Vous êtes sur la page 1sur 16

Modlisation & Simulation

Universit des Sciences et Technologie dORAN Dpartement Informatique Master M1

Anne Universitaire: 20102011

Cours de Modlisation et Simulation - M 1 Informatique

1. Systme Discret (Direct, Continu, Dterministe) 2. Types De Modles (Descriptifs, Analytiques) 3. Outils De Modlisation (Modlisation Des Files Dattente)

1. 2. 3. 4. 5. 6. 7. 8. 9.

Introduction A La Simulation Type De Simulation Simulation Des Systmes Dynamiques Simulation Continue Simulation Des Systmes Directs Echantillonnage Gnration Des Nombres Alatoires Les Tests De Gnrateurs De Nombres Alatoires Analyse Et Validation Des Rsultats Dune Simulation

1. les logiciels 2. les langages 3. le graphisme et la simulation 1. prsentation des techniques 2. les mthodes mathmatiques dvaluation des performances Matlab/Simulink Bibliographie : 1- SS. Pavenberg Computer Systems performance evaluation Academic press 1983 2- I. Mitrassi Modeling of computer and communication system Cambridge University 1987

Cours de Modlisation et Simulation - M 1 Informatique

COURS N1 Modlisation des systmes

1/ Introduction: La modlisation est un outil de plus en plus utilis pour configure ou analyser les systmes ; plus particulirement un systme informatique. Lobjectif dun modle est lvaluation quantitative et qualitative dun systme et de nous clairer sur le comportement et le bon fonctionnement dun systme. 2/Modlisation dun systme : La modlisation consiste dfinir les points suivants : Le systme : existant (ou pas) auquel se rfre le modle. Le modle : reprsentation abstraite du systme (simplifi) Lobjectif : le but (s) pour lequel le modle a t labor. Un critre de rentabilit : un critre conomique que justifie lutilisation dun modle 3/Etude dun systme : Ltude dun systme est faite dans le but de connaitre le comportement du systme et prdire son comportement futur, et optimiser le systme. 4/Rappel sur la thorie des probabilits : Lutilisation de cette thorie est souvent lie ltude des modles mathmatiques associs au phnomne qui dpend du hasard. Cest le cas frquent de la plupart des systmes (arrive des clients dans une banque, demande de requtes sur un serveur de BDD, du bus par les priphriques E/S.. etc.) 4-1/ Schma dterministe et schma stochastique : Considrons deux exemples : Exemple 1 : Un tireur vise dans un stand de tire. Si on tudie le point dimpact de la manire suivante : le point dimpact dpend de la position de larme, de linstant des coups, de la vitesse initiale .On use des lois de la mcanique classique. On dit alors que ltude est faite selon un schma dterministe. Exemple 2 : Un joueur jette une pice de monnaie ; il existe deux possibilits pile ou face, le joueur ne peut dterminer lavance si la pice tombe sur pile ou sur face , il sait seulement quil y a une chance sur deux (1/2) davoir des possibilits , on dit que le phnomne dpend du hasard , alors ltude est faite selon un schma alatoire ou stochastique 4-2/Lespace fondamental : Dans lexemple 2, lespace fondamental comporte deux lments : pile et face. Il est not . Si est fini ou dnombrable, on dit que cest le cas discret. Dans le cas du tireur, si on sintresse au point dimpact dun point de vue stochastique, lespace R nest ni fini ni dnombrable ; on dit quon est dans le cas continu. 4-3/ Les variables alatoires :

Cours de Modlisation et Simulation - M 1 Informatique

Cest ce que av prendre comme valeur, le paramtre de lexprience. Elle est note X. X est discrte si elle prend un nombre de valeurs finies X est continue si elle prend ses valeurs dans un intervalle I R. La densit de la variable alatoire est dfinie par f(x) = P [(X) = x] Exemple : D non pip = {1, 2, 3, 4, 5, 6} f(1) = P(X=1) = 1/6 = f(2) = f(3) = f(4) = f(5) = f(6) La loi de distribution dune variable alatoire X est note F(X) = P (X x) (frquence cumule) Lesprance mathmatique dune variable alatoire X est note E(X). E(X) =

