Fil Datt

69
Cahier de Mathmatiques Appliques no 14
Files dattente
B. Ycart
La thorie des les dattente a de nombreuses applications, en particulier

dans les rseaux de communication et les rseaux informatiques. Nous insisterons surtout sur les modles markoviens, en supposant acquises les notions
de base sur les chanes de Markov et les processus markoviens de saut, qui
ont fait lobjet de cahiers dans la mme collection. Lobjectif est de donner
une comprhension concrte des phnomnes, tout en prsentant les rsultats
mathmatiques de base de la thorie, sans insister sur les dtails techniques.
Pour complter ce qui suit, on pourra se reporter aux ouvrages suivants.
E. Gelenbe et G. Pujolle Introduction aux rseaux de les dattente.
Eyrolles, Paris, 1985.
L. Kleinrock Queuing systems, vol. 1: theory.
Wiley, New York, 1975.
L. Kleinrock Queuing systems, vol. 2: computer applications.
Wiley, New York, 1976.
P. Robert Rseaux et les dattente : mthodes probabilistes.
Springer-Verlag, Berlin, 2000.
Ce cahier de mathmatiques appliques doit beaucoup aux relectures
scrupuleuses de Jean-Stphane Dhersin et Dominique Seret, au dynamisme
de Sylvie Sevestre-Ghalila, au soutien de lEcole Suprieure de la Statistique
et de lAnalyse de lInformation de Tunisie, par son directeur Makki Ksouri,
ainsi qu la comptence de Habib Bouchriha, directeur du Centre des Publications Universitaires de la Tunisie.
70
Table des matires

1 Processus de naissance et de mort
1.1 Dnitions et exemples . . . . . . . . . . . . . . . . . . . . . .
1.2 Comportement asymptotique . . . . . . . . . . . . . . . . . .
1.3 Equations de Chapman-Kolmogorov . . . . . . . . . . . . . .
71
71
74
77
2 Files markoviennes
2.1 Modles dattente . . . . .
2.2 File M/M/1 . . . . . . . .
2.3 File M/M/s . . . . . . . .
2.4 Files capacit limite . .
2.5 Files arrives ou services
80
80
83
87
90
92
. . . . .
. . . . .
. . . . .
. . . . .
groups
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Files quasi-markoviennes
97
3.1 File M/GI/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.2 File GI/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4 Rseaux de files dattente
105
4.1 Rseaux de Jackson ouverts . . . . . . . . . . . . . . . . . . . 105
4.2 Rseaux de Jackson ferms . . . . . . . . . . . . . . . . . . . 110
4.3 Rseaux de Petri . . . . . . . . . . . . . . . . . . . . . . . . . 113
5 Exercices
117
71
Files dattente
1
1.1
Processus de naissance et de mort

Dfinitions et exemples
Un processus est une collection de variables alatoires {Zt , t 0}, indice

par le temps. Ici, il nous servira dcrire lvolution alatoire au cours du
temps dun nombre dindividus, dans une population ou un systme dattente.
Les variables alatoires Zt prennent donc leurs valeurs dans lensemble des
entiers IN. Le processus volue comme un processus markovien de saut : le
nombre dindividus reste constant pendant une certaine dure exponentielle,
puis il saute vers une autre valeur. Sagissant dune population ou dune le
dattente, nous ne considrerons que des sauts vers les deux valeurs voisines :
la taille de la population peut soit augmenter de 1 (naissance ou arrive) soit
diminuer de 1 (mort ou dpart). Lintensit de ces sauts est gouverne par
deux suites de rels positifs, (n )nIN (taux de naissance) et (n )nIN (taux
de mort). Pour viter les cas particuliers, nous supposerons dans un premier
temps que ces taux sont tous strictement positifs.
Dfinition 1.1 Soient (n )nIN et (n )nIN deux suites de rels strictement
positifs. Un processus de naissance et de mort de taux de naissance (n ) et
taux de mort (n ) est un processus markovien de saut {Zt , t 0} valeurs
dans IN tel que pour tout n 0 le taux de transition de n vers n + 1 est n ,
et pour tout n 1, le taux de transition de n vers n1 est n . Aucune autre
transition nest possible.
Le diagramme de transition de la gure 1 illustre cette dnition.
n1
0
0
n1
n
n
n+1
n+1
Figure 1 Diagramme de transition dun processus de naissance et de mort.

Pour comprendre la dynamique dun processus de naissance et de mort,
on peut revenir la construction dun processus de saut par sa chane incluse.
Ici cest une chane de Markov valeurs dans IN, qui saute de n vers n + 1
n
n
et de n vers n1 avec probabilit n+
. Le passage
avec probabilit n+
n
n
de la chane au processus se fait en rajoutant des temps de sjour alatoires,
indpendants entre eux et indpendants de la chane, dont la loi dpend
de ltat courant : le temps de sjour dans ltat n suit la loi exponentielle
E(n + n ). En dautres termes, on peut simuler un processus de naissance
et mort par lalgorithme suivant.
t 0
Initialiser Z dans IN
72

Rpter
n Z
(tat prsent)
Si n = 0 alors Z 1 ; t t log(Random)/0
sinon
n
Si Random < n+
n
alors Z n + 1
sinon Z n 1
finSi
t t log(Random)/(n + n )
finSi
Jusqu (arrt de la simulation)
La famille des lois exponentielles possde une proprit de stabilit qui sera
souvent invoque dans ce qui suit.
Proposition 1.2 Considrons k variables alatoires indpendantes
X1 , . . . , Xk , de lois respectives E(1 ), . . . , E(k ). Posons :
Y = min{X1 , . . . , Xk } .
Alors Y suit la loi E(1 + + k ) et pour tout i = 1, . . . , n :
IP[Y = Xi ] =
i
.
1 + + k
Considrons alors un processus de naissance et de mort arrivant dans un tat

n > 0. Nous pouvons envisager deux variables alatoires indpendantes A et
D, de lois E(n ) et E(n ), que nous interprterons respectivement comme le
temps dattente avant une prochaine naissance (arrive) et le temps dattente
avant une prochaine mort (dpart). Si A < D, alors le prochain vnement
sera une naissance, et le processus passera de n n + 1. Si A > D, le prochain
vnement sera une mort et le processus passera de n n 1. La proposition
1.2 montre que le plus petit des deux temps dattente suit la loi E(n + n ),
n
et que le prochain saut ira de n n + 1 avec probabilit n+
. En dautres
n
termes, on peut remplacer lalgorithme de simulation par la chane incluse
par le suivant, qui est strictement quivalent du point de vue probabiliste.
t 0
Initialiser Z dans IN
Rpter
n Z
(tat prsent)
Si n = 0 alors Z 1 ; t log(Random)/0
sinon
A log(Random)/n
D log(Random)/n
Si A < D
73
Files dattente
alors Z n + 1 ; t t + A
sinon Z n 1 ; t t + D
finSi
finSi
Une autre proprit des lois exponentielles joue un rle fondamental dans la
modlisation par les processus de naissance et de mort, la proprit dabsence
de mmoire.
Proposition 1.3 Une variable alatoire X valeurs dans IR+ , de fonction
de rpartition continue suit une loi exponentielle si et seulement si pour tout
t, h 0,
IP[X > t + h | X > t] = IP[X > h] .
Son interprtation est la suivante. Si lattente dun vnement a dbut dans
le pass, et que celui-ci ne sest pas encore produit linstant t, alors la dure
qui reste attendre aprs t suit la mme loi que la dure totale, si celleci est exponentielle. Nous retrouverons cet argument plusieurs fois dans les
exemples qui suivent.
Exemple 1 : Processus de naissance pure
Lhypothse que les taux de naissance et les taux de mort sont tous strictement positifs assure que le processus est irrductible : la probabilit de passer
dun tat n un tat m entre deux instants distincts est toujours strictement
positive. Si un taux de naissance est nul, le processus ne peut pas dpasser
ltat correspondant. Ce sera le cas pour des les dattente capacit limite.
Si un taux de mort est nul, le processus ne peut pas revenir en arrire. Dans
le cas particulier o les taux de mort sont tous nuls, on parle de processus de
naissance pure. Un tel processus reste dans ltat n un temps exponentiel de
paramtre n , puis passe ltat n + 1. Si de plus tous les taux de naissance
sont gaux , cest un processus de Poisson dintensit .
Exemple 2 : La file M/M/1
La notation M/M/1 sera justie plus loin. Il sagit du modle le plus simple
de le dattente. On suppose que des clients arrivent dans une le un seul
serveur, et reoivent chacun leur tour un service dune certaine dure. Si un
client arrivant trouve le serveur libre, il passe immdiatement au service. Si
le serveur est occup, il attend son tour. Les hypothses probabilistes sont
les suivantes.
Les clients arrivent un par un selon un processus de Poisson dintensit
: le temps sparant deux arrives successives suit la loi E().
Le temps de service de chaque client suit la loi E().
Les temps sparant deux arrives successives et les temps de service
sont des variables alatoires indpendantes dans leur ensemble.
74
Nous examinons le nombre Zt de clients dans le systme (quils soient en train

dattendre ou dtre servis). Supposons quil y en ait n > 0 linstant t. Par la
proprit dabsence de mmoire, le temps qui spare t de la prochaine arrive
suit la loi E(), et le temps rsiduel du client en train dtre servi suit la loi
E(). Par la proposition 1.2, le prochain vnement modiant la composition
de la le surviendra au bout dun temps exponentiel de paramtre + . Ce
, ou un dpart avec probabilit +

