, cette approche consiste à construire des
modèles qui fournissent des bornes supérieures (upper bounds) ou inférieures (lower bounds)
des distributions stationnaires ou transitoires, ou plus simplement de leurs premiers moments.
Il est à noter que le cadre de travail considéré ici est les Chaînes de Markov à Temps Discret
(CMTD).
Dans ce rapport nous essayerons d’introduire au lecteur la notion de bornes
stochastiques. Nous donnerons d’abord les fondements théoriques ainsi que l’algorithme
de Vincent qui est le point de départ pour tous les autres algorithmes cités infra. Par la
suite, on reprendra un exemple pratique de l’utilisation des bornes stochastiques pour
l’évaluation des taux de pertes de cellules dans un tampon (buffer) d’ un commutateur
ATM.
Mots clés : Bornes stochastiques, ordre stochastique, chaînes de Markov, st-monotonicité,

fonctions de récompense, ordre de Stoyan, ordre icx, algorithme de Vincent.
BOUCHAMA Nadir et YAHIAOUI Saïd 1 RESYD 2004

Introduction
La complexité des systèmes informatiques ne fait qu’augmenter. Par conséquent, il faut
développer des outils puissants pour leur planification et gestion. Afin de raccourcir les délais
de prototypage et de test, des méthodes de modélisation et de prédiction de performances sont
mises en œuvre. De façon générique, ces deux étapes sont appelés évaluation de
performances [FER 98].
L’évaluation de performances des systèmes informatiques a pour objectif d’obtenir des
valeurs numériques d’un certain nombre d’indices dont on considère qu’ils rendent compte de
leurs performances. Trois catégories de méthodes sont employées dans ce but : les techniques
de mesures, la simulation et les méthodes analytiques, ces deux dernières étant fondées sur
des modèles des systèmes étudiés qui font eux-même référence à des théories mathématiques
[MOR 03]. Lorsque la taille du modèle markovien empêche sa résolution exacte à l’équilibre,
il reste au modélisateur à se tourner vers une des trois approches classiques : la simulation,
l’approximation ou les méthodes de bornes [MOR 03].
Pour les systèmes trop importants pour permettre une étude exacte, markovienne ou non,
on a recours aux méthodes approchées ou aux méthodes dites de bornes. Les méthodes de
bornes stochastiques conduisent à résoudre des systèmes plus simples qui sont déduits du
modèle (réseau de files d’attente ou autres). Un des intérêts de ces techniques est de garantir
une estimation de l’erreur commise en utilisant les bornes en lieu et place des indices exacts,
pour autant bien entendu qu’on dispose de majorations et minorations au niveau du modèle.
I. Chaînes de Markov à grand espace d’états

Pour les systèmes de communication où l’interaction entre les différents objets est très
complexe et les méthodes classiques d’évaluation de performances ne sont pas adéquates pour
faire face à cette complexité, il faut développer des outils mathématiques et logiciels très
performants. Depuis les travaux de Brigitte Plateau sur la décomposition et la représentation
compacte d’une chaîne de Markov en utilisant les Réseaux d’Automates Stochastiques (RAS),
on sait comment modéliser les systèmes complexes à composant en interaction et à grand
espace d’états [FOU 03a].
L’idée principale dans l’approche des RAS est de décomposer le système en ses
composants et de modéliser chaque composant de façon séparée. Une fois ceci fait, les
interactions et les dépendances entre composants peuvent être ajoutées pour compléter le
modèle. La matrice stochastique de la chaîne est obtenue par des sommations et produits
tensoriels des composants locaux [FOU 03a].

En fait, l’avantage des RAS est double :

1. Chaque composant du système peut être modélisé plus facilement,
2. L’espace requis pour le stockage de la matrice de transition est plus petit.
La représentation tensorielle est donnée par :
P = ∑ ⊗j M ij
i
Mais, l’utilisation de cette représentation au lieu de la représentation éparse de la matrice de

transition augmente le temps nécessaire pour l’analyse numérique des chaînes de Markov.
Malgré le nombre considérable de travaux faits pour l’analyse numérique des chaînes de
Markov, des problèmes se posent toujours quand l’espace des états est très grand.
Heureusement, lors de la modélisation des réseaux à haut débit il est souvent suffisant de
satisfaire les exigences attendues en Qualité de Service (QoS). En effet, des valeurs exactes
des indices de performances ne sont pas nécessaires dans ce cas. De ce fait, il nous est
suffisant d’encadrer les fonctions de récompense.
Supposons que nous devons modéliser un système possédant une chaîne de Markov à grand
espace d’états, nous avons besoin de calculer son état stationnaire (steady-state) afin d’obtenir
des fonctions de récompense (rewards functions).
1. Méthode des bornes stochastiques

1.1. Idée clé
Les méthodes de réduction de l’espace des états ont montré leur puissance pour faire face
au problème d’explosion de l’espace des états [DAY 99][FOU 95][BEN 02a]. L’idée clé de la
méthode des bornes stochastiques est de concevoir une nouvelle chaîne de Markov telle que
les fonctions de récompense de celle-ci soient une borne supérieure (upper bound) ou
inférieure (lower bound) des fonctions de récompense de la chaîne de Markov originale. La
nouvelle chaîne est un modèle agrégé ou simplifié du modèle original. En fait, ces bornes et
les critères de simplification sont basés sur la notion d’ordre stochastiques (stochastic
orderings) appliqués aux chaînes de Markov.
Ainsi, comme l’espace des états et/ou la complexité ont été considérablement réduits, on
peut par la suite utiliser les méthodes numériques pour calculer efficacement des bornes
stochastiques pour les fonctions de récompense. Plusieurs méthodes ont été proposées pour
borner les fonctions de récompense : résolution d’un système algébrique linéaire par Courtois
et Semal, le processus markovien de décision par van Dijk, etc. [FOU 03a][FOU 03b]

1.2. Les deux étapes d’obtention des bornes

L’obtention des bornes stochastiques se fait en deux étapes :
1. Obtenir une matrice bornante (bounding matrix) ainsi qu’une borne des distributions
2. Simplifier les calculs pour la résolution numérique.
II. Ordres stochastiques (Stochastic orderings)