Dans le cas discret, les ai sont valeurs que peut prendre la V.A. x. P(X=ai) : probabilit que la V.A. prend la valeur ai. Dans le cas continu E(X) = Densit Deux paramtres peuvent tre dduits de E (lEsperance) : La variance dune v.a. X est : 2(X) = E(X2) (E(X)) 2 Lcart type est not est la racine de la variance Le coefficient de variation : c(X) = (X)/E(X) 4-4/ Les lois discrtes : a- La loi de Bernoulli : Une variable alatoire qui prend deux valeurs : 1 avec la probabilit p 0 avec la probabilit q=1-p On note : X ~ B (1, p) E(X) = p ; V(X) = p.q b- La loi Binomiale : On considre un phnomne alatoire de mme nature et indpendant les uns par rapport aux autres pour chacun deux. On sintresse la ralisation ou la non ralisation dun mme vnement .Le nombre total de ralisations X est une variable alatoire que lon peut dfinir comme la somme de n lois de Bernoulli. X= X ne peut prendre que les valeurs 0, 1, 2,3,., n. La probabilit pour que k vnements se ralisent : P(X=k) = Cnk pkqn-k O Cnk = n! /k! (n-k)! Cest le nombre de combinaisons de k parmi n. On note : X ~ B (n, p) E(X) = np ; V(X) = npq c- La loi gomtrique : A la suite dun tirage jusqu' la russite, pour que lvnement X=k se ralise, il a fallu k-1 checs te que la kime ralisation donne le rsultat souhait. P(X=k) = qk-1 p k-1 checs russite E(X) = 1/p ; V(X) = 1/p2 On note : X ~ Gom. (P)
3

Cours de Modlisation et Simulation - M 1 Informatique

d- La loi de Poisson : Cest lapproximation de la loi Binomiale pour un grand nombre de tirage. n + P(X=k) = (k/k!) e- o reprsente le paramtre de la loi de Poisson. On note que : X ~ Poisson () E(X) = ; V(X) = 4-6/ Les lois classiques discrtes : a- La loi exponentielle : Cest la loi telle que la densit scrit de la manire suivante : P(X=x) = e- x x 0 f(x)= 0 x <0

o reprsente le paramtre de la loi exponentielle et la distribution : P (X x) = 1 - e- x F(X) = 0

x 0

x<0

On note: X ~ exp () E(X) = 1/; V(X) = 1/2 b- La loi uniforme : On dit quune V.A. X suit une loi uniforme sur un segment [a, b] si da loi de probabilit admet une densit f dfinie par : 1/b-a x [a, b]

f(x)=
0 On note X ~ uniform (a,b) sinon E(X) = (a+b)/2 ; V(X) = (b-a)2/12

5-Les mthodes de modlisation: Plusieurs mthodes de modlisation sont aujourdhui utilises. Chacune delles tant plus ou moins bien adapte des aspects spcifiques danalyse des performances dun systme donn .Les classes de mthodes de modlisation se divisent en grandes partie ne deux classes : les mthodes descriptives les mthodes analytiques Une mthode descriptive peut avoir quelques aspects dune mthode analytique et vice versa. 5-1 Les mthodes descriptives : Elles permettent de dcrire le comportement logique dun systme gnralement sans faire intervenir laspect temporel. Un exemple de mthodes descriptives : les rseaux de Ptri. Ils fournissent un modle graphique de description des oprations dune machine informatique. Ils sont particulirement adapts pour dcrire des phnomnes de concurrences, de conflits et la synchronisation. On obtient laide de ce type de modle, une valuation qualitative dun systme.