. En
sera une arrive avec probabilit +
dautres termes, {Zt , t 0} est un processus de naissance et de mort de taux
de naissance constants n = n 0, et taux de mort galement constants
n = n 1.
Exemple 3 : Croissance de population
Considrons une population de bactries sur laquelle on fait les hypothses
suivantes.
La dure de vie de chaque bactrie est exponentielle de paramtre .
Chaque bactrie vivante donne naissance une autre au bout dun
temps exponentiel de paramtre .
Des bactries arrivent de lextrieur selon un processus de Poisson dintensit .
Toutes les variables alatoires considres sont indpendantes.
Nous examinons le nombre Zt de bactries vivantes linstant t. Supposons
quil y en ait n. Chacune dentre elles a deux horloges : sa dure de vie et son
temps de reproduction. Par la proprit sans mmoire, la dure de vie au-del
de t suit la loi E() et le temps au bout duquel elle donnera naissance une
autre (si elle nest pas morte) suit la loi E(). Le temps qui spare t de la
prochaine immigration suit la loi E(). Par la proposition 1.2, le prochain vnement modiant la population surviendra au bout dun temps exponentiel
de paramtre n + + n. Cet vnement sera une naissance ou une arrive
n
n+
avec probabilit n++n
, ce sera une mort avec probabilit n++n
. Lvolution du nombre de bactries peut tre dcrite par un processus de naissance
et de mort de taux de naissance n = n + , et de taux de mort n = n.
1.2
Comportement asymptotique
Etudier le comportement asymptotique des processus de naissance et de

mort en toute gnralit est assez compliqu. Nous nous contenterons de
dgager quelques ides gnrales, les plus importantes pour les applications.
Nous commenons par carter un cas pathologique que lon ne rencontre
pas en pratique, celui de lexplosion temps fini. Pour comprendre ce phnomne, considrons un processus de naissance pure, dont les taux de naissance
n sont tous strictement positifs. On suppose quil part de 0 linstant 0.
On peut construire ce processus partir dune suite de variables alatoires
indpendantes (Xn ), o pour tout n 0, Xn suit la loi exponentielle E(n ).
La variable Xn est le temps de sjour dans ltat n, la suite duquel le processus saute vers ltat n + 1. Le temps que le processus met parcourir les
75
Files dattente
P
tats 0, . . . , n est donc X0 + + Xn . La somme de la srie

Xi est le temps
total quePle processus passe dans IN. En tant que srie de variables indpendantes,
Xi converge ou diverge presque srement (consquence de la loi
du zro-un de Kolmogorov). Si elle diverge, le processus reste un temps inni
dans IN, et la valeur de Zt reste nie pour tout t. Mais si la srie converge, le
temps de sjour dans IN est
{Zt , tP
0}
Ppresque srement ni, et le processus
1
nest dni que pour t
Xi . Lesprance de Xn est 1n . Si la srie
n
converge, alors le temps moyen de sjour du processus dans IN est ni. Il se
trouve que
P cest aussi la condition ncessaire et susante de convergence pour
la srie
Xi : la proposition suivante se dduit du thorme de convergence
des sries alatoires, consquence de la thorie des martingales.
Proposition 1.4 Soit (Xn )nIN une suite de variables alatoires indpenP
dantes, telles que pour tout n 0, Xn suitPla loi E(n ). La srie
Xn
1
converge presque srement si et seulement si
<
+.
n
La gure 2 illustre une situation dexplosion temps ni, pour un processus
1
de naissance pure, de taux de naissance n = (n+1)
2.
Z
100
Explosion temps fini
90
80
70
60
50
40
30
20
10
0.
0.0
t
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
Figure 2 Trajectoires indpendantes dun processus de naissance pure, de

1
taux de naissance (n+1)
2 : les trajectoires explosent temps ni.
Lexplosion temps ni peut se produire pour un processus de naissance
et de mort dans le cas gnral, mais il nest pas aussi facile de donner une
condition
et susante. Nous nous contenterons dadmettre que si
Pncessaire
1
la srie
diverge,
alors le temps total pass dans IN est ncessairement
n
inni. Ceci fournit une condition susante dexistence dans le cas gnral.
Proposition 1.5 Soit {Zt , t 0} un processus
de naissance et de mort de
P 1
taux de naissance n > 0. Si la srie
diverge,
alors le processus est
n
dfini pour tout t 0.
76
P 1
La condition
n = + est satisfaite dans tous les modles dintrt pratique. Nous la supposons vrie dsormais.
Une fois le processus {Zt } dni pour tout t, se pose la question de
son comportement quand t tend vers linni. Pour un processus irrductible,
comme pour une chane irrductible apriodique, trois cas sont possibles en
fonction du retour dans un tat donn.
Si le processus, partant dun tat donn, a une probabilit non nulle de
ne jamais y retourner, il est dit transient. En pratique cela signie que le
nombre que lon tudie (taille de population ou nombre de clients) tend
vers linni. Nous interprtons cette situation comme une saturation du
systme.
Si le processus, partant dun tat donn, y revient ncessairement au
bout dun temps ni en moyenne, il est dit rcurrent positif. Dans ce
cas, il converge en loi vers sa mesure stationnaire, interprte comme
une situation dquilibre du systme tudi.
Si le processus, partant dun tat donn, y revient avec probabilit 1
mais que lesprance du temps de retour est innie, il est dit rcurrent nul. Dans les applications, ce cas, frontire entre lquilibre et la
saturation, ne sera pas distingu du cas transient.
Nous allons montrer que le comportement asymptotique dun processus de
naissance et de mort dpend de rapports des taux de naissance aux taux de
mort. Pour cela, nous commenons par examiner la probabilit de retour en
0. Un processus de naissance et de mort partant de 0 linstant 0 atteint
ltat 1 son premier saut. La question est de savoir sil peut revenir de 1
vers 0. Pour tout n 0, notons pn la probabilit de retour en 0 partir de
ltat n. Pour tout n > 0, la dynamique de la chane incluse permet dcrire
lquation de rcurrence suivante.
pn =
n
n
pn+1 +
pn1 .
n + n
n + n
On en dduit lexpression de pn en fonction de p1 .

1
1 . . . n1
pn = 1 (1 p1 ) 1 +
.
+ +
1
1 . . . n1
...n1
diverge, alors ncessairement p1 = 1, le
Si la srie de terme gnral 11 ...
n1
retour en 0 est certain, et le processus est donc rcurrent.
Examinons maintenant le temps moyen de passage de n n 1, que nous
notons en . Lquation de rcurrence est la suivante :
en =
n
1
+
(en+1 + en ) .
n + n
n + n
On en dduit la relation suivante entre en+1 et e1 .

1 0
0 . . . n1
1 . . . n
= e1
+ +
.
en+1
1 . . . n
0 1
1 . . . n
Files dattente
77
n1
diverge, alors ncessairement e1 doit tre
Si la srie de terme gnral 0 ...
1 ...n
inni : le processus est soit rcurrent nul, soit transient. Nous admettrons
n1
rciproquement que si la srie de terme gnral 0 ...
converge, alors le
1 ...n
processus est rcurrent positif. Nous retrouverons cette srie dans le calcul
de la mesure stationnaire au paragraphe suivant.
Nous rsumons les conditions obtenues sur le cas particulier de la le
M/M/1.
Proposition 1.6 Soit Zt le nombre de clients linstant t dans une file

M/M/1 pour laquelle les temps sparant deux arrives sont exponentiels de
paramtre et les temps de service sont exponentiels de paramtre . Le
processus {Zt , t 0} est :
transient
si >
rcurrent positif si <
rcurrent nul
si = .
Dmonstration : Pour une le M/M/1, {Zt , t 0} est un processus de naissance et de mort, pour lequel les taux de naissance et les taux de mort sont
0 ...n1
n
constants : n = n 0 et n = n 1. Les rapports 11 ...
...n et 1 ...n
P
valent respectivement ( )n et ( )n . Si > , la srie ( )n converge, la
P
srie ( )n diverge. Si < cest le contraire. Si = , les deux sries
divergent.
Revenons linterprtation des paramtres : 1 est le temps moyen qui spare

deux arrives conscutives, et est le nombre moyen de clients qui arrivent
dans la le par unit de temps. Cest lintensit du processus de Poisson des
arrives, nous parlerons de taux darrive. De mme 1 est la dure moyenne
dun service. Donc est le nombre moyen de clients que le serveur traiterait
sil fonctionnait sans interruption, autrement dit la capacit moyenne maximale du service. Nous parlerons aussi de taux de service. Si le nombre de
clients arrivant par unit de temps est strictement suprieur la capacit
maximale, le serveur ne peut pas faire face : les clients saccumulent en attente, et la le sature : en moyenne, on y trouvera pau prs ( )t clients
au temps t. Si le nombre de clients arrivant par unit de temps est infrieur
la capacit du serveur, celui-ci peut faire face toutes les demandes, et la
le sera quilibre. La gure 3 montre une simulation dune le M/M/1 dans
les trois cas possibles.
Le raisonnement ci-dessus est tout fait gnral et nous le retrouverons
souvent dans la suite : lquilibre dune le dattente dpend du rapport du
taux darrive au taux maximal de service. Une le dattente est quilibre
si et seulement si est strictement infrieur 1.
1.3
Equations de Chapman-Kolmogorov
Nous commenons par une description des mouvements possibles dun

processus de naissance et de mort sur un petit intervalle de temps. On consi-
78
(a) File M/M/1 transiente
Zt
500
450
400
350
300
250
200
150
100
50
0
100
Zt
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
(b) File M/M/1 rcurrente positive