1. Principe
La méthode des ordres stochastiques pour l’évaluation des performances consiste à
encadrer stochastiquement l’indice des performances considéré. Autrement dit, on définit un
ordre entre la distribution de probabilités de la variable d’état du système analysé et celle d’un
système qui fournira le majorant (ou le minorant) de l’indice de performance étudié. En
général, l’espace d’états est discret et dénombrable.
Plusieurs ordres stochastiques existe en littérature : ordre sample-path, ordre st, ordre icx,
etc [BEN 00][DAY 99][YAZ 91].
Soient deux variables aléatoires X et Y qui prennent des valeurs dans un espace
totalement ordonné et qui sont comparables dans les sens de l’ordre stochastique fort.
Intuitivement, X <st Y signifie qu’il est plus probable pour X de prendre des valeurs que Y
[DAY 99][BEN 00] alors que X <icx Y signifie qu’il est plus probable pour X de prendre des
valeurs extrêmes que Y.
2. Ordre stochastique fort (strong stochastic order)

On se restreint ici aux Chaînes de Markov à Temps Discret (CMTD) avec un espace
d’états fini E = {1, 2,…, n}. Les modèles à temps continu peuvent être aussi considérés après
uniformisation. On note par Pi,* la ligne i de la matrice P.
Selon Dietrich Stoyan, on peut définir l’ordre stochastique fort par un ensemble de
fonctions non décroissantes ou par la matrice Kst.
Définition 1
Soient X et Y des variables aléatoires prenant des valeurs dans un espace totalement
ordonné. Alors X est dit plus petit que Y dans l’ordre stochastique fort noté X <st Y si et
seulement si E[ f(X)] ≤ E[ f(Y)] pour toutes les fonctions non décroissantes f où les
espérances existent.

Si X et Y prennent des valeurs dans l’espace fini d’états {1, 2,...,n} avec p et q comme vecteurs
de distribution de probabilités, alors X est dit plus petit que Y dans l’ordre stochastique fort
n n
noté X <st Y si et seulement si ∑ Pj ≤ ∑q j pour k=1,2,…n.
j =k j =k
Les indices de performances tels que la population moyenne, le taux de perte sont des
fonctions non décroissantes. Par conséquent, les bornes sur les distributions impliquent des
bornes sur les indices de performances.
Définition 2 (en utilisant la matrice Kst)

Si X et Y prennent des valeurs dans l’espace d’états fini {1, 2,…, n} avec p et q comme
vecteurs de distribution de probabilité alors X est dit plus petit que Y dans le sens
stochastique fort noté X <st Y si et seulement si p.Kst ≤ q.Kst
1 0 0 ... 0
1 1 0 ... 0
Avec Kst = 1 1 1 ... 0
... ... ... ... 0
1 1 1 ... 1
Exemple
Soient α= (0.1, 0.3, 0.4, 0.2) et β = (0.1, 0.1, 0.5, 0.3) deux vecteurs de distributions de
probabilité. Alors on a α <st β car :
0.2 ≤ 0.3
0.4 | 0.2 ≤ 0.5 | 0.3
0.3 | 0.4 | 0.2 ≤ 0.1 | 0.5 | 0.3
3. Comparaison de deux chaînes de Markov

Il est connu depuis longtemps que la monotonicité et la comparabilité des matrices de
transitions sont suffisantes pour comparer deux CMTDs.
Dans ce qui suit nous donnerons la définition de la st-monotonicité.
3.1. St- monotonicité

Définition
Soit P une matrice stochastique. P est st-monotone si et seulement si pour tout u et v si u <st v
alors u.P <st v.P

3.2. Comparaison stochastique de deux matrices stochastiques

La monotonicité et la comparabilité des matrices de transitions sont suffisantes pour
comparer deux CMTDs.
Définition
Soient P et Q deux matrices stochastiques. Alors P <st Q sauf seulement si P.Kst ≤ Q.Kst
Ceci peut être caractérisé par Pi,* <st Qi,* pour tout i.
III. Algorithme de VINCENT

1. Principe
Pour qu’une matrice carrée Q soit une borne supérieure st-monotone pour une matrice
carrée P de même dimension, il faut que le système d’inéquations suivant soit vérifié :
n n
∑
k= j
P i, k ≤ ∑Q
k= j
i, k ∀ i, j
n n (1)
∑Q
k= j
i,k ≤ ∑Q
k= j
i +1 ,k ∀ i, j
L’idée de base dans l’algorithme de Vincent est de remplacer les inéquations dans le système
(1) par des équations comme dans le système d’équations (2) :
n n
∑
k = j
P i, k = ∑
k = j
Q i,k ∀ i, j
(2)
n n
∑Q
k= j
i,k = ∑Q
k= j
i +1 ,k ∀ i, j
Algorithme de Vincent
Algorithme 1: Construction d’une borne supérieure st-monotone optimale Q

q1,n = p1,n ;
pour i =2,3,…,n faire qi,n = max (qi-1,n, pi,n) ; fait
pour l = n-1,n-2,…1 faire q1,l = p1,l ;
pour i =2,3,…,n faire
n n n
qi,l = max(∑qi−1, j ,∑ pi, j) − ∑qi, j ; fait
j =1 j =1 j=i +1
fait

2. Notation
Nous noterons v(P) la matrice obtenue en appliquant l’algorithme de Vincent à la matrice
de transition P.
Exemple de déroulement de l’algorithme de Vincent
0.5 0.2 0.1 0.2 0.0 0.5 0.2 0.1 0.2 0.0
0.1 0.7 0.1 0.0 0.1 0.1 0.6 0.1 0.1 0.1
P1 = 0.2 0.1 0.5 0.2 0.0 v(P1) = 0.1 0.2 0.5 0.1 0.1
0.1 0.0 0.1 0.7 0.1 0.1 0.0 0.1 0.7 0.1
0.0 0.2 0.2 0.1 0.5 0.0 0.1 0.1 0.3 0.5
Calcul de l’état stationnaire
En calculant les distributions stationnaires on trouve :
• πp1 = (0.180, 0.252, 0.184, 0.278, 0.106)
• πQ = (0.143, 0.190, 0.167, 0.357, 0.143)
(On peut vérifier facilement que : πp1 <st πQ )
• Espérances : 1.87 pour P1 et 2.16 pour v(P1)
3. Remarques importantes sur l’algorithme de Vincent

