a) Loi des arrivées

a) 1- COURS

    Prenons le cas le plus simple où il n’y a qu’une file d’attente et un service. Les clients
arrivent au hasard dans la file d’attente et passe dans le service selon un temps aléatoire.

    On peut prendre l’exemple d’une ville possédant une station essence : les personnes
viennent aléatoirement et sont servis plus ou moins longuement selon leur besoin.

    Nous allons caractériser l’arrivée aléatoire des clients et voir qu’elle correspond à une loi
mathématique usuelle. En effet, l’expérience montre que les clients arrivent généralement
suivant une loi de poisson. Il s’agit d’une approximation usuelle qui a pour but de simplifier
les calculs relatifs au file d’attente, mais aussi d’expliquer simplement leur fonctionnement.

    Voyons maintenant comment il est possible de prouver simplement l’utilisation de la loi de
poisson pour les arrivées aléatoires des clients :

     Démonstration :

    Considérons tout d’abord que le phénomène d’arrivées de clients dans une file d’attente est
stationnaire. Cela signifie que l’observation que l’on fait de la file d’attente est indépendant
de l’origine du temps. On ne tiendra donc par exemple pas compte des pics ou creux
d’arrivées des clients à certains moments de la journée.

    Considérons également que les arrivées de chaque client sont indépendantes les unes des
autres. Le cas d’arrivées à intervalles réguliers déterminé ou par groupe de clients est donc
exclu.

    Enfin, la probabilité d’arrivée d’un événement pendant un intervalle de temps Dt est
proportionnelle à Dt et égale à l.Dt (de plus, la probabilité qu’il arrive deux événements
pendant D t est du second ordre par rapport à la première).

    On suppose qu’il y ait n événements enregistrés à la date t + Dt. Ces n événements ne
peuvent provenir que des deux situations suivantes :

Date à t à t + Dt
Nombre d’événements n-1 n
n n

    Donc la probabilité pn(t + Dt) de réalisation de n événements pendant le temps t + Dt est :

pn(t + Dt) = pn-1(t).l.Dt + pn(t)[1- l.Dt]

    Cette formule est vraie pour tout n sauf n=0. En effet, dans ce cas, aucun événement n’a été
réalisé au temps t + Dt et aucun événement n’avait également été réalisé au temps t. On
obtient alors : p0(t + D t) = p0(t) [1- l .Dt]

    Cette dernière formule s’écrit également :

[p0(t + Dt)- p0(t)]/ Dt= - l.p0(t)

    C’est-à-dire (quand Dt  0) : p’0(t) = - l.p0(t) car, par définition :

f’(t) = limD t0 [f(t + Dt)-f(t)] / Dt

    Cette dernière formule provient du cas n = 0. Du cas n quelconque, on déduit la formule
suivante :

p’n(t) = l.pn-1(t) - lpn(t)

    L’équation différentielle p’0(t) = - l.p0(t) s’écrit sous la forme dp0/dt = -l.p0, i.e.

dp0/dt = -l.dt

    La solution de cette équation est p0(t)=e-l t

    Dans le cas où n > 0, on a tout d’abord pour la première équation :

p’1(t) = l .p0(t) - l p1(t) ou bien : p’1(t) + l p1(t) = l . e-l t

    Cette équation avec second membre donne :

p1(t)=( lt).e-lt/1 !

    On montrerait facilement par récurence que :

pn(t)=(l t)n.e-lt/n !

    Cette dernière probabilité est la loi de Poisson de paramètre l.

a) 2) EXEMPLE

    L’applet Java ci-dessous simule une loi de Poisson.

Description :

    La loi de Poisson est discrète, c’est-à-dire qu’elle prend ses valeurs pour des entiers. La
graphique est donc en escalier. En bleu est tracé le graphe représentant P(X>=n) : c’est la
somme des P(X=n) pour tous les X <= n. On remarque que cette somme vaut 1 quand n tend
vers l’infini. En effet, la somme de toutes les probabilités d’une loi vaut 1 (ce qui revient à
dire que tous les événements possibles d’une variable aléatoire suivant une certaine loi sont
considérés).

Fonctionnement :

    Il est possible de rentrer la valeur du paramètre l puis de tracer la courbe en appuyant sur le
bouton calculer.