100
90
90
80
80
70
70
60
60
50
50
40
40
30
30
20
20
10
0
Zt
(c) File M/M/1 rcurrente nulle
10
.
t
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Figure 3 Simulation dune le M/M/1 dans les trois cas transient (a),
rcurrent positif (b) et rcurrent nul (c). Le taux de service vaut 1 dans les
trois cas, les taux darrive valent respectivement 1.05, 0.95 et 1.
dre un processus de naissance et de mort {Zt , t 0}, de taux de naissance
(n )nIN et taux de mort (n )nIN . Supposons que le processus soit dans
ltat n > 0 linstant t. Le prochain saut lamnera soit en n + 1, soit en
n1. Les direntes probabilits de localisation de Zt+h , pour h petit, sont
donnes ci-dessous.
IP[Zt+h = n + 1 | Zt = n] = n h + o(h)
IP[Zt+h = n1 | Zt = n] = n h + o(h)
IP[Zt+h = n | Zt = n]
= 1 (n + n )h + o(h) .
On en dduit la relation suivante entre la loi de Zt+h et la loi de Zt .
IP[Zt+h = n] = n1 hIP[Zt = n1]
+n+1 hIP[Zt = n + 1] + (1 h(n + n ))IP[Zt = n] + o(h) .
Soit en rarrangeant les dirents termes :

1
IP[Zt+h = n] IP[Zt = n] = n1 IP[Zt = n1]
h
(n + n )IP[Zt = n] + n+1 IP[Zt = n + 1] +
o(h)
.
h
Posons pn (t) = IP[Zt = n]. En passant la limite quand h tend vers 0, on

arrive lquation direntielle suivante.
pn (t) = n1 pn1 (t) (n + n ) pn (t) + n+1 pn+1 (t) .
79
Files dattente
Pour ltat n = 0, lquation est lgrement dirente.
p0 (t) = 0 p0 (t) + 1 p1 (t) .
Le systme dquations direntielles ainsi obtenu est le systme de ChapmanKolmogorov.

p0 (t) = 0 p0 (t) + 1 p1 (t)
(1.1)
pn (t) = n1 pn1 (t) (n + n ) pn (t) + n+1 pn+1 (t) , n 1 .
Sauf dans quelques cas trs particuliers, il est hors de question de le rsoudre explicitement. La thorie dit que pour une loi de probabilit initiale
(pn (0))nIN donne, le systme (1.1) admet une solution (pn (t))nIN unique,
et que dans le cas o il ny a pas explosion temps ni, cette solution est
une loi de probabilit pour tout t.
Une mesure stationnaire est une loi de probabilit = (n )nIN telle
que si la loi de Z0 est , alors la loi de Zt reste pour tout t > 0. Une
telle mesure est donc ncessairement une solution constante du systme de
Chapman-Kolmogorov :

0 = 0 0 + 1 1
(1.2)
0 = n1 n1 (n + n ) n + n+1 n+1 , n 1 .
Il est facile de rsoudre ce systme, en vriant par rcurrence que pour tout
n1:
n n n1 n1 = 0 .
On en dduit immdiatement lexpression de n en fonction de 0 .
n = 0
0 . . . n1
.
1 . . . n
(1.3)
Le systme (1.2) admet donc toujours une solution, unique un coecient

multiplicatif prs. Mais pour que ce soit une loi de probabilit, il est ncessaire que la somme des coecients soit 1. Cest le cas si et seulement si la
n1
converge. Nous avons dj vu que cest aussi
srie de terme gnral 0 ...
1 ...n
la condition pour que le processus soit rcurrent positif. Nous rsumons dans
le thorme suivant, que nous admettons pour lessentiel, les dirents comportements dun processus de naissance et de mort qui nous intressent en
pratique.
Thorme 1.7 Soit {Zt , t 0} un processus de naissance et de mort, de
taux de naissance (n )nIN et taux de mort (n )nIN , supposs strictement
positifs. Notons (pn (t))nIN la loi de Zt , posons 0 = 1 et pour n 1 :
n =
0 . . . n1
.
1 . . . n
80
P
1. Si la srie
n diverge, alors le processus est rcurrent nul ou transient. Pour tout n IN, pn (t) tend vers 0 quand t tend vers linfini, et
donc Zt converge en probabilit vers +.
P
2. Si la srie
n converge, alors le processus est rcurrent positif. Posons :
!1
X
n =
n .
(1.4)
m
m=0
La loi de probabilit = (n )nIN est la mesure stationnaire du processus. Pour tout n IN, pn (t) tend vers n et donc Zt converge en loi
vers . De plus si f est une fonction quelconque de IN dans IR, on a :
Z
X
1
f (Zt ) dt =
f (i) i , p.s.
(1.5)
lim
0
iIN
Pour comprendre la condition dquilibre dun processus de naissance et de

mort, utilisons
P le critre de dAlembert. Le rapport de deux termes conscutifs
de la srie
n est :
n
n+1
=
.
n
n+1
Si ce rapport reste infrieur c < 1 pour n assez grand, la srie converge.
Sil est suprieur 1, elle diverge. Nous retrouvons donc linterprtation dj
mentionne pour le cas particulier de la le M/M/1. Si les taux darrive
n lemportent sur les taux de dpart n , le nombre de clients tend augmenter, et le processus tend vers linni. Dans le cas contraire, un rgime
stationnaire peut stablir, et ce rgime stationnaire est toujours atteint au
bout dun temps susamment long, quelle que soit la loi de Z0 (ltat initial du systme). La dernire assertion du thorme sinterprte comme suit.
Comprenons f comme le cot du sjour dans n : le concepteur
du systme
R
verse f (n) par unit de temps passe dans n. Lintgrale 0 f (Zt ) dt est le
cot total de la trajectoire jusqu linstant . En divisant par , on obtient
le cot moyen par unit de temps de cette trajectoire. La formule (1.5) dit
que ce cot moyen, qui varie a priori dune trajectoire lautre, est en fait
assez stable sur le long terme, puisquil converge vers la valeur moyenne de
f pour la mesure stationnaire . Si on prend comme cas particulier pour f
la fonction indicatrice de ltat n, alors le membre de gauche de (1.5) est
la proportion de temps pass dans ltat n par une trajectoire entre 0 et .
Quand tend vers linni, cette proportion tend vers n .
2
2.1
Files markoviennes
Modles dattente
Dans un systme dattente, des clients arrivent de manire alatoire dans

un systme do ils partiront aprs avoir reu un service, dont la dure est elle-
81
Files dattente
mme alatoire. Historiquement, la recherche sur les les dattente a dbut

avec les travaux dErlang (1909) sur les rseaux tlphoniques. Les clients
dans ce cas sont des appels tlphoniques arrivant un central, et les temps
de service sont les dures des communications. Mais beaucoup dautres situations pratiques relvent des modles dattente. Dans un aroport, les avions
sont les clients, le temps de service est la dure ncessaire un avion pour atterrir et dgager la piste. Lattente pour un avion consiste tourner au-dessus
de laroport avant le feu vert de la tour de contrle. La mme situation se
retrouve dans un port de commerce o les cargos attendent un quai libre
pour dcharger. Dans une usine, les clients peuvent tre des machines, immobilises pendant le temps ncessaire leur maintenance ou leur rparation.
Avec lessor de linformatique, on a assist un regain dintrt pour les les
dattente, d leurs applications dans la gestion des rseaux. L les clients
sont des programmes traiter ou des paquets de donnes acheminer. Evidemment les modles une seule le sont trop simplistes pour rendre compte
de toute la complexit dun rseau informatique.
La gure 4 est le schma classique dun modle dattente. On peut le
caractriser par les lments suivants.
Arrive
Attente
Service
Sortie
Figure 4 Schma dune le dattente.

1. Le processus darrive : il est dtermin en gnral par la loi conjointe
des intervalles de temps sparant deux arrives conscutives, que lon
appelle des temps dinterarrive. En gnral, on suppose que leur loi
ne dpend pas des clients. Souvent, on est conduit pour des raisons de
simplication supposer que les temps dinterarrive sont indpendants
entre eux. Le cas le plus facile traiter mathmatiquement est celui
o ils suivent tous la mme loi exponentielle. Dans ce cas, les clients
arrivent selon un processus de Poisson.
2. Les dures de service : ce sont des variables alatoires que lon considre
en gnral comme indpendantes et de mme loi. L encore, cest la
loi exponentielle qui donne le traitement mathmatique le plus simple.
Dautres familles de lois sont parfois utilises (masse de Dirac pour des
temps de service constants, loi dErlang pour des services en srie, loi
de Weibull, etc. . . ).
3. Le nombre de serveurs : dans un premier temps, on considrera toujours
une le unique, ayant ventuellement plusieurs serveurs. Mais tous les
serveurs seront identiques, et chaque client naura aaire qu un seul
82

dentre eux. Nous aborderons dans la quatrime partie des modles plus
complexes, o plusieurs les dattente sont connectes en rseau.
4. La capacit maximale du systme : mme si nous considrerons souvent pour simplier que la le peut contenir un nombre arbitraire de
clients, ce nest pas raliste. Certains modles prennent en compte le
nombre maximal de clients qui peuvent sjourner simultanment dans
le systme.
5. La population des usagers : dans certains modles (comme par exemple
la maintenance des machines dune usine), le nombre total de clients
est x.
6. La discipline de service : cest lordre dans lequel les clients en attente
sont traits. Par dfaut, on considrera que les clients sont servis dans
leur ordre darrive : cest la dicipline PAPS (premier arriv premier
servi) ou FIFO en anglais (rst in rst out). Dautres disciplines sont
couramment envisages selon les applications :
Dernier arriv premier servi (ou LIFO : last in rst out). Cest ce qui
est pratiqu en informatique pour les piles de donnes.
Alatoire (ou FIRO : rst in random out). Le serveur choisit au hasard parmi les clients prsents le prochain qui sera servi.
Temps partag (ou PS : processor sharing). Quand plusieurs programmes sont prsents simultanment dans une unit centrale, ils
reoivent chacun leur tour une partie de leur traitement, jusqu achvement de toutes les tches.
Dautres paramtres peuvent galement entrer en ligne de compte, par exemple dans les cas o les clients arrivent ou sont servis par paquets, nous en
verrons plus loin des exemples. La notation de Kendall rsume par des symboles, spars par des barres obliques les dirents paramtres de dnition
du modle.
Arrives / Services / Serveurs / Capacit / Population / Discipline
Ainsi la le M/M/1 a des temps dinterarrive et de service exponentiels
et indpendants (le M signie markovien), un seul serveur, et les autres
paramtres sont xs par dfaut : + pour la capacit et la population,
PAPS pour la discipline. Nous tudierons aussi la le M/M/s (s serveurs),
la le M/M/1/N (capacit limite N ), la le M/GI/1 (les services sont
indpendants mais leur loi est gnrale), etc. . .
Par exemple, la le E2 /D/5/100/FIRO aurait des temps dinterarrive
suivant une loi dErlang de paramtre 2 (somme de deux exponentielles indpendantes), des services constants (D pour Dirac), 5 serveurs, une capacit
limite 100 clients et fonctionnerait selon la discipline alatoire.
Files dattente
2.2
83
File M/M/1
Nous avons dj vu plusieurs caractristiques du modle le plus simple.