3.1. Optimalité
L’algorithme de Vincent donne la plus petite borne supérieure dans le sens de l’ordre
stochastique fort. Ceci est donné dans le théorème 1 suivant :
Théorème 1 L’algorithme de Vincent offre la plus petite borne supérieure st-monotone pour
une matrice P. Autrement dit, si on considère une autre borne supérieure st-monotone U pour
P, alors Q<st U.
Cependant, des améliorations peuvent être faites pour améliorer la précision des bornes
sur les fonctions de récompense. On verra infra comment utiliser des polynômes pour
améliorer l’exactitude des bornes.
3.2. Suppression de transitions dans la matrice v(P)
Il peut arriver que la matrice v(P) calculée par l’algorithme de Vincent soit réductible
bien que P ne l’est pas.
3.3. Complexité
Il arrive que v(P) soit plus difficile à résoudre que P. Par exemple:
0.5 0.2 0.1 0.1 0.1 0 . 5 0 . 2 0 .1 0 . 1 0 . 1
1.0 0.0 0.0 0.0 0.0 0 . 5 0 . 2 0 .1 0 . 1 0 . 1
P= 1.0 0.0 0.0 0.0 0.0 v(P) = 0 . 5 0 . 2 0 .1 0 . 1 0 . 1
1.0 0.0 0.0 0.0 0.0 0 . 5 0 . 2 0 .1 0 . 1 0 . 1
1.0 0.0 0.0 0.0 0.0 0 . 5 0 . 2 0 .1 0 . 1 0 . 1

On voit bien que la matrice originale P est plus facile à résoudre que v(P)celle obtenue en
appliquant l’algorithme de Vincent à la matrice P
IV. Améliorations de l’algorithme de VINCENT

1. Résoudre le problème de suppression de transitions dans la matrice v(P)
Comme nous m’avons vu dans la remarque 2, il peut arriver que la matrice v(P)
obtenue en appliquant l’algorithme de Vincent à la matrice P soit réductible bien que P ne
l’est pas.
Quelques éléments de v(P) peuvent être nuls alors que les éléments correspondants dans la
matrice P sont strictement positifs. Pour ce faire une amélioration de l’algorithme de
Vincent est donnée dans l’algorithme 2 ci-dessous :
Algorithme 2: Construction d’une borne supérieure st-monotone optimale Q sans

suppression des transitions
q1,n = p1,n ;
pour i =2,3,…,n faire qi,n = max (qi-1,n, pi,n) ; fait
pour l = n-1,n-2,…1 faire q1,l = p1,l ;
n n n
qi,l = max(∑qi−1, j ,∑ pi, j) − ∑qi, j ;
j =1 j =1 j=i +1
n
si (qi,l = 0) et (pi,l > 0) et ( ∑qi, j < 1)
j = i +1
alors
n
qi,l= ε * (1- ∑qi, j ) ; fait
j = i +1
fait
Remarque : ε est une valeur réelle positive strictement inférieure à 1.

L’algorithme 2 essaye de garder presque toutes les transitions de P dans v(P). Une preuve
nécessaire et suffisante sur p pour obtenir une matrice irréductible est donnée par le théorème
2 suivant :
Thèorème 2
Soit P une matrice stochastique finie irréductible. La matrice Q calculée à partir de P par
l’algorithme 2 est irréductible si et seulement si chaque ligne du tringle inférieur de la
matrice P contient au moins un élément strictement positif.
2. Amélioration de l’exactitude des bornes

En fait, comment peut-on améliorer l’exactitude de la distribution de l’état stationnaire ?

Ceci peut se faire en appliquant quelques transformations sur P avant d’appliquer l’algorithme
de Vincent
2.1. Utilisation de polynômes

2.1.1. Idée clé
En premier lieu, utiliser une fonction α(P,δ)=(1−δ).I +δ.P avec δ∈[0.1] . En effet :
Ceci n’a aucun effet sur la distribution de l’état stationnaire,
Ceci a une large influence sur l’algorithme de Vincent.
Théorème 3 Soient P une CMTD et deux variables réelles δ1, δ2 ∈ [0,1] et tels que δ1 < δ2.
Alors:
π v ( α ( P , δ 1 )) < st πv (α ( P , δ 2 )) < st πv ( P )
2.1.2. Choix de δ
Définition : Une matrice est dite à diagonale dominante si tout ses élément diagonaux sont
supérieurs ou égaux à 0.5.
Corollaire : Si P est une matrice stochastique à diagonale dominante. Alors v(P) et v(α(P))
ont la même distribution de probabilité à l’état stationnaire.
δ = ½ est suffisant pour transformer une matrice stochastique arbitraire en une matrice à
diagonale dominante
Par conséquent, la transformation P/2 + I/2 offre la meilleure borne.
Définition : Soit D l’ensemble des polynômes Φ() tels que Φ(1) =1, Φ différent de l’identité,
et tout les coefficients de Φ sont non négatifs.
Théorème 4 Soit Φ un polynôme arbitraire dans D. L’algorithme de Vincent appliqué
surΦ(P) fournit une borne plus exacte que l’état stationnaire de Q. Autrement dit :
πP <st πv(Φ(P)) <st πv(P)

Remarque
Plus le degré de Φ est plus grand, plus la borne v(Φ(P)) est exacte. Ceci est illustré dans
l’exemple suivant :
Exemple : Soit la matrice stochastique suivante :
0 .1 0 .2 0 .4 0 .3
0 .2 0 .3 0 .2 0 .3
P3 =
0 .1 0 .5 0 .4 0
0 .2 0 .1 0 .3 0 .4