Applet :
  

b) Loi des services

        La loi des services est la loi qui permet d'estimer le temps qu'occupe un service (souvent
un guichet) pour traiter chaque client.

b) 1) COURS

        Si on considère les intervalles de temps qui s'écoulent entre les événements successifs
d'une loi de Poisson de taux m , on constate qu'ils suivent une loi de la forme :

                        p(q) = m.exp(-m.q)

                 (où les q sont les intervalles de temps qui séparent 2 événements consécutifs).

        Cette loi est dite loi exponentielle. De manière générale, elle s'adapte bien à la durée d'un
service. Dans cette loi, m est le nombre de clients servis par unité de temps et 1/m le temps
moyen que passe chaque client à la station.

b) 2) EXEMPLE

    L’applet Java ci-dessous trace la courbe représentative d'une loi exponentielle pour un
paramètre et affiche .

Description :

    La loi exponentielle est continue. Cette applet est donc destinée à tracer la fonction densité
: p(q) = m.exp(-m.q).  Elle fournit également le résultat de la probabilité P(a<X<=b) où a et b
sont des données rentrées par l'utilisateur.

Fonctionnement :

    Il est possible de rentrer la valeur du paramètre m puis de tracer la courbe correspondante
en appuyant sur le bouton calculer.

Applet :

c) Cas d'une file d'attente à une station

    Dans cette partie, nous allons considérer le cas d'une unique file où les clients arrivent selon
une loi de Poisson et sont servis à la station dans un temps suivant une loi exponentielle.
Cette partie a pour but de mettre en évidence les principaux résultats qui interviennent dans
les simulations ou les prévisions relatives aux files d'attente.
 La probabilité qu'il y ait n clients dans la station est :

            pn=( l/m )n.(1-l/m )

Remarque : Cette probabilité ne dépend pas du temps car le phénomène est stationnaire.

Démonstration :

    Si n personnes sont dans le système d'attente à t + Dt, cela ne peut provenir que de 4
situations :

Nombre de personnes Entrées Sorties Nombre de personnes

àt pendant Dt pendant Dt à t + Dt
n-1 1 0 n
n 0 0 n
n 1 1 n
n+1 0 1 n

    D'après les hypothèses, la probabilité qu'une personne entre pendant Dt est l.Dt alors que
m.D t est la probabilité qu'une personne sorte. Les probabilités complémentaires sont :

                (1-l.dt) et (1-m.dt).

    On obtient donc la probabilité qu'il y ait n clients au temps t + D t:

                pn(t+D t) =   pn-1(t)[ l. D t.(1- m. D t)] +

                                    pn(t)[(1-l. D t).(1-m. D t)] +

                                    pn(t)l. D t.m. D t +

                                    pn+1(t)[(1-l. D t).m. D t]

    Si l'on néglige tous les termes en D t²:

            pn(t+D t) =   pn-1(t).l. D t + pn(t)(1-(l+m). D t) + pn+1(t).m. D t

    C'est-à-dire :

            [pn(t+D t) - pn(t)] / D t = pn-1(t).l - pn(t)(l+m) + pn+1(t).m (1)

    En faisant tendre dt vers 0 :

            p'n = l .pn-1 - (l+m).pn + m.pn+1

Remarque :
    L'équation (1) possède un cas particulier en n = 0, c'est-à-dire qu'il y ait 0 clients à l'instant t
+ D t. En effet, il ne peut alors pas y avoir une personne qui entre sans que personne ne sorte
pendant le temps Dt. On a alors :

            p0(t+D t) = p0(t)[(1-l. D t)] + p1(t)[(1-l. D t).m. D t]

qu'on peut aussi écrire sous la forme :

            [p0(t+D t) - p0(t)]/ D t = -l.p0(t) + m .p1(t)

et en faisant tendre D t vers 0 : p'0 = -l.p0 + m .p1

    D'après les hypothèses, le phénomène est stationnaire. donc :

            p'0 = p'1 = p'2 = ... = p'n = ... = 0

    Alors, l'équation : p'0 = -l.p0 + m .p1 devient : 0 = -l.p0 + m.p1, i.e. : p1 = (l/ m).p0