Cest un processus de naissance et de mort dont les taux sont constants :
n = n 0 et n = n 1. Son comportement asymptotique dpend
du rapport (voir gure 3). Si ce rapport est suprieur ou gal 1, la le
sature, sil est strictement infrieur 1, elle admet un rgime stationnaire.
Dans ce cas, la mesure stationnaire = (n ) est donne par :
n

n = 1
.
La loi est la loi du nombre de clients prsents dans le systme en rgime

stationnaire. Nous noterons Z la variable alatoire correspondante. Son esprance est le nombre moyen de clients prsents dans le systme en rgime
stationnaire :
=
IE[Z] =
.
(2.6)
1
Comme on pouvait sy attendre, le nombre moyen de clients dans le systme
augmente quand se rapproche de .
Sous la loi , la probabilit que le serveur soit occup est IP[Z > 0] =
1 0 = . On peut donc interprter le rapport comme la probabilit
que le serveur soit occup lquilibre, ou comme la proportion moyenne du
temps quil passe servir les clients. On parle de coefficient doccupation du
serveur.
Notre but ici est dune part dtudier le temps pass par un client dans
le systme en rgime stationnaire, dautre part dtudier le rgime transitoire en prsentant deux techniques de rsolution du systme de ChapmanKolmogorov (1.1). Plus que le traitement de la le M/M/1, qui est un modle
trop simple pour tre raliste, lintrt de ce qui suit est de mettre en place
des mthodes mathmatiques utiles dans beaucoup dautres contextes.
Nous commenons par tudier le rgime stationnaire. Nous supposons
donc que est strictement infrieur et que la loi de Z0 est . Nous dirons
que la le est lquilibre, ce qui ne se produit en pratique quapproximativement, au bout dun temps susamment long. Considrons alors un client
linstant de son arrive et notons T le temps total quil passera dans le
systme.
Proposition 2.1 La loi du temps de sjour T dun client arrivant en rgime
stationnaire est la loi exponentielle de paramtre .
Dmonstration : Si le systme est vide quand le client arrive, son temps de
sjour est gal son temps de service, et il suit la loi E(). Sil y a n 1
clients quand il arrive, son temps de sjour est la somme :
84
du temps de service rsiduel du client en train dtre servi, qui suit la

loi E() par la proprit dabsence de mmoire.
des n1 temps de service des clients en attente devant lui (chacun suit
la loi E()).
de son propre temps de service, toujours de loi E().
Au total, la loi conditionnelle de T sachant que n clients sont prsents est la
loi de la somme de n + 1 exponentielles indpendantes, autrement dit la loi
gamma G(n + 1, ), appele aussi loi dErlang. Elle a pour densit :
n+1 tn t
e
11IR+ (t) .
n!
Connaissant la probabilit n que n clients soient prsents en rgime stationnaire, on peut donc crire la densit de T sous la forme suivante.
fT (t) =
n=0

X
n=0
n+1 tn t
e
11IR+ (t)
n!
n n+1 n
t t
e
11IR+ (t)
n!
= ( )e()t 11IR+ (t) .

La loi du temps de sjour dun client arrivant en rgime stationnaire est donc
bien la loi exponentielle E( ). Son esprance vaut :
IE[T ] =
1
.
(2.7)
La comparaison de (2.6) et (2.7) fait apparatre une relation qui est valable
dans des situations beaucoup plus gnrales que celle de la le M/M/1. Cest
la formule de Little.
Proposition 2.2 Dans une file dattente en rgime stationnaire, le nombre
moyen de clients est le produit du taux darrive par le temps moyen de sjour
dun client dans le systme.
IE[Z] = IE[T ] .
(2.8)
Une dmonstration rigoureuse de ce rsultat sous des hypothses gnrales

dpasse le cadre restreint de ce cours. Nous nous contenterons de le vrier
sur des cas particuliers dans ce qui suit.
Nous nous intressons maintenant au rgime transitoire de la le M/M/1,
cest--dire la rsolution du systme direntiel de Chapman-Kolmogorov
85
Files dattente
(2.9).

p0 (t) = p0 (t) + p1 (t)

pn (t) = pn1 (t) ( + ) pn (t) + pn+1 (t) ,
n 1 .
(2.9)
Ce sera loccasion de mettre en uvre deux outils mathmatiques importants

pour ltude des modles dattente markoviens, les transformes de Laplace
et les fonctions gnratrices.
Commenons par les transformes de Laplace. Si est une fonction de
IR+ dans IR, sa transforme de Laplace, qui sera note est la fonction
dnie pour tout s 0 par :
(s) =
est (t) dt .
Si X est une variable alatoire, sa transforme de Laplace (ou plutt celle de

sa loi) est la fonction qui s associe :
IE[exp(sX)] .
Dans le cas o X admet pour densit f , sa transforme de Laplace est celle
de sa densit :
Z +
est f (t) dt = f (s) .
IE[exp(sX)] =
0
Lusage que nous ferons des transformes de Laplace est justi par les proprits suivantes.
Proposition 2.3
1. La transforme de Laplace est linaire : si et sont deux fonctions
de IR+ dans IR, et sont deux constantes, alors la transforme de
Laplace de + est + .
2. La transforme de Laplace de (t) est s (s) (0).
3. La fonction (t) admet une limite en + si et seulement si s (s)
admet une limite en 0, et si elles existent ces limites sont gales.
lim (t) = lim s (s) .
s0
4. Soit X une variable alatoire, f sa transforme de Laplace et k un

entier tel que IE[X k ] < , alors :
E[X k ] = (1)k
dk f
(0) .
dsk
86
Nous ne dmontrerons pas cette proposition, pas plus que nous ne justierons
par la suite les nombreux points techniques lis lutilisation des transformes de Laplace et des fonctions gnratrices : dans tout ce qui suit, les
convergences de sries et dintgrales, les drivations sous le signe somme, les
interversions de sommes ou dintgrales seront armes sans dmonstration.
Pour rsoudre le systme de Chapman-Kolmogorov (2.9), lide est de
remplacer la fonction inconnue pn (t) par sa transforme de Laplace pn (s).
Grce au point 2 de la proposition 2.3, remplacer les pn (t) par leurs transformes de Laplace permet de supprimer le caractre direntiel du systme.

s p0 (s) p0 (0) = p0 (s) + p1 (s)
s pn (s) pn (0) = pn1 (s) ( + ) pn (s) + pn+1 (s) , n 1 .
Comme condition initiale, nous supposerons que la le est vide linstant
0, soit p0 (0) = 1 et pn (0) = 0 pour n 1. Les pn (s) sont donc solution de
lquation de rcurrence :
spn (s) = pn1 (s) ( + )pn (s) + pn+1 (s) .
La solution gnrale de cette quation est :
pn (s) = A(s) (s)n + B(s) (s)n ,
o (s) et (s) sont les racines de lquation caractristique associe, savoir :

p
1
(s) =
s + + + (s + + )2 4 ,
2
et
(s) =

p
1
s + + (s + + )2 4 .
2
On vrie facilement
que 0 < (s) <P1 < (s). Par linarit de
Platransforme
P
une
pn (s)
de Laplace,
pn (t) = 1 entrane
pn (s) = 1/s. Comme
P est
srie convergente, ncessairement A(s) doit tre nul. La condition
pn (s) =
1/s donne :
1
B(s) = (1 (s)) ,
s
do lexpression de pn (s) :
pn (s) =
1
(1 (s))((s))n .
s
Le retour de pn (s) pn (t) est plus dicile. Il existe des mthodes numriques
de calcul des transformes de Laplace inverses, ainsi que des tables formelles.
On peut tudier le comportement asymptotique de pn (t) laide du point 3
de la proposition 2.3.
lim pn (t) = lim spn (s) = (1 ) n ,
s0
87
Files dattente
o
= lim (s) =
s0
1
( + | |) .
2
Si (saturation) alors = 1, donc pour tout n, lim pn (t) = 0. Si <

(quilibre) alors = /, donc lim pn (t) = n . On retrouve ainsi, pour la le
M/M/1, les deux cas du thorme 1.7.
Prsentons maintenant la technique des fonctions gnratrices. Lide est
de remplacer les fonctions pn (t) par leur srie entire G(z, t), dnie pour
|z| < 1 et t 0 par :
X
z n pn (t) .
G(z, t) =
n=0
En multipliant la n-ime quation du systme (2.9) par z n et en sommant,

on obtient lquation aux drives partielles suivante.
z
G(z, t)
= G(z, t)(z 2 ( + )z + ) + p0 (t)(z 1) .
t
Dans ce cas lquation obtenue dpend de p0 (t) = G(0, t), et elle na pas de
solution explicite. On peut, en utilisant nouveau la transforme de Laplace,
en dduire aussi le comportement asymptotique de la le. Nous verrons dans
la suite plusieurs exemples dapplication de cette technique.
2.3
File M/M/s
Le modle que nous tudions ici est lextension la plus simple de la le