On étudiera les polynômes Φ(X) = X/2 + I/2 et Ψ(X) = X2/2 + I/2

Les résultats sont les suivants :
0.55 0.1 0 .2 0.15 0.55 0.1 0 .2 0.15

0 .1 0.65 0.1 0.15 0 .1 0.55 0.2 0.15
Φ (P3) = v(Φ (P3)) =
0.05 0.25 0.7 0 0.05 0.25 0.55 0.15
0 .1 0.05 0.15 0.7 0.05 0.1 0.15 0.7
0.575 0.155 0.165 0.105 0.575 0.155 0.165 0.105

Ψ (P3) = 0.08 0.63 0.155 0.135 v(Ψ (P3)) = 0.08 0.63 0.155 0.135
0.075 0.185 0.65 0.09 0.075 0.185 0.605 0.135
0.075 0.13 0.17 0.625 0.075 0.13 0.17 0.625
D’autre part, on a :
0 .1 0 .2 0 .4 0 .3
v (P3) = 0 .1 0 .2 0 .4 0 .3
0 .1 0 .2 0 .4 0 .3
0 .1 0 .2 0 .3 0 .4
On calcule les états stationnaires :
πv(P3) = (0.1, 0.2, 0.3667, 0.3333)

πv (Φ(P3)) = (0.1259, 0.2587, 0.2821, 0.3333)
πv(ψ(P3)) = (0.1530, 0.2997, 0.2916, 0.2557)
πP3 = (0.1530, 0.3025, 0.3167, 0.2278)
Il est très clair que les bornes obtenues par Ψ sont plus exactes que les autres bornes.
V. Méthodologie pour réduire la compléxité

Pour réduire la complexité de résolution des systèmes d’équation, on peut :
Utiliser des matrices avec des propriétés structurelles et numériques particulières
Utiliser des algorithmes (plus efficaces) pour la résolution numérique
Utiliser des matrices à caractéristiques spéciales: matrices de Hessenberg, matrices
décomposables en blocs, matrices de classe C ,etc.

1. Matrices Hessenberg-supérieures
1.1. Définition
Une matrice H est dite Hessenberg-supérieure sauf seulement si Hi,j= 0 pour i > j+1.
En fait, les matrices Hessenberg-supérieures font mouvoir la masse probabilité de la gauche
vers la droite.
Algorithme 3 : Construction d’une borne supérieure st-monotone et Hessenberg -

Supérieure Q
q1,n = p1,n ;
pour i =2,3,…,n faire q1,i = p1,i ; qi+1,n= max (qi,n, pi+1,n ) ; fait
pour l = n-1,n-2,…,i faire
n n n
qi,l = max( ∑qi −1, j ,∑pi,l) − ∑qi, j ; fait
j =1 j =1 j=i +1
n
si (qi,l = 0) et (pi,l > 0) et ( ∑q
j = i +1
i, j < 1) alors
n
qi,l = ε * (1- ∑qi, j ) ; fait
j = i +1
n
qi,i-1 = 1- ∑qi, j
j =i
;
pour l = i-2, i-3,…,1 faire qi,l = 0 ; fait

fait
2. Notion de décomposabilité (lumpability)

Le principe de décomposabilité de la matrice transition a été utilisé par Truffet pour les
réseaux de commutation de l’ATM. En fait, la décomposabilité implique une réduction de
l’espace des états. Ceci est très intéressant pour les systèmes complexes à grand espace
d’états.
2.1. Définition de la décomposabilité ordinaire (ordinary lumpability)

Soit X une CMTD finie irréductible, Q sa matrice de transition, soit Ak une partition des
états. X est ordinairement décomposable par rapport à Ak, sauf seulement si pour tous les états
e et f dans le même macro-état Ai on a :
∑q
j∈ Ak
e, j = ∑q
j∈ Ak
f, j pour tout macro-état Ak

2.2. Propriétés des blocs

Supposons que les états sont ordonnés selon la partition des macro-états
Théorème 5
Soit Q une matrice st-monotone qui est une borne supérieure pour P. Supposons que Q est
ordinairement décomposable pour la partition Ak et soit Qm,l et P m,l les blocs de transitions de
l’ensemble Am vers l’ensemble Al pour P et Q respectivement, alors pour tout m et l, le bloc
Qm,l est st-monotone.
Algorithme 3 : Construction d’une borne supérieure st-monotone et ordinairement

décomposable Q
q1,n = p1,n ;
pour i = 2,3,…,n faire qi,n = max (qi-1,n, pi,n) ;
pour x = r, r-1,…,1 faire
pour l = e(x)…b(x) faire si l<nr alors
n n
q 1,1 = max( 0 , ∑ p 1, l − ∑q 1, j );
j=l j = l +1
pour i = 2, 3, …., n faire
n n n
q 1,1 = max( 0 , max( ∑ q i − 1, j , ∑ p i, l) −
j =l j=1
∑q
j = l +1
i, j ); fait;
fait;
pour y = 1,2,…, r faire
c( x)
c= ∑q
j =b( x)
e ( y ), j ;
c( x)
pour I = b(y),…, e(y) faire qi,b(x) = c - ∑q
j = b ( x ) +1
i, j ; fait ;
fait ;
fait ;
3. Matrices de la classe C [BEN 02a][FOU 03a][FOU 03b]

3.1. Définition
Une matrice stochastique Q = (qi,j)1≤ i,j ≤ n appartient à la classe C si pour chaque
colonne j il existe une constante réelle cj satisfaisant les conditions suivantes:
qi+1,j = qi,j + cj 1≤ i≤ n-1
Puisque Q est une matrice stochastique, la somme des éléments de chaque ligne doit être
n
égale à 1, ainsi : ∑cn =1
j = 0

3.2. Intérêt des matrice de la classe C

Les matrices stochastiques de la classe C ont des propriétés très intéressantes. par
exemple :
Leur état stationnaire peut être résolu en un temps linéaire. En effet, on a :
j q 1, j − 1
n
∑
π j = q 1, j + c j * j=1
n
1-∑ j c j
j =1
La caractérisation de la st-monotonicité est très simple aussi dans cette classe. Elle est
donnée par la propriété suivante :
Propriété
Soit P une matrice stochastique appartenant à la classe C. P est st-monotone
sauf seulement si :
n
∑c
k= j
k ≥ 0 ∀j ∈ {1,...,n}
Algorithme 4: Construction d’une matrice bornante supérieure st-monotone Q appartenant