Cours de Modlisation et Simulation - M 1 Informatique

Exemple : Gestion du personnel par RDP Toute personne peut demander un recrutement selon la disponibilit des postes budgtaires. Un employ peut tre titulaire Un employ peut partir en cong, formation

P1 T1 P3 Titularisation T2 P5

P2 (Concurrence sur le poste) P4 Cong T3 P6

5-2/ Les mthodes analytiques : Ce sont des mthodes bases sur des modles mathmatiques, et leurs rsultats sont obtenus par calcul. De nombreuses recherches dans le domaine de la modlisation se sont focalises sur la thorie de la file dattente. Plusieurs modles de file dattente sont tablis. Exemple : le modle M/M/1 le modle M/M/S M/M/1 : Arrive suivant la loi de Poisson Service suivant la loi exponentielle Un serveur M/M/S : Mme chose S serveurs Exemple de modlisation par files dattente Arrive des clients devant un guichet de banque Objectifs : comprendre la fonction du systme Rduire le temps dattente Alternatives : - Un ou deux guichets ? - Un ou deux files dattentes ? Une mthode analytique peut avoir des aspects dune mthode descriptive Exemple : reprsentation dune file dattente.

Arrive des clients

file dattente

serveur

fin service (out)

--------------------------------------------------------------------------------------------------------------------------5

Cours de Modlisation et Simulation - M 1 Informatique

COURS N2 Les processus stochastiques


1- Introduction : Ltude dun processus quelconque peut tre envisage en considrant une extension de la notion de V.A. de la manire suivante .Au lieu de considrer un seul nombre, on affecte chaque valeur de lespace , une fonction du temps note X (w, t) {X (w1,t1) , X (w2,t2) tels que w1 , w2 et t1,t2 deux instants} 2- Dfinition dun processus stochastique : Un processus stochastique est une famille de V.A. note : {Xt , t T} o t parcourt lensemble des indices de T ( temps). 1- si lensemble T est discret, on parle de suite stochastique, lappel de processus est rserv au cas o T est continu. 2- Si maintenant T est continu, alors t dsigne un instant quelconque. 3- Lorsque Xt prend un ensemble fini de valeurs ; on parle de processus espace dtat discret 4- Si au contraire les valeurs appartiennent un espace continu, on parle de processus espace dtat continu. 5- Un processus stochastique {Xt , t T} est dit Markovien si : A tout instant u, pour la valeur Xu = x donn, les Xt (t >u) ne dpendent pas des Xs (s u). Autrement dit, le comportement du systme dcrit par le processus aprs linstant u ne dpend pas de son comportement antrieur. On parle aussi de processus sans mmoire. 3- Chane de Markov espace dtat discret : Une suite {Xt , t = 0,1,2,3, . } est dite chaine de Markov , si pour tout instant t , on a pour ltat X : P[Xt+1 = j / X0=a, X1=b, Xt=i] = P [Xt+1 = j / Xt=i] probabilit conditionnelle . La probabilit dun tat futur est indpendante de ltat pass, et dpend seulement de ltat actuel. Remarque : Les probabilits P [Xt+1 = j / Xt=i] sont des probabilits conditionnelles appeles (t) dans ce cas probabilits de transition et sont notes P ij. P(t)ij ne dpendra plus du temps si on a P(t)ij = P(s)ij quelque soit t et s et dans ce (t) cas les P ij seront notes tout simplement Pij. Si n est le nombre des tats possibles, nous obtenons une matrice carre qui vrifie les proprits suivantes : 1- 0 Pij 1 2=1 Si la proprit 2 est vrifie dans une matrice, elle est dite matrice stochastique. Le vecteur stochastique : On dsigne par P(n) le vecteur stochastique dfini par P(n) = P (Xn=j) j= 1, 2,3,n
6