M/M/1 : les hypothses probabilistes sont les mmes, seul change le nombre
de serveurs.
Les clients arrivent un par un selon un processus de Poisson dintensit
: le temps sparant deux arrives successives suit la loi E().
Les s serveurs sont identiques. Si un client arrivant dans la le trouve
un serveur libre, il loccupe. Si les s serveurs sont occups, le nouvel
arrivant attend. Le temps de service de chaque client suit la loi E().
Toutes les variables alatoires considres (temps sparant deux arrives
successives et temps de service) sont indpendantes dans leur ensemble.
Nous notons encore Zt le nombre de clients prsents dans le systme (en
attente ou au service) linstant t. Supposons que ce nombre soit n. Le
prochain vnement peut tre une arrive ou bien la n de lun des services.
Le temps qui spare t de la prochaine arrive est exponentiel de paramtre
, par la proprit dabsence de mmoire. Si n s, alors n serveurs sont
occups (personne nest en train dattendre), et les temps rsiduels de ces n
services sont exponentiels de paramtre . Le temps qui spare t du prochain
saut est exponentiel de paramtre + n, ce prochain saut sera une arrive
n
, ou un dpart avec probabilit +n

(proposition 1.2).
avec probabilit +n
Le cas o n est plus grand que s (tous les serveurs sont occups et des clients
88
sont en attente), est dirent, puisqualors le prochain dpart ne peut tre

que celui dun des s clients en train dtre servi. Dans ce cas le temps qui
spare t du prochain saut est exponentiel de paramtre + s, ce prochain
saut sera une arrive avec probabilit +s

, ou un dpart avec probabilit
s
.
En
rsum,
{Z
,
t
0}
est
un
processus
de naissance et de mort, de
t
+s
taux de naissance constants n = n 0, et de taux de mort n tels que :

n n = 1, . . . , s
n =
s n s .
Daprs le thorme 1.7, la condition dquilibre du systme est la convergence
n1
de la srie de terme gnral n = 0 ...
, avec :
1 ...n
n
n = 0, . . . , s
n!n
n =
n
ns n n s .
s!s
P
La srie
n converge si et seulement si < s, comme on pouvait le
prvoir. Si chacun des s serveurs fonctionnait en continu, ils traiteraient s
clients par unit de temps, donc s est la capacit maximale du service, qui
doit tre suprieure au nombre de clients arrivant par unit de temps. Si la
condition dquilibre est ralise,
alors la mesure stationnaire (n ) est donne
P
par (1.4), savoir n = ( n )1 n , avec :
n=0
n =
s1
X
n
n!n
n=0
s
1
.
s
s! 1 s
Ayant lexpression explicite des n , on peut calculer le nombre

P moyen de
clients dans le systme en rgime stationnaire, soit IE[Z] =
n n . Il est
plus simple de lexprimer en fonction de la probabilit s . On trouve :
IE[Z] =
s s
+
.
(s )2
(2.10)
Nous allons maintenant tudier la loi du temps dattente dun client arrivant
dans le systme en rgime stationnaire. Nous supposons donc que < s et
que la loi de Zt est , pour tout t.
Proposition 2.4 La loi du temps dattente dun client en rgime stationnaire est un mlange
1. de la masse de Dirac en 0, avec probabilit 1
1 s
2. de la loi exponentielle E(s ), avec probabilit
1 s
89
Files dattente
Dmonstration : Tout dabord, un client nattend que si tous les serveurs sont
occups, donc si au moins s clients sont dj prsents quand il arrive. Ceci
se produit avec probabilit :
s + s+1 + = s
X
k
s
.
=
k
s k
1
s
k=0
Sil y a n s clients dj prsents dans le systme, celui qui arrive trouve

n s clients en attente avant lui. Il devra attendre (n s + 1) librations
de serveurs, chaque libration survenant au bout dun temps exponentiel de
paramtre s. La loi conditionnelle du temps dattente sachant quil y a n s
clients dj prsents dans le systme est donc la loi gamma G(ns + 1, s),
de densit :
(s)ns+1 tns st
e
11IR+ (t) .
(n s)!
La loi du temps dattente est un mlange de la masse de Dirac en 0 (sil ny
a pas attente) et dune loi sur IR+ , dont la densit est :
1
n=s
(s)ns+1 tns st
e
11IR+ (t) .
(n s)!
Aprs simplications, on vrie que cette densit est bien celle de la loi exponentielle de paramtre s .

Lesprance du temps dattente est donc :
1
s s
s
=
.
s
(s
)2
1 s
Pour obtenir le temps moyen de sjour dun client arrivant en rgime stationnaire, il faut ajouter le temps de service au temps dattente :
IE[T ] =
1
s s
+
.
(s )2
(2.11)
En comparant (2.10) et (2.11), on retrouve la formule de Little, savoir

IE[Z] = IE[T ]. On peut aussi obtenir dautres quantits (toujours pour le
rgime stationnaire), comme :
la longueur moyenne de la le : IE[Z] ,
le nombre moyen de serveurs occups : IE[O] = = s s

.
(rapDans cette dernire formule, on retrouve linterprtation du rapport s

port du taux darrive la capacit de service) comme un coecient doccupation.
Comme nouvel exemple dutilisation des fonctions gnratrices, nous traitons maintenant le cas de la le M/M/. Mme si supposer quil y a une
90
innit de serveurs nest pas vraiment raliste en pratique, cela peut constituer une bonne approximation de la le M/M/s dans le cas o le coecient
doccupation s
est faible. Une le M/M/ est un processus de naissance et
de mort de taux de naissance constants n = n 0, et de taux de mort
linaires n = n n 1. Il ne peut pas y avoir de saturation dans une telle
le. Elle est toujours rcurrente positive, avec pour mesure stationnaire la loi
de Poisson P( ).
n
()
n = e
.
n!
Le systme de Chapman-Kolmogorov est le suivant.

p0 (t) = p0 (t) + p1 (t)
(2.12)
pn (t) = pn1 (t) ( + n) pn (t) + (n + 1) pn+1 (t) , n 1 .
P n
Posons G(z, t) =
z pn (t), multiplions la n-ime quation par z n et sommons. En remarquant que :
G(z, t) X n
z pn (t)
=
t
n=0
et
G(z, t) X n1
nz
pn (t) ,
=
z
n=1
on arrive lquation aux drives partielles suivante.

G(z, t)
G(z, t)
= (z 1)G(z, t) + (1 z)
.
t
z
(2.13)
Cette quation admet pour solution particulire la fonction gnratrice de la

loi de Poisson de paramtre (t) :
G(z, t) = e(t)(z1) ,
avec
(t) =

t
e
.
+ (0)
Cela signie que si la loi du nombre de clients dans la le linstant 0 est une
loi de Poisson, alors il en sera de mme chaque instant : seul le paramtre
(t) dpend du temps. Quand t tend vers linni, (t) converge vers , qui est
le paramtre de la mesure stationnaire . On retrouve donc la convergence en
loi vers la mesure stationnaire. De plus ici, cette convergence a lieu vitesse
exponentielle (en et ), ce qui signie en pratique que lquilibre sera atteint
rapidement.
2.4
Files capacit limite
Nous allons examiner trois modles particuliers, pour lesquels le nombre

de clients dans le systme est un processus de naissance et de mort nombre
dtats ni.
91
Files dattente
Le premier est la le M/M/1/N , qui fonctionne comme la le M/M/1, sauf

que le nombre maximal de clients dans le systme est limit N : un client
qui arrive lorsque la le est pleine est rejet. Ceci revient annuler le taux de
transition de N vers N + 1. On obtient un processus de naissance et de mort
sur {0, . . . , N }, dont les taux de naissance valent n = n = 0, . . . , N 1,
et les taux de mort n = n = 1, . . . , N . Tout processus de saut sur
un ensemble ni est rcurrent positif, il nest videmment pas question de
saturation ici. La mesure stationnaire sur {0, . . . , N } est donne par la
formule (1.3), savoir :
n
n = 1, . . . , N , n = 0
.
PN
On calcule 0 par la condition n=0 n = 1.
1
N +1 si 6= 1
0 = 1( )
1
si = 1 .
N +1
On peut en dduire le nombre moyen de clients dans le systme en rgime
stationnaire.

N +1
)
N
(N +1)(
X
si 6= 1
N +1
)
1
1(
n n =
IE[Z] =
N
n=0
si = 1 .
2
Comme on pouvait sy attendre, lorsque le rapport tend vers 0, la le est

le plus souvent vide, et se comporte comme une le M/M/1. Par contre si
tend vers linni, N tend vers 1 et IE[Z] vers N : la le est pleine la plus
grande partie du temps.
Examinons maintenant la le M/M/s/s qui a une capacit limite au

nombre de ses serveurs : cest une le sans attente possible, puisquun client
arrivant lorque tous les serveurs sont occups est rejet. Cest le premier
modle introduit par Erlang pour les rseaux tlphoniques : les clients sont
des appels et les serveurs des lignes. Si un usager appelle lorsque toutes les
lignes sont occupes, il nest pas mis en attente. Le nombre de clients dans
le systme est un processus de naissance et de mort sur {0, . . . , s}, dont les
taux de naissance valent n = n = 0, . . . , s 1, et les taux de mort
n = n n = 1, . . . , s. Ici encore il ny a pas de staturation possible. La
mesure stationnaire est donne par :
n = 0
n
,
n!n
avec
0 =
s
X
n
n!n
n=0
!1
92
La valeur de s est la probabilit de perte, savoir la probabilit quun

client arrivant en rgime stationnaire soit rejet. Son expression en fonction
de , et s est la formule dErlang ou formule des tlphonistes. Avant les
ordinateurs, les abaques dErlang traduisaient graphiquement cette formule
an de faciliter le calcul approch de s .
!1
s
X
n
s
.
s =
s!s n=0 n!n
On peut exprimer le nombre moyen de lignes occupes en fonction de s :
IE[Z] =
(1 s ) .
Si le rapport tend vers 0, tout appel trouve une ligne et la probabilit de