à la classe C
(n−1)pi, n −(i −1)
qi,n = max 1≤ i ≤n-1[ ];
n−i
pi, n −q1, n +
cn = [max 2≤ i ≤n ( )] ;
i −1
pour j = n-1, n-2,…2 faire
 n n

 ∑ p i,k − ∑ q 1 ,k

αj = max 2≤ i ≤n  k = j k= j
;
 i − 1 
 
 n n  i −1  n 
gi = n −1
 ∑
n−i  k = j
p i , k − ∑ q i , k
 +  ∑
q n ,k −1 ;
 n − i  k = j +1
k = j +1 
q1,j = [max 1≤ i ≤ n-1 gi]+ ;
− q 1, j n
cj = max (
n −1
,α +
j − ∑
k = j +1
c k );
fait;
n
q1,1 = 1 - ∑ q1
j=2
,j ;
Remarque
Les propriétés et leurs démonstrations des matrices de la classe C sont étudiées en détails
dans le papier [BEN 02b].

VI. Ordre ICX [YAZ 91][FOU 03b]

1. Définitions et notations
Définition
Soient X et Y des variables aléatoires prenant des valeurs dans un espace totalement
ordonné. Alors X est dit X <icx Y si et seulement si E[f(X)] ≤ E[f(Y)] pour toutes les
fonctions convexes non décroissantes f où l‘espérance existe.
Définition (en utilisant la matrice Kicx)

Si X et Y prennent des valeurs dans l’espace d’états fini {1, 2,…, n} avec p et q comme des
vecteurs de distribution de probabilité alors X <icx Y si et seulement si p.Kicx ≤ q.Kicx
1 0 0 ... 0
2 1 0 ... 0
Avec Kicx = 3 2 1 ... 0
... ... ... ... 0
n n − 1 n − 2 ... 1
Autre notation algébrique
n n
X < icx Y ⇔ ∑ ( k − i +1 ). p k ≤ ∑ ( k − i +1 ). q k ∀ i ∈ {1,.., n}
k =i k =i
Exemple
Soit les deux vecteurs α = (0.2, 0.4, 0.4) et β = (0.3, 0.1, 0.6). Alors on α <icx β car :
0.4 ≤ 0.6
0.4 + 2*0.4 ≤ 0.1 + 2*0.6
0.2 + 2*0.4+ 3 *0.4≤ 0.3 + 2*0.1 + 3*0.6
De façon similaire, l’ordre concave est défini par un ensemble de fonctions concaves
non décroissantes ou par la matrice Kicv définie comme suit :
K icv = − K icx
T
La comparaison selon l’ordre « icx » ainsi que la monotonicité des matrices stochastiques
sont définies de façon analogue que celles pour l’ordre « st ».
Une condition suffisante pour la icx-monotonicité est donnée par :

−1
K icx PK icx ≥ 0

La condition ci-dessus conduit à une chaîne de Markov dont le dernier état est absorbant.
Benmammoun à défini des conditions nécessaires et suffisantes pour la icx-monotonicité
Algorithme 6 : Construction d’une borne supérieure icx-monotone

q1,n = p1,n ; q2,n = max (q1,n, p2,n) ;
pour i = 3,…,n faire qi,n = max (pi,n, 2qi-1,n – qi-2,n) ; fait
pour j = n-1, n-2,…, 2 faire
q1,j = max (0, ∑ k = j (k − j + 1) p1, k − ∑ k = j −1 (k − j + 1)q1, k ) ;
n n
q2,j = max (max( ∑ k = j (k − j + 1) p 2, k , ∑ k = j (k − j + 1)q1, k ) - ∑

n n n
k = j −1
(k − j + 1)q 2, k , 0) ;
pour i = 3, 4, …, n faire
qi,j = max (0, max ( ∑ k = j (k − j + 1) p i , k ,
n
2∑k = j (k − j + 1)q i −1, k − ∑ k = j (k − j + 1)q i − 2, k )

n n
∑
n
- k = j −1
(k − j + 1)q i , k ) ;
fait
fait
∑
n
pour i = 1, 2,…, n faire qi,1 = 1 - j =2
q i , j ; fait
2. Remarque sur l’algorithme de construction d’une borne supérieure icx-

monotone
La sortie de cet algorithme n‘est pas toujours une matrice stochastique (on trouve des fois
des élément supérieurs à 1)
Il peut donner un bon résultat :
Comme il peut en donner un mauvais !!!
On remarque que l’élément q3,3 = 1.05. Par conséquent, Q ne peut être une matrice
stochastique. Pour résoudre ce problème, des heuristiques ont été définies.

3. icx-monotonicité pour les matrices stochastiques de la classe C

Proposition 1
n
P icx - monotone ⇔ ∑ (k − j +1 ) ck ≥ 0
k= j
Proposition 2
Si P est de la classe C alors on a :
P est st-monotone ⇒ P est icx-monotone
Attention : Ceci n’est pas toujours vrai pour les matrices n’appartenant pas à la classe C
Algorithme
L’algorithme de construction d’une borne supérieure icx-monotone appartenant à la
classe C est donné dans [FOU 03a].
VII. Applications des bornes stochastiques

Dans la littérature, on trouve plusieurs applications des bornes stochastiques. Dans [BON
03], T.Bonald et A. Proutière utilisent la méthode des bornes stochastiques pour évaluer les
performances des réseaux à processeur partagé. Dans [YAZ 91], N. Yazici-Pekergin et J.M.
Vincent utilise l’ordre icx que nous avons défini supra pour borner les temps d’exécution de
programmes parallèles en considérant que le nombre de processeurs est illimité.
Dans ce qui suit nous reprendrons un exemple cité dans [ABU 01][ABU 97][BEN 02b]
[FOU 03b].
VIII. Exemple
"Bornes stochastiques pour les taux de pertes dans un tampon mémoire ATM"
Comme exemple, nous présentons l’analyse d’une politique d’un Tampon mémoire
(Buffer) ATM, qui combine le mécanisme de "PushOut" pour la gestion de l’espace et la
discipline de service "Head Of Line" [FOU 03a]. On suppose qu’il existe deux types de
paquets avec des niveaux distincts de taux de pertes. On indique par haute priorité, les paquets
qui ont les plus hautes exigences, c'est-à-dire, le plus petit taux de perte. Les paquets à basse
priorité, sont ceux qui sont perdus lorsqu’ils arrivent et trouvent le tampon plein. Si le tampon
n’est pas plein, les deux types de paquets sont acceptés.