Cours de Modlisation et Simulation - M 1 Informatique

Si P(0) est la distribution initiale cest dire linstant t=0, la distribution linstant n est la distribution linstant n est la distribution linstant (n-1) multipli par les probabilits de transition. Donc on peut crire : P(n) = P (n-1) [Pij] Do linstant t=0 ; on a la distribution P(0). P(1) = P (0) [Pij] P(2) = P (1) [Pij] = P (0) [Pij] 2 . P(n) = P (n-1) [Pij]= P (0) [Pij] n

P(n) = P (0) [Pij] n


Ceci signifie que ltat du systme aprs la nime transition ne dpend que de la distribution initiale et de la matrice de transition. n On note [Pij] la probabilit de transition de ltat i ltat j en exactement n transitions. Dans ce cas Pij 2= Pour aller de ltat i ltat j en 2 transitions il faut passer par un tat k quelconque.

Ek Ei Ej

De la mme manire :

relation de Markov

4 Proprits dergodicit dune chaine de Markov : Si = M* (M est une matrice de transition) o M* est une matrice stochastique ne possdant aucun lment nul. On dit que le systme est ergodique ou quil possde un rgime permanent (ou systme stable en probabilit). M est dite dans ce cas Matrice ergodique. Dans ce cas le systme ne dpend plus que de ltat initial. P(n) = P(0) Mn Supposons prsent quon veuille calculer la probabilit que le systme se trouve tat j l instant (n+1) , sachant quil tait tat i linstant (n). Cette probabilit tre calcule comme suite :

Pj(n+1) = j=1,2,.,m Qui pourrait tre crite matriciellement sous la forme : P (n+1) = P(n) *M = P(n) P(n) + P(n)*M= P(n) + P(n) [M-I] o M = [Pij] Donc, P (n+1) - P(n) = P(n)*D o D=M-I
7

Cours de Modlisation et Simulation - M 1 Informatique

D est appele matrice dynamique ; elle joue un rle trs important dans la dtermination du comportement de la chaine quand le nombre de transitions est assez grand. Si toutes les lignes de M* sont identiques, le systme est dit compltement ergodique .Dans ce cas ltat du systme pour m suffisamment grand ne dpend plus de ltat initial .En effet on a :
m = P(0)*M* = P* P(m) = P(0) *Mm = P(0) * O P*est le vecteur limite et lune des lignes de M*. Il vrifie les proprits suivantes :

= P** M

et

=1

Ces proprits nous permettent de dduire le vecteur limite P* 5 Processus de naissance et de mort : Pour pouvoir tudier ce type de processus, on devrait dabord envisager ltude des processus suivants : Processus de naissance et Processus de mort : 5-1 Processus de Naissance : On qualifie un processus stochastique de processus de naissance si ce processus est caractris par lapparition dun individu au sein dune population selon une certaine loi. Exemple : naissance dune bactrie au sein dune population de bactries. 5-1-1 Processus de naissance homogne : On dit quun processus de naissance est homogne si la probabilit dapparition dun individu pendant un intervalle de temps t sachant quil existe k individus dans la population est donne par la formule suivante : k t + o (t) O k reprsente le taux de naissance sachant que la population contient k individus. Et o (t) est un infiniment petit. Remarque : Cette probabilit est indpendante de la position de t sur laxe du temps. Si on carte le cas o 2 apparitions simultanes peuvent avoir lieu en mme temps ; la probabilit quil ny ait aucune apparition dans lintervalle t sachant quil y en a eu dj k, est gale : 1- k t + o (t) 5-1-2 Vecteur dtat : Soit Pn(t) la probabilit quil y ait n individus linstant t. Pij(t) cest la probabilit qu linstant t leffectif soit j sachant quil y avait dj i individus. Pij(t) = 0 si j < i (on suppose quil ny a aucune disparition) (exple : P32(t) = 0) Le processus de naissance ainsi dcrit peut tre schmatis par le graphe suivant : 1- 0 t 0 0 t 1- 1 t 1 1 t 1- 2 t 2 2 t 1- n-1 t n-1 n-1 t n n t 1- n t

Cours de Modlisation et Simulation - M 1 Informatique

Le processus de naissance peut tre dcrit par une matrice de transition note M = [Pij(t)]=

1- 0 t 0 0 . 0 . . .