perte tend vers 0. Sil tend vers linni, la probabilit de perte tend vers 1 et
IE[Z] tend vers s.
Nous examinons pour nir un modle de maintenance o la population des
usagers est nie. Supposons quil y ait dans une usine m machines du mme
type. Quand lune dentre elles tombe en panne, elle entre dans lun des s
ateliers de rparation, sil y en a un de libre. On suppose que les temps de
fonctionnement des machines avant une panne sont exponentiels de paramtre
, et que les temps de rparation sont exponentiels de paramtre , tous ces
temps tant indpendants dans leur ensemble. Notons Zt le nombre total de
machines immobilises linstant t. Des raisonnements analogues ceux que
nous avons dj mens pour les modles prcdents montrent que {Zt , t 0}
est un processus de naissance et de mort sur {0, . . . , m}, avec n = (m
n) n = 0, . . . , m 1, les taux de mort n tant ceux de la le M/M/s :

n n = 0, . . . , s
n =
s n = s, . . . , m .
On obtient encore la mesure stationnaire par la formule (1.3). Le responsable de lusine connat les cots associs aux dirents tats : il sait combien
lui rapporte une machine en fonctionnement, combien lui cote une rparation, quels sont ses cots xes. Connaissant le cot f (n) associ chaque
tat
P n ainsi que sa probabilit stationnaire il peut donc valuer le cot moyen
f (n) n . Daprs le thorme 1.7, cette quantit est une prdiction de ce
que son usine lui rapportera en moyenne par unit de temps. Il peut utiliser
cette prdiction, par exemple pour optimiser le nombre dateliers de rparation.
2.5
Files arrives ou services groups
La caractristique des processus de naissance et de mort est dvoluer

par sauts de +1 ou 1. Pour un tel modle, les arrives et les dparts sont
93
Files dattente
donc individuels. Or dans de nombreuses situations pratiques, cette hypothse

nest pas raliste. Pour les arrives, pensons lentre dun thtre, o les
spectateurs arrivent en couple ou en famille. Pour les services, prenons un
tlphrique, qui monte dun coup tout un groupe de touristes. Nous allons
examiner un modle darrives groupes, puis un modle de services groups.
Le premier est la le M(X) /M/1. Comme pour la le M/M/1, les temps
dinterarrive sont exponentiels de paramtre . Mais chaque instant darrive, cest non pas 1, mais un nombre alatoire X de clients qui arrivent. Les
autres hypothses sont celles de la le M/M/1 : il ny a quun seul serveur,
qui sert les clients un par un. Les temps de service sont exponentiels de paramtre . Toutes les variables alatoires considres (temps dinterarrive,
temps de service et nombres de clients chaque arrive) sont indpendantes
dans leur ensemble.
Les tailles alatoires des paquets de clients sont de mme loi, et cette
loi est suppose connue. On peut supposer sans perte de gnralit que les
paquets contiennent tous au moins un client (IP[X = 0] = 0), et on note
qk la probabilit quun paquet contienne k clients. Nous utiliserons aussi la
fonction gnratrice de la loi de X, note g.
g(z) =
z k qk .
k=1
Le nombre moyen de clients dun paquet est la drive en 1 de la fonction g :
IE[X] =
k qk = g (1) .
k=1
Puisquil y a en moyenne arrives de paquets par unit de temps et que

chaque paquet contient en moyenne g (1) clients, il y a g (1) clients entrant
dans le systme par unit de temps. On peut donc sattendre ce que la
condition dquilibre soit g (1) < . Cest ce que nous allons vrier par le
calcul.
La variable dintrt est encore le nombre total de clients prsents dans le
systme linstant t, not Zt . Comme pour la le M/M/1, si n clients sont
prsents dans le systme, le prochain vnement surviendra au bout dun
temps exponentiel de paramtre + . Ce sera une arrive avec probabilit
+ , ou un dpart avec probabilit + . Mais si cest une arrive, le processus

ne saute pas ncessairement vers n + 1. Il saute vers n + k avec probabilit
qk
+ . Le processus {Zt , t 0} est un processus markovien de saut sur IN. La
gure 5 reprsente son diagramme de transition.
Posons pn (t) = IP[Zt = n]. On crit le systme de Chapman-Kolmogorov
94
qn
qn1
q1
0
q1
1
n1
q1
n
n+1
Figure 5 Modle arrives groupes : diagramme de transition de la le

M(X) /M/1.
partir du diagramme de transitions.

p0 (t) = p0 (t) + p1 (t)
n
X
qj pnj (t) ( + ) pn (t) + pn+1 (t) ,

p
(t)
=
n 1 .
(2.14)
j=1
Nous cherchons seulement dterminer la solution constante, note =

(n )nIN .
0 = 0 + 1
n
X
qj nj ( + ) n (t) + n+1 , n 1 .
0
=
j=1
Pour rsoudre ce systme, on utilise la technique des fonctions gnratrices.

Posons donc :
X
z n n .
f (z) =
n=0
On multiplie la n-ime quation par z n , et on somme pour obtenir :

0 = g(z)f (z) f (z) (f (z) 0 ) +
(f (z) 0 ) ,
z
soit,
f (z) = 0
(1 z)
.
(1 z) z(1 g(z))
Pour dterminer 0 , il reste crire que la somme des n vaut 1, soit f (1) =
1. Un dveloppement limit lordre 1 du dnominateur permet de lever
lindtermination : g(z) = 1 (1 z)g (1) + o(1). On trouve :
0 = 1
g (1)
.
Evidemment cette solution nest acceptable que si g (1) < , comme nous
lavions prvu. La le M(X) /M/1 nadmet de mesure stationnaire que si le
95
Files dattente
nombre moyen de clients entrant par unit de temps est infrieur la capacit
de service.
Comme cas particulier, si un seul client arrive chaque instant, alors
g(z) = z, et on retrouve bien sr la mesure stationnaire de la le M/M/1 :
f (z) =
1
1

X
n=0
n
zn .
Comme modle services groups, nous aurions pu choisir des services

par paquets de taille alatoire, et traiter lanalogue du modle prcdent. Le
modle ci-aprs nous parat plus proche des applications ; il sagit de la le
M/M(a,b) /1. Les clients arrivent un par un, selon un processus de Poisson
dintensit . Les temps de service sont exponentiels de paramtre . Les
temps dinterarrive et les temps de service sont indpendants dans leur ensemble. La discipline de service est la suivante. Si immdiatement aprs un
service, le serveur trouve moins de a clients dans la le, il attend jusqu ce
quil y en ait a, et les prend tous ; sil en trouve plus de a, mais moins de b, il
les prend tous ; sil en trouve plus de b, il en prend b, pendant que les autres
continuent dattendre. En dautres termes, chaque service est une fourne
qui doit contenir au moins a clients, mais ne peut pas en contenir plus de b.
La capacit maximale du service est de b clients. La condition dquilibre
sera donc < b, ce que nous allons vrier mathmatiquement.
Ce modle est sensiblement plus compliqu que les prcdents, dans la
mesure o le nombre total de clients dans le systme nest pas un processus
markovien de saut. Pour comprendre pourquoi, il sut de considrer un cas
particulier. Prenons a = 2 et b = 3, et supposons qu linstant t il y ait 3
clients dans le systme. Cela peut se produire dans deux cas :
soit deux clients sont au service et un en attente,
soit trois clients sont au service et personne nattend.
Mais si le prochain vnement est une n de service, alors aprs le saut, il
restera un client dans le premier cas, personne dans le second.
Pour obtenir un processus markovien de saut, nous allons devoir prendre
en compte ltat du serveur. Les tats possibles du systme seront donc des
couples (0, n) ou (1, n).
(0, n) : le serveur est libre et n clients attendent (n = 0, . . . , a1)
(1, n) : le serveur est occup et n clients attendent (n 0).
La gure 6 reprsente le diagramme de transition du processus entre ces tats.
On note :
p0,n (t) la probabilit qu linstant t le serveur soit libre et n clients
attendent (n = 0, . . . , a1)
p1,n (t) : la probabilit qu linstant t le serveur soit occup et n clients
attendent (n 0).
96
0,0
0,1
1,0
0,a1
1,1
1,a1
1,a
1,b
1,nb
1,n
Figure 6 Modle services groups : diagramme de transition de la le

M/M(a,b) /1.
Le systme de Chapman-Kolmogorov correspondant au diagramme de transition de la gure 6 est le suivant.

p0,0 (t) = p0,0 (t) + p1,0 (t)
p (t) = p
n = 1, . . . , a1
0,n1 (t) p0,n (t) + p1,n (t) ,
0,n
Pb
(2.15)
p (t) = p0,a1 (t) ( + ) p1,0 (t) + n=a p1,n (t)
1,0
p1,n (t) = p1,n1 (t) ( + ) p1,n (t) + p1,n+b (t) , n 1 .
Bien entendu, nous ne calculerons que la solution constante de ce systme,

en notant 0,n et 1,n les probabilits stationnaires des dirents tats.
(a) 0 = 0,0 + 1,0
(b) 0 =
n = 1, . . . , a1
0,n1 0,n + 1,n ,
Pb
(2.16)
(c)
0
=
(
+
)
0,a1
1,0
n=a 1,n
(d) 0 = 1,n1 ( + ) 1,n + 1,n+b , n 1 .