Le mécanisme "PushOut" spécifie que quand le tampon est plein, l’arrivée d’un paquet de
haute priorité pousse dehors un paquet de basse priorité s'il y en a dans le tampon. Sinon le
paquet de haute priorité est perdu.
Comme la taille du tampon est B, le nombre d’états est (B + 1)(B + 2)/2 si les arrivées
suivent un processus d’arrivées par groupe simple. Pour simplifier, la taille des groupes est
supposée entre 0 et 2. On utilise la représentation suivante pour l’espace d’états (T, H) où T
est le nombre total de paquets et H est le nombre de paquets de haute priorité. Les états sont
ordonnés suivant un ordre lexicographique non décroissant. Il doit être clair à ce point que
l’ordre des états est très important. En premier, les récompenses doivent être des fonctions
non décroissantes des indices de performance. En outre, comme la propriété de la st-
monotonicité est basée sur la représentation et l’ordre des états, l'exactitude des résultats peut
dépendre de ce classement.
La cellule à haute priorité
pousse dehors la cellule à
basse priorité
L L H HHHHL L
Arrivée par groupe Temps de service
des cellule à haute déterministe
et basse priorité
La cellule à basse
priorité est perdue
Figure 1 : Description du mécanisme « Push-Out »
Ici, nous sommes intéressés par le nombre attendu de paquet perdus par slot. On
dénote par R Mi cette espérance mathématique pour les paquets de type i et soit R = R H + R L .
Le problème difficile ici est le calcul de R H . En effet, R peut être calculé avec une plus petite
chaîne puisque le mécanisme "Pushout" ne change pas le nombre global de pertes. Il est
suffisant d’analyser le nombre global de paquets (c'est-à-dire : sans distinction). Une telle
chaîne a seulement B + 1 états si on utilise un processus d’arrivées par groupe simple. Pour
des valeurs réalistes de la taille du tampon (c’est-à-dire : 1000), une telle chaîne est très
simple à résoudre avec les algorithmes numériques habituels. Cependant pour la même valeur
de B, la chaîne des mécanismes HOL+Pushout a environ 5x105 états. Donc on utilise
l'Algorithme 3 pour obtenir une matrice bornante décomposable et on analyse la chaîne de
macro-états.

En premier, on décrit d’abord l’ordre des états et les récompenses. Soit p kH la probabilité
d’arrivée de k paquets de haute priorité durant un slot.
RH = ∑ Π (T , H ) p
(T , H )
H
2 max(0, ( H + 2 − B − 1T = H ))
Où 1T = H est une fonction indicatrice qui affirme si un paquet de haute priorité peut quitter le
tampon à la fin du slot après achèvement du service (T = H : il n’y a aucun paquet de basse
priorité). Donc max(0, ( H + 2 − B − 1T = H )) est le nombre de paquets qui dépassent la taille du
tampon. Pour ce cas particulier, dû à l’ordonnancement des arrivés et au service, RH peut être
calculé par une expression plus simple :
R H = p 2H × Π( B, B)
Il est clair que, nous devons estimer seulement une probabilité et la récompense est une
fonction non décroissante qui est nulle partout à l’exception du dernier état qui a pour valeur
un. Pour un processus d’arrivées plus général, la fonction de récompense est seulement
légèrement différente.
L’idée clé pour réduire l’espace d’états est d’éviter les états avec un grand nombre de
paquets à basse priorité. Donc, on borne la matrice avec une matrice ordinairement
décomposable Q avec ο ( B × F ) macro-états où le paramètre F permet un compromis entre la
complexité de calcul et l’exactitude des résultats. Plus précisément, on définit les macro-états
(T, Y ) où Y est contraint d’évoluer dans l’intervalle T…T-F. Si Y = T-F , alors l’état (T, Y ) est
un réel macro-état qui contient tous les états (T, X ) tel que X ≤ T − F . Dans ce cas Y est une
borne supérieure pour le nombre de paquets à haute priorité dans les états qui sont agrégés. Si
Y > T − F alors l’état contient seulement un état (T, X ) où Y = X. Donc, Y représente
exactement le nombre de paquets à haute priorité dans le tampon (voir la figure 2). Il est clair
que, si la valeur de F est grande, on ne réduit pas l’espace des états mais on s’attend à trouver
des bornes plus étroites.

Les états où des cellules de

haute périorité peuvent être
pérdues
Macro-états
les états
inchangés
Figure 2 : la chaîne agrégée
Dans [FOU 95], les auteurs ont analysé des tampons de petite taille pour montrer
l’exactitude des bornes et des tampons de grande taille pour montrer l’efficacité de la
méthode. Ici on présente une comparaison typique de ces bornes pour un tampon de petite
taille (80 cellules). En effet, cette petite valeur permet le calcul de résultats exactes à des fins
de comparaison. La charge est 0.9 avec 2/3 de paquets de haute priorité. Avec une valeur
largement suffisante de F (typiquement 10), l’algorithme donne des résultats exacts. Le
résultat exact pour RH dans cet exemple est 8.9 x 10-13. La borne avec F = 10 est 9.5 x 10-13 .
Evidement, si F est très petit, le résultat est mauvais et peut atteindre 10-6 pour F = 2. La
chaîne originale contient 3321 états alors que la borne avec F = 10 est calculée avec une
chaîne de 798 états. Le nombre d’états est divisé par 4, et on perd seulement quelques
chiffres. Il est intéressant de remarquer qu’une réduction par un ordre sur l’espace des états
implique une réduction par deux ou trois fois les temps de calcul de la distribution
stationnaire. La réduction est encore plus importante si la chaîne originale est plus grande.
Typiquement, pour un tampon de 1000 et un facteur d’agrégation F égal à 20, la matrice
bornante obtenue à partir de l’algorithme 5 a approximativement 20000 états. L’espace d’états
original est 25 fois plus grand [FOU 03a].
Les résultats présentés précédemment sont très exacts. Il existe plusieurs raisons pour
cette propriété. En premier, la distribution est asymétrique. Presque toute la masse de
probabilité est concentrée dans les états avec un petit nombre de paquets. De plus, la première