0 t 1- 1 t 0 0 . . .

0 1 t

0 0 0 ..

0 0 0 .. 1- n-1 t n-1 t . .

. .

. . .

1- 2 t ... .. 0 . .. .. . .

.. . .

Remarquons que les tats dans cette matrice sont 0, 1, 2,3,n,etc. Si le nombre des tats est fini soit n ; nous aurons une matrice carre nxn. Remarque : le processus de naissance est un processus de Markovien car ltat futur de la population ne dpend que de ltat actuel et non pas des tats prcdents. Donc si on considre les vecteurs des probabilits dtats Pn aux instants t et t +t, on peut crire : P(t +t) = P(t). M C'est--dire ; [P0(t +t), P1(t +t), P2(t +t),. Pn(t +t)]= [(P0(t), P1(t), P2 (t), .,Pn(t)].M Ou de faon plus explicite : P0(t +t) = P0(t). (1- 0 t) P1(t +t) = 0 t P0(t) + (1- 1 t) P1(t) P2(t +t) = 1 tP1(t) + (1- 2 t) P2 (t) . Pn(t +t)]= n-1 t Pn-1(t) + (1- n t) Pn(t) Considrons cette dernire relation, on remarque quelle pourrait tre crite sous la forme : = n-1 Pn-1(t) - n Pn(t) Si tend t vers 0, le membre de gauche tend vers (t)= n-1 Pn-1(t) - n Pn(t) n=1, 2,3,. Pour n=0, on peut crire :
=- 0 P0(t)

(t); (t) ce qui donne :

(t) =- 0 P0(t)

on suppose quau dbut le systme tait vide, alors : P0(0) = 1 et Pn(0) = 0 n 1


9

Cours de Modlisation et Simulation - M 1 Informatique

Les quations diffrentielles ainsi dfinies sont dites quations du futur. 5-1-3 : Processus de Poisson : Ce processus est un cas particulier du processus de naissance ; il est caractris par un taux de naissance constant c'est--dire k = . On remarque ce type de processus au niveau des arrts de bus, devant un caissier, dans un supermarch, travers un standard telephonique, . etc. Il caractrise le mode selon lequel seffectuent des arrives au sein de ces systmes. Dsignons par Nt le nombre dvnements qui peuvent se produire pendant lintervalle [0,1] et qui vrifient les conditions suivantes : 1/ Le processus de naissance est un processus homogne probabilit de transition constante. 2/ Etant donn deux intervalles de temps disjoints, le nombre des vnements qui se produisent dans lun est indpendant du nombre des vnements qui se produisent dans lautre : On dit que le processus est additif accroissement indpendant. 3/ La probabilit pour que deux vnements se ralisent en mme temps est ngligeable devant la probabilit de ralisation dun seul. 4/On doit carter le cas des probabilits de transition nulles ou gales 1. Mathmatiquement, ces conditions peuvent tre rsums par : a) P (N t +t Nt >0/Nt = n) = t + o (t) n N et 0< <1 b) P (N t +t Nt >1/Nt = n) = o (t) Si t tend vers 0, on pourrait crire de faons plus simples : P (N t +t Nt = 1/Nt = n) = t + o (t) et P (N t +t Nt = 0/Nt = n) =1 - t + o (t) Le graphe dcrivant le processus de Poisson peut tre schmatis comme suit : 1- t 0 t 1- t 1 t 1- t 2 t 1-t n-1 t 1- t n t

Si le systme possde n tats, on peut dduire la matrice de transition dun processus de Poisson. 1- t t 0 0 0 . . 0 0 M= . 0 . 1- t 0 0 . t 0 0 .. 0 0 .. 1-t . . t . . . .