    Si l'on remplace cette valeur de p1 dans l'équation (1), on obtient :

            l .p0 - (l+m).p1 + m.p2 = l .p0 - (l+m).(l/ m).p0 + m.p2

    C'est-à-dire : p2 = (l/m)².p0

et par récurrence : pn = (l/m)n.p0 (2)

    On sait de plus que : S(pi) = p0 + p1 + p2 + ... + pn + ... =1

            p0 + (l/ m).p0 + (l/m)².p0 + ... + (l/m)n.p0 + ... =1

            p0.[1 + (l/ m) + (l/ m)² + ... + (l/ m)n + ...]=1

    En utilisant la somme d'une suite géométrique :

            p0. 1 / (1 - l/ m)=1

            i.e : p0 = 1 - l/ m

    On remplace cette dernière expression dans (2) :

            pn = (l/m)n.( 1 - l/ m) C.Q.F.D

Remarque : on dit que l'on a engorgement si : l/ m >1.

  

Le nombre moyen h de clients dans une file d'attente est :

h=l/(m-l)
Démonstration :

    Le nombre moyen h de clients dans la file d'attente est en fait l'espérance de la loi de
probabilité :

            pn = (l/m)n.( 1 - l/ m)

donc : h = S(n. pn) = 0.p0 + 1.p1 + 2.p2 + ... + n.pn + ...

                h = 1.(l/ m).p0 + 2.(l/m)².p0 + ... + n.(l/m)n.p0 + ...

                h = p0.[ (l/ m) + 2.(l/ m)² + ... + n.(l/ m) n + ...]

                h = (1 - l/ m).(l/ m)[ 1 + 2.(l/ m) + ... + n.(l/ m) n-1 + ...]

                h = (1 - l/ m).(l/ m).S'

avec S' = 1 + 2.(l/ m) + ... + n.(l/ m)n-1 + ...

    La somme notée S' est la dérivée par rapport à l/m de la somme S :

            S = (l/ m) + (l/ m)² + ... + (l/ m)n + ...

            i.e. : S = (l/ m). 1 / (1 - l/ m)

    Si l'on dérive cette dernière expression S par rapport à l/m, on obtient :

            S' = [(1 - l/ m) + (l/ m)] / (1 - l/ m)²

            S' = 1 / (1 - l/ m)²

    Alors : h = (1 - l/ m).(l/ m). 1 / (1 - l/ m)²

            h = (l/ m) / (1 - l/ m)

            h = l / (m - l) C.Q.F.D.

Le temps moyen T qu'attends un client dans la file est :

T = l/ [m.( m - l)]

Démonstration :

    Une file de h clients s'écoulera en un temps h x 1/ m, où 1/ m est le temps moyen que passe
chaque client dans la file.

    On obtient directement le résultat :

            T = h / m = l/ [m.( m - l)]

d) Procéssus de naissance et de mort

        Un tel procéssus est une généralisation du phénomène de file d'attente dans le cas où l et
m dépendent du nombre n de clients. Les arrivées (ou naissances) restent poissoniennes er les
services (ou morts) exponentiels.

On a montré pour une unique file d'attente que :

dpn(t)/dt = ln-1.pn-1(t) - (ln+mn).pn + mn+1.pn+1(t)

dp0(t)/dt = -l0.p0(t) + m1 .p1(t)

    S'il existe S stations, le service est proportionnel au nombre de clients tant que n est plus
petit que S ; il est égal à S.m pour n = S. Ainsi :

ln = l ; mn = n.m (si S = n > 0) ; mn = S.m (si n = S)

    D'où :

dp0(t)/dt = -l.p0(t) + m .p1(t)

dpn(t)/dt = l.pn-1(t) - (l+n.m).pn + (n+1).m.pn+1(t) (si S > n > 0)

dpn(t)/dt = l.pn-1(t) - (l+S.m).pn + S.m.pn+1(t) (si n = S)

    Dans le cas où l'on étudie le régime stationnaire, les dérivées étant nulles, les équations
différentielles ci-dessus se réduisent à de simples équations de récurrence entre les pn(t) ; on
pourrait ainsi calculer les valeurs de p0, pn et T (temps moyen d'attente) de la même manière
que dans le cas à une file d'attente.