partie de la matrice initiale est déjà st-monotone. Cette propriété est dû à l’ordre des états
considéré.
Par exemple, on considère la matrice d’une chaîne pour un petit tampon de taille 4. la
chaîne a 15 états ordonnés par ordre lexicographique : {(0), (1, 0), (1, 1), (2, 0), (2, 1), (2, 2),
(3, 0), (3, 1), (3, 2), (3, 3), (4, 0), (4, 1), (4, 2), (4, 3), (4, 4)}. On dénote par p, q et r
respectivement les probabilités d’arrivées pour les groupes de taille 0, 1 ou 2. Et a est la
probabilité qu’un paquet arrivé soit d’une priorité basse. Similairement, b est la probabilité
pour les paquets à haute priorité. Les distributions des types de paquets dans un groupe de
taille 2 sont respectivement, c pour 2 paquets à basse priorité, e pour 2 à haute priorité, et d
pour un groupe mixte.
La matrice P montre que les 10 premières ligne de la matrice satisfont déjà la propriété de
st-monotonicité. Pour un model d’un tampon de grande taille, cette propriété est encore vraie
pour les états où le tampon n’est pas plein. On suppose que F = 2, alors, on considère 2
macro-états réel : {(3, 2), (3, 3)} et {(4, 2), (4, 3), (4, 4)}. Il est à noter, que la matrice initiale
est déjà décomposable puisque l’ordonnancement du service et des arrivées implique que
quelques états ont des transitions similaires. Par exemple, les états (0), (1, 0) et (1, 1) peuvent
être groupés en un seul macro-état. L’algorithme 4 fournit une matrice décomposable avec
des macro-états déjà définis, qui peuvent être agrégés pour obtenir :

Tel que : f = min (qb, rc) et g = max (qb, rc).

CONCLUSION
Ainsi, la méthode des bornes stochastiques permet de faire face au problème
d’explosion d’états du modèle markovien et de vérifier que les exigences en Qualité de
Service (QoS) sont vérifiées (notamment dans les réseaux à haut débit). Dans plusieurs cas,
les bornes donnent une information suffisante sur le fonctionnement du système. D’autre part,
il est à noter que l’ordre stochastique à choisir (ordre fort de Stoyan, ordre icx, sample-path ou
autre) dépend de la fonction de récompense à étudier.
Comme nous l’avons vu, plusieurs algorithme ont été définis pour trouver des matrices
bornantes (bounding matrices) et peuvent être incorporés dans un logiciel d’évaluation de
performances des systèmes basés sur les chaînes de Markov.

Bibliographie
BIBLIOGRAPHIE
[ABU 97] Oula ABU AMSHA, Jean Michel FOURNEAU et Nihal

PEKERGIN, « Bornes stochastiques pour les taux de pertes dans un tampon
mémoire ATM ». Mai 1997.
[ABU 01] Oula ABU AMSHA, Jean Michel FOURNEAU et Nihal

PEKERGIN, « Bornes stochastiques pour les taux de pertes dans un tampon
mémoire ATM ». RSR-CP – 13/2001. Performances des réseaux et systèmes,
pages 533 à 555.
[BEN 00] Mouad BENMAMMOUN,et Nihal PEKERGIN, « Closed-form stochastic

bounds on the stationary distribution of markov chains ». Laboratoire PRiSM.
Université de Versailles Saint Quentin.
[BEN 01] Mouad BENMAMMOUN et Nihal PEKERGIN, «Stochastic Delay Bounds

of Fair Queuing Policies by Analyzing Weighted Round Robin Related
Policies ».Submitted to Elsevier Science .12 November 2001.
[BEN 02a] Mouad BENMAMMOUN, Jean-Michel FOURNEAU, Nihal PEKERGIN et

Alexis TROUBNIKOFF, « An algorithmic and numerical approach to bound
the performance of high speed networks ». Proceedings of the 10th IEEE
Symposium on Modeling, Analysis & Simulation of Computer &
Telecommunications Systems (MASCOTS’02).
[BEN 02b] Mouad BENMAMMOUN et Nihal PEKERGIN, « Closed form stochastic

bounds on the stationary distribution of markov chains ». Laboratoire PRiSM,
Université de Versailles Saint Quentin.
[BON 03] T.BONALD et Alexandre PROUTIERE, « On stochastic bounds for

monotonic processor sharing networks ». France Telecom R&D. Article paru
le 3 Juin 2003.
[DAY 99] Tugrul DAYAR et Nihal PEKERGIN, «Stochastic Comparison, Reorderings,

and Nearly Completely Decomposable Markov Chains ».Proceedings of the
International Conference on the Numerical Solution of Markov Chains
(NCMS 99). (Ed. Plateau , B.Stewart, W.). Prensas universitarias de
Zaragoza. P 228-246.
[FER 98] Paulo Henrique Lemelle FERNANDES, «Méthodes Numériques pour la

Solution de Systèmes Markoviens à Grand Espace d’États ». Thèse de
Doctorat d’Etat en Informatique soutenue en février 1998 à l’Institut National
Polytechnique de Grenoble.
[FOU 95] FOURNEAU J.M., PEKERGIN N., TALEB H., « An Application of