1- t ... .. 0 . .. .. .

.. . . .

10

Cours de Modlisation et Simulation - M 1 Informatique

Pour obtenir les quations du futur du processus de Poisson, il suffit de multiplier le vecteur dtat P(t) par ma matrice prcdente M. Cest dire : P(t+t) = P(t) .M On obtient :

(t) =- P0(t) (1) (t)= Pn-1(t) - Pn(t)

n=1, 2,3,. (2) ln P0(t) = - t + C

(1) = - Do P0(t)= =k Comme P0(0) = 1 donc k=1

P0(t)= Pour n=1, la seconde quation scrit : (t) = P0(t) - P1(t) - P1(t) (*)

On aura donc rsoudre une quation diffrentielle du type y = f(x) - y En appliquant les rgles connues pour ce fait, on obtient : P1(t) = k(t) (**) Mais P1(0)= 0 donc k(0) = 0 Si on drive (**), on aura : (t) = k(t) En identifiant cette expression avec (*), on dduit que k(t) = . Donc k(t) = t + C ; Mais k(0) = 0 C=0 et k(t) = t Do : P1(t) = t On pourra de la mme manire dduire de faon gnrale : Pn(t) = [(t)n/n!] Qui donne la probabilit doccurrence de n vnements dans lintervalle [0, t] et vrifiant les hypothses 1 et 4. Les quations du futur dun processus de Poisson sont donnes par : P0(t)= Pn(t) = [(t)n/n!] Pn(t) est la probabilit davoir n individus linstant t. 5-2/Etude de lintervalle du temps qui spare 2 vnements conscutifs du n processus de Poisson : Soit le temps qui spare 2 vnements conscutifs dun processus de Poisson. Alors, on peut crire : P(Nt+ - Nt >0) = Probabilit que pendant lintervalle il y a eu une arrive. = 1- Probabilit quaucune arrive na eue lieu pendant .
11

n 0

Cours de Modlisation et Simulation - M 1 Informatique

= 1-P0() = 11reprsente la fonction de rpartition de la V.A. note F(). On peut en dduire aisment que la fonction de densit de est donne par : f() = On conclut donc que la V.A. qui caractrise le temps qui spare deux vnements conscutifs dun processus de Poisson est gre par la loi exponentielle. 5-3/ Le processus de mort : Ce processus caractrise le phnomne de disparition au sein dune population. Remarquons que les hypothses qui peuvent prsenter ce processus sont trs voisines de celles dj vues dans ltude du processus de naissance. Particulirement, on pose N0=N >0 et on suppose que la probabilit pour quune disparition ait lieu entre t et t + t sachant qu t il y avait k individus au sein du systme, est donne par k t o k est le taux de disparition. Do on peut crire : P (N t +t Nt =- 1/Nt = k) = k t + o (t) et P (N t +t Nt = 0/Nt = k) =1 - k t + o (t) On constate que k doit tre positif, sauf pour k=0 o 0=0 5-4/ Processus de naissance et de mort : Un tel processus rsulte de la fusion dun processus de naissance et dun processus de mort. Les vnements qui se prsentent sont soit des morts soit des naissances pendant le temps lmentaire t (car en ralit, il ne sagit que dun seul processus). On dsigne par Nt leffectif de la population linstant t. La probabilit de transition Pij (t)= P(Nt+t =j/Nt=i) doivent vrifier les conditions suivantes : Pi,i+1(t)= i t +o(t) Pi,i-1(t)= i t +o(t) Pi,i(t)= 1-(i+i )t +o(t) 1 si i=j Pi,j(0) = i,j(0) = 0 sinon Les i et i sont strictement positifs sauf 0=0.

12

Cours de Modlisation et Simulation - M 1 Informatique

13

Cours de Modlisation et Simulation - M 1 Informatique

14

Cours de Modlisation et Simulation - M 1 Informatique

15

Vous aimerez peut-être aussi