Considrons lquation de rcurrence linaire (d). Lquation caractristique
associe est la suivante.
0 = ( + )z + z b+1 .
(2.17)
Le lemme suivant se dmontre par des techniques danalyse complexe (thorme de Rouch).
Lemme 2.5
1. Si b, lquation (2.17) nadmet aucune racine de module strictement infrieur 1.
2. Si < b, lquation (2.17) admet une unique racine de module strictement infrieur 1. Cette racine est relle et strictement comprise entre
0 et 1.
Il est facile de vrier, en tudiant le graphe du polynme (+)z+z b+1 ,
que (2.17) admet une racine relle comprise entre 0 et 1 si < b. Nous
la noterons r. Remarquons que r peut se calculer numriquement avec une
excellente prcision (par exemple avec la mthode de Newton).
97
Files dattente
Rappelons quune mesure stationnaire est une loi de probabilit. La solution de lquation (d) que nous cherchons doit tre une srie convergente. Or
toute solution de (d) est une combinaison linaire des puissances de racines de
lquation caractristique associe (2.17). Dans le cas b, les puissances
de racines ne peuvent pas tre les termes gnraux de sries convergentes. Le
processus nadmet pas de mesure stationnaire, le systme sature. Dans le cas
< b en revanche, la solution que nous cherchons vrie ncessairement,
pour tout n 0 :
1,n = 1,0 rn .
Reste calculer les autres probabilits. Nous les exprimons toutes en fonction
de 0,0 et r. En combinant les quations (a), (b) et (c) de (2.16), on trouve :
0,n = 0,0
1 rn+1
,
1r
1,n = 0,0
(1 rb )rn+1
,
1r
n = 1, . . . , a1 ,
n0.
On calcule ensuite 0,0 , en crivant que la somme de toutes les probabilits

vaut 1. On trouve :
1

a
r(ra rb )
0,0 =
+
.
1r
(1 r)2
Files quasi-markoviennes
Les traitements mathmatiques des modles tudis jusquici taient tous

bass sur les processus markoviens de saut, et donc sur lhypothse de dures
exponentielles. Or supposer que des temps dinterarrive ou des temps de
service sont exponentiels nest pas toujours raliste dans les applications.
Lintrt des modles markoviens est que beaucoup des rsultats que lon y
dmontre sont robustes aux changements de loi, au sens o ils restent vrais
quand on remplace les lois exponentielles des services ou des interarrives par
dautres lois. Pour donner une base concrte cette intuition, nous allons
reprendre le cadre le plus simple de la le M/M/1, en gnralisant dabord
la loi des temps de service, ensuite celle des temps dinterarrive.
3.1
File M/GI/1
Nous commenons par une description dun modle moins prcis que celui
de la le M/M/1. Considrons une le dattente un seul serveur. Les clients
sont servis un par un, et le temps de service de chaque client est alatoire, mais
de loi inconnue. Le nombre de clients arrivant dans la le pendant le n-ime
service est aussi une variable alatoire, que nous noterons An . Lhypothse
essentielle est que les An sont indpendantes et de mme loi sur IN. Nous
98
notons Xn le nombre de clients prsents dans le systme immdiatement aprs

le n-ime service. Si Xn est strictement positif, alors Xn+1 = Xn 1 + An+1
(un client est parti, et An+1 sont arrivs). Si Xn est nul, alors Xn+1 = An+1 .
On peut donc crire :
Xn+1 = Xn 11IN (Xn ) + An+1 ,
(3.18)
ce qui montre que (Xn ) est une chane de Markov, valeurs dans IN.
Nous noterons q = (qk )kIN la loi commune des nombres de clients arrivant pendant un service, g sa fonction gnratrice et son esprance.
g(z) =
z k qk ; =
k=0
k qk = g (1) .
k=0
Le paramtre est le nombre moyen de clients qui arrivent pendant un

temps de service. Cest le coecient doccupation de la le. Le comportement
asymptotique de la chane (Xn ) est facile deviner intuitivement. Si < 1, le
serveur peut faire face toutes les demandes : les clients ne saccumulent pas
et un rgime dquilibre peut stablir ; la chane (Xn ) est rcurrente positive.
Si > 1, les clients sont trop nombreux et la le sature : Xn crot en moyenne
comme n( 1) ; la chane (Xn ) tend presque srement vers + et elle est
donc transiente. On dmontre que la chane est rcurrente nulle pour = 1.
Nous donnons ci-aprs les justications les plus faciles.
Proposition 3.1 Si > 1, la chane (Xn ) tend vers linfini presque srement, elle est donc transiente. Si < 1 la chane est rcurrente.
Dmonstration : A partir de la dnition (formule (3.18)), on peut crire
immdiatement :
n
n

X
1 X
Am .
Am = n 1 +
Xn n +
n m=1
m=1
P
n
Daprs la loi forte des grands nombres, n1 m=1 Am converge presque srement vers , do le rsultat dans le cas > 1.
PnSi X0 = i, on voit aisment partir de la mme formule (3.18), que
est
m=1 Am < n entrane que parmi X1 , . . . , Xn , au moins une des
Pvaleurs
n
gale i. La probabilit de retour en i est donc minore par IP[ m=1 Am <
n]. Pour < 1, cette probabilit tend vers 1 quand n tend vers linni.

Dans le cas o un rgime dquilibre stablit, il est possible de calculer
explicitement la fonction gnratrice de la mesure stationnaire. Le traitement
est trs proche de celui de la le M(X) /M/1.
Proposition 3.2 La chane (Xn ) admet une mesure stationnaire si et seulement si le coefficient doccupation est strictement infrieur 1. Dans ce
cas, la fonction gnratrice de la mesure stationnaire est :
f (z) =
(1 )(1 z)g(z)
.
g(z) z
(3.19)
99
Files dattente
Dmonstration : A partir de la formule de dnition (3.18), il est facile dcrire

les probabilits de transition de la chane (Xn ). La probabilit de transition
de 0 j est qj pour tout j 0, et pour i > 0, la probabilit de transition de
i j est qji+1 si j i1, 0 sinon. Notons = (n ) la mesure stationnaire.
Si elle existe, elle vrie le systme dquations suivant :

0 = 0 q 0 + 1 q 0
n = 0 qn + 1 qn + + n+1 q0 , n 1 .
P n
La fonction gnratrice de est dnie par f (z) =
z n . Pour la faire
apparatre, on multiplie par z n la n-ime quation du systme et on somme :
f (z) = 0 g(z) + 1 g(z) + + n+1 z n g(z) +

g(z)
=
0 z 0 + f (z) .
z
On en dduit lexpression de f (z) en fonction de 0 et g(z) :

f (z) = 0
(1 z)g(z)
.
g(z) z
Pour dterminer la valeur de 0 , il faut utiliser le fait que doit tre une
mesure de probabilit et que donc f (1) doit valoir 1. Or z = 1 annule le
numrateur et le dnominateur de lexpression ci-dessus. Pour lever lindtermination, on crit :
g(z) = 1 + (z 1) + o(z 1) .
On en dduit facilement que 0 = 1. Donc la mesure stationnaire ne peut
tre une loi de probabilit que si < 1.

De manire plus spcique, supposons que les temps dinterarrive soient exponentiels de paramtre . Les temps de service ont une loi commune note
G sur IR+ . Les temps dinterarrive et de service sont indpendants dans leur
ensemble. La notation de Kendall correspondant ce modle est M/GI/1.
Nous allons voir que les quantits intressantes relatives au rgime stationnaire (loi du nombre de clients mais aussi du temps de sjour) sexpriment
de manire explicite laide de la transforme de Laplace de la loi du temps
de service, note G , et dnie pour s > 0 par :
Z
est dG(t) .
G (s) =
0
Par exemple, pour la le M/M/1, la dure de service est exponentielle de
.
paramtre , la transforme de Laplace de cette loi est G (s) = +s
Nous utiliserons les deux premiers moments de la loi G, qui sexpriment
laide des drives de G en 0. Lesprance dun temps de service est :
Z
t dG(t) = G (0) .
0
100
Pour conserver des notations homognes avec la le M/M/1, nous noterons

1
cette esprance. La drive seconde de G en 0 est lesprance du carr du

temps de service :
Z
t2 dG(t) = G (0) .
Nous noterons v la variance dun temps de service :

1
v = G (0) 2 .
Les rsultats qui suivent sont dus Pollaek et Khintchine.
Proposition 3.3 Considrons la file dattente M/GI/1, et supposons-la en

rgime stationnaire. Soit f la fonction gnratrice du nombre de clients aprs
un service, W la loi du temps de sjour dun client, et W sa transforme de
Laplace. Alors :
1.
(1 )(1 z)G ( z)
f (z) =
.
(3.20)
G ( z) z
2.
s(1 )G (s)
W (s) =
.
(3.21)
s (1 G (s))
3.

1
1
v+ 2 .
(3.22)
IE[W ] = +
2(1 )
Dmonstration : Le processus darrive est un processus de Poisson dintensit

. Le nombre darrives pendant un intervalle de temps damplitude t suit
donc la loi de Poisson de paramtre t. La probabilit que k clients arrivent
k
pendant cet intervalle est donc et (t)
k! . Pour obtenir la probabilit que k
clients arrivent pendant un temps de service, il faut intgrer cette expression
par rapport la loi G :
Z
(t)k
dG(t) .
et
qk =
k!
0
La fonction gnratrice de la loi q scrit donc :
g(z) =
z k qk
k=0
Z
Z
t (t)
k=0
k!
et+zt dG(t)
0
= G ( z) .
k k
dG(t)
101
Files dattente
On dduit donc (3.20) de (3.19).

Par la mme technique, on peut relier la transforme de Laplace du temps
de sjour dun client arrivant en rgime stationnaire la fonction gnratrice
de la mesure stationnaire f . Considrons la probabilit n . Par dnition,
cest la probabilit de lvnement la n dun service en rgime stationnaire,
il reste n clients dans le systme. Mais comme la discipline de service est
FIFO, ces n clients sont exactement ceux qui sont arrivs pendant le temps
de sjour du client qui vient de partir. Notons W la loi de ce temps de sjour.
On a :
Z
(t)n
dW (t) .
et
n =
n!
0
Et donc par le mme calcul que prcdemment :
f (z) =
z n n = W ( z) ,
n=0
en notant W la transforme de Laplace de la loi W . En revenant lexpression de f (z) (formule (3.20)), on obtient lexpression suivante :
W ( z) =
(1 )(1 z)G ( z)
.
G ( z) z
Soit (3.21), en remplaant formellement z par s.

Le coecient doccupation sexprime simplement. Nous lavons dni
comme le nombre moyen de clients arrivant pendant la dure dun service.
=
k qk = g (1) = G (0) .
k=0
Or G (0) = est lesprance dun temps de service. On a alors, comme

pour la le M/M/1 :
= .
Le nombre moyen de clients prsents la n dun service en rgime stationnaire est lesprance de la loi , savoir f (1). De mme le temps moyen
de sjour dun client arrivant en rgime stationnaire est lesprance de la loi
W , soit W (0). Comme f (z) = W ( z), on a f (1) = W (0). On
retouve donc la formule de Little : le nombre moyen de clients dans le systme est le produit du nombre moyen de clients arrivant par unit de temps
par le temps moyen de sjour. Lexpression du temps moyen de sjour (3.22)
sobtient en drivant (3.21).
On constate que le temps moyen de sjour est minimal lorsque la variance
des temps de service est nulle, savoir lorsque ceux-ci sont constants : pour
optimiser une le dattente, on a donc intrt standardiser les temps de
service.
102
Comme cas particulier, si G est la loi exponentielle de paramtre , sa
. La fonction gnratrice de la mesure

transforme de Laplace est G (s) = s+
stationnaire est :
f (z) =
.
z
La transforme de Laplace du temps de sjour est :
W (s) =
.
+s
Ce sont bien les rsultats que nous avions trouv pour la le M/M/1.
3.2
File GI/M/1
Nous commenons par une description assez peu raliste du modle. On

considre une le dattente un seul serveur. Les clients arrivent un par
un. Lors de la n-ime arrive, on donne au serveur un quota alatoire Dn de
clients servir. Si moins de Dn clients sont prsents, ils sont tous servis, sinon
Dn sont servis. Les quotas Dn sont des variables alatoires indpendantes et
de mme loi q = (qk ) sur IN. La fonction gnratrice de cette loi est note
g. Le nombre de clients prsents dans le systme immdiatement avant la
n-ime arrive est not Xn . Il est dni par :
Xn+1 = max{0, Xn + 1 Dn } ,
(3.23)
donc (Xn ) est une chane de Markov.

Notons le coecient doccupation de la le, savoir le rapport du
nombre darrives au nombre de services par unit de temps. Comme Dn
est un nombre de services pour une arrive, son esprance doit tre 1/.
k=1
k qk = g (1) =
1
.
Le comportement asymptotique de la chane est toujours le mme : si 1

la le sature, si < 1 un rgime dquilibre peut stablir. Ici encore, nous
ne proposons que les dmonstrations les plus faciles.
Proposition 3.4 Si > 1, la chane (Xn ) tend vers linfini presque srement, elle est donc transiente. Si < 1 la chane est rcurrente.
Dmonstration : A partir de la dnition (formule (3.23)), on vrie immdiatement que pour tout n 1, Xn X0 + n (D1 + + Dn ). Par
la loi des grands nombres (D1 + + Dn )/n converge vers 1/. Si > 1,
n (D1 + + Dn ) tend vers + presque srement, donc la chane est transiente. Inversement, supposons < 1. Le mme raisonnement indique que
103
Files dattente
lvnement D1 + + Dn > n a une probabilit qui tend vers 1 quand n

tend vers linni. Or si X0 = 0, cet vnement implique quil existe m n
tel que Xm = 0. La probabilit de retour en 0 tend donc vers 1 et la chane
est rcurrente.

Dans le cas o un rgime dquilibre stablit, il est possible de calculer
explicitement la mesure stationnaire.
Proposition 3.5 La chane (Xn ) admet une mesure stationnaire si et seulement si le coefficient doccupation est strictement infrieur 1. Dans ce
cas, lquation g(z) = z admet une unique solution de module infrieur 1.
Cette solution, note r, est relle et strictement comprise entre 0 et 1. La
mesure stationnaire = (n )nIN est dfinie par :
n = (1 r)rn .
(3.24)
Dmonstration : A partir de la formule de dnition (3.18), il est facile dcrire

les probabilits de transition de la chane. La probabilit de transition de i
versPj = 1, . . . , i + 1 est qij+1 . La probabilit de transition de i vers 0
est k=i+1 qk . Si la mesure stationnaire existe, elle vrie pour tout n > 0
lquation suivante.
X
qk n+k1 .
n =
k=0
Cette quation de rcurrence linaire ne peut admettre comme solution une

loi de probabilit que si lquation caractristique associe admet une racine
de module strictement infrieur 1. Or lquation caractristique associe
est g(z) = z. Il est facile de vrier, en tudiant le graphe de la fonction,
quelle admet une racine relle strictement comprise entre 0 et 1 (note r) si
et seulement si g (1) > 1, soit < 1. En utilisant le thorme de Rouch, on
dmontre quil ny a pas de racine de module < 1 si 1, et que r est la seule
racine de module < 1 si < 1. Donc il nexiste pas de mesure stationaire
si 1 (la le sature), et si < 1, la mesure stationnaire est donne par
(3.24).

Voici une dnition plus prcise du modle GI/M/1. Les clients arrivent un
par un et leurs arrives sont spares par des dures indpendantes et de
mme loi, note G. Ils sont servis un par un et les services sont exponentiels
de paramtre . Les temps dinterarrive et de service sont indpendants dans
leur ensemble. Le quota de clients que le serveur peut traiter pendant un
temps dinterarrive est le nombre de clients quil traiterait sil fonctionnait en
continu. Si ctait le cas, le nombre de clients servis au cours du temps serait
un processus de Poisson dintensit . Sur un intervalle de temps damplitude
k
t, la probabilit de traiter k clients serait et (t)
k! . Pour obtenir la probabilit dun quota de k clients, il faut intgrer cette expression par rapport la
104
loi G :
qk =
et
0
(t)k
dG(t) .
k!
La fonction gnratrice de la loi q scrit donc :

g(z) =
z k qk
k=0
Z
Z
et
k=0
(t)k z k
dG(t)
k!
et+zt dG(t)
0
= G ( z) ,
en notant G la transforme de Laplace de la loi G. Remarquons que g (1) =
G (0). Si lesprance dun temps dinterarrive est G (0) = 1 , alors la
taille moyenne dun quota de clients est 1 = .
La dtermination de la dure de sjour dun client dans le systme en
rgime stationnaire se fait exactement de la mme faon que pour la le
M/M/1.
Proposition 3.6 Supposons que la chane (Xn ) soit en rgime stationnaire.
Notons T la dure de sjour dun client. La loi de T est la loi exponentielle
de paramtre (1 r), o r est la racine de z = g(z) strictement comprise
entre 0 et 1.
Dmonstration : elle est identique celle de la proposition 2.1. La probabilit
que le client qui arrive trouve n clients arrivs avant lui dans le systme
est n = (1 r)rn . Si cest le cas, son temps de sjour sera la somme de
n + 1 temps de service indpendants, exponentiels de paramtre . La loi
conditionnelle de T sachant quil y a n clients dans le systme est donc la loi
dErlang ou loi gamma G(n + 1, ). La densit de T peut donc scrire :
fT (t) =
n=0
n=0
n+1 tn t
e
11IR+ (t)
n!
(1 r) (r)
n+1 tn t
e
11IR+ (t)
n!
= (1 r)e(1r)t 11IR+ (t) .

105
Files dattente
1
, alors que le
Remarquons que lesprance du temps de sjour est (1r)
P
r
nombre moyen de clients dans le systme est
nn = 1r : la formule de
Little ne sapplique pas dans ce cas. Ceci est d au fait que lon nobserve la
le qu certains instants particuliers, juste avant une arrive.
Rseaux de files dattente
Pour donner une petite ide de la complexit des problmes dattente lis
linformatique, examinons le trajet dune tche dans une unit centrale. Son
traitement peut tre interrompu soit par un dfaut de pagination, auquel cas
elle sera envoye dans le tambour de pagination, soit par une entre-sortie,
auquel cas elle se placera dans une mmoire tampon. Elle reviendra plus
tard dans lunit centrale pour poursuivre son traitement. Si on voit cette
tche comme un client qui doit recevoir un certain service, ce sont trois les
dattente (lunit centrale, le tambour de pagination et la mmoire tampon)
quelle visite peut-tre un grand nombre de fois chacune avant de terminer
son excution. Les rseaux de le dattente sont des modles dcrivant le
parcours dun client dans un systme o il doit visiter successivement plusieurs les avant de sortir. Nous traiterons dabord les modles markoviens
les plus simples qui sont les rseaux de Jackson, avant de prsenter le cadre
plus gnral des rseaux de Petri.
4.1
Rseaux de Jackson ouverts
Un rseau de Jackson ouvert se compose de K les dattente, que les

clients parcourent de manire alatoire. La description du modle est la suivante. Elle est illustre par la gure 7.
1. Les clients arrivent un par un dans le systme, selon un processus de
Poisson dintensit .
2. Un client qui arrive se dirige vers la le numro i avec probabilit p0,i .
Ces probabilits vrient :
K
X
p0,i = 1 .
i=1
3. Les clients sont servis un par un dans chaque le. Le i-ime serveur
fonctionne de manire markovienne, avec un taux de service i (ni ) qui
dpend du nombre ni de clients prsents dans la le. Autrement dit,
lorsque ni clients sont prsents dans la le, le temps de service dun
client est exponentiel de paramtre i (ni ). Ceci permet en particulier de
prendre en compte des serveurs multiples du type M/M/s ou M/M/.
106
1,K+1
0,1
i (ni)
p
0,i
i,K+1
i,j
j (nj)
p
j,K+1
0,j
K,K+1
0,K
Figure 7 Schma dun rseau de Jackson ouvert.

4. Un client sortant de