Stochastic Ordering to the Analysis of the PushOut Mechanism »,
Performance Modelling and Evaluation of ATM Networks, Chapman and
Hall, 1995, p. 227-244.
[FOU 03a] Jean Michel FOURNEAU et Nihal PEKERGIN, « An algorithmic approach to

Bibliographie
stochastic bounds». Laboratoire PRiSM, Université de Versailles Saint

Quentin.
[FOU 03b] Jean Michel FOURNEAU, Mathieu LE COZ, Nihal PEKERGIN et Franck
QUESSETTE, « An open tool to compute stochastic bounds on steady-state
distributions and rewards». Laboratoire PRiSM, Université de Versailles Saint
Quentin.
[MOR 03] Patrice MOREAUX «Structuration des modèles et analyse de performances

des systèmes à évènements discrets ». Mémoire présenté le 19 décembre 2003
à l’Université Paris Dauphine pour habilitation à diriger les recherches.
[PEK 99] Nihal PEKERGIN, «Stochastic Performance Bounds by State Space

Reduction».Performance Evaluation 36-37, p 1-17.
[YAZ 91] Nihal YAZICI-PEKERGIN et Jean-Marc VINCENT, «Stochastic Bounds on

Execution Times of Parallel Programs». IEEE transactions on software
engineering, vol. 17, no. 10, October 1991.

© Nadir BOUCHAMA et Saïd YAHIAOUI
Ecole Doctorale d’Informatique de Béjaia
Réseaux et Systèmes Distribués RESYD
Courriel : nadir.bouchama@gmail.com
syahiaoui@gmail.com
JUIN 2004

Bornes Stochastiques (Stochastic Bounds)

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Bornes Stochastiques (Stochastic Bounds)

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Option : REseaux et SYstèmes Distribués

Mots clés : Bornes stochastiques, ordre stochastique, chaînes de Markov, st-monotonicité,

BOUCHAMA Nadir et YAHIAOUI Saïd 1 RESYD 2004

I. Chaînes de Markov à grand espace d’états

BOUCHAMA Nadir et YAHIAOUI Saïd 2 RESYD 2004

En fait, l’avantage des RAS est double :

Mais, l’utilisation de cette représentation au lieu de la représentation éparse de la matrice de

1. Méthode des bornes stochastiques

BOUCHAMA Nadir et YAHIAOUI Saïd 3 RESYD 2004

1.2. Les deux étapes d’obtention des bornes

II. Ordres stochastiques (Stochastic orderings)

2. Ordre stochastique fort (strong stochastic order)

BOUCHAMA Nadir et YAHIAOUI Saïd 4 RESYD 2004

Définition 2 (en utilisant la matrice Kst)

3. Comparaison de deux chaînes de Markov

3.1. St- monotonicité

BOUCHAMA Nadir et YAHIAOUI Saïd 5 RESYD 2004

3.2. Comparaison stochastique de deux matrices stochastiques

III. Algorithme de VINCENT

Algorithme 1: Construction d’une borne supérieure st-monotone optimale Q

BOUCHAMA Nadir et YAHIAOUI Saïd 6 RESYD 2004

3. Remarques importantes sur l’algorithme de Vincent

BOUCHAMA Nadir et YAHIAOUI Saïd 7 RESYD 2004

IV. Améliorations de l’algorithme de VINCENT

Algorithme 2: Construction d’une borne supérieure st-monotone optimale Q sans

Remarque : ε est une valeur réelle positive strictement inférieure à 1.

2. Amélioration de l’exactitude des bornes

BOUCHAMA Nadir et YAHIAOUI Saïd 8 RESYD 2004

2.1. Utilisation de polynômes

πP <st πv(Φ(P)) <st πv(P)

Exemple : Soit la matrice stochastique suivante :

BOUCHAMA Nadir et YAHIAOUI Saïd 9 RESYD 2004

On étudiera les polynômes Φ(X) = X/2 + I/2 et Ψ(X) = X2/2 + I/2

0.55 0.1 0 .2 0.15 0.55 0.1 0 .2 0.15

0.575 0.155 0.165 0.105 0.575 0.155 0.165 0.105

On calcule les états stationnaires :

πv(P3) = (0.1, 0.2, 0.3667, 0.3333)

V. Méthodologie pour réduire la compléxité

BOUCHAMA Nadir et YAHIAOUI Saïd 10 RESYD 2004

Algorithme 3 : Construction d’une borne supérieure st-monotone et Hessenberg -

pour l = i-2, i-3,…,1 faire qi,l = 0 ; fait

2. Notion de décomposabilité (lumpability)

2.1. Définition de la décomposabilité ordinaire (ordinary lumpability)

BOUCHAMA Nadir et YAHIAOUI Saïd 11 RESYD 2004

2.2. Propriétés des blocs

Algorithme 3 : Construction d’une borne supérieure st-monotone et ordinairement

3. Matrices de la classe C [BEN 02a][FOU 03a][FOU 03b]

BOUCHAMA Nadir et YAHIAOUI Saïd 12 RESYD 2004

3.2. Intérêt des matrice de la classe C

Algorithme 4: Construction d’une matrice bornante supérieure st-monotone Q appartenant

BOUCHAMA Nadir et YAHIAOUI Saïd 13 RESYD 2004

VI. Ordre ICX [YAZ 91][FOU 03b]

Définition (en utilisant la matrice Kicx)

Une condition suffisante pour la icx-monotonicité est donnée par :

BOUCHAMA Nadir et YAHIAOUI Saïd 14 RESYD 2004

Algorithme 6 : Construction d’une borne supérieure icx-monotone

q2,j = max (max( ∑ k = j (k − j + 1) p 2, k , ∑ k = j (k − j + 1)q1, k ) - ∑

2∑k = j (k − j + 1)q i −1, k − ∑ k = j (k − j + 1)q i − 2, k )

2. Remarque sur l’algorithme de construction d’une borne supérieure icx-

Comme il peut en donner un mauvais !!!

BOUCHAMA Nadir et YAHIAOUI Saïd 15 RESYD 2004

3. icx-monotonicité pour les matrices stochastiques de la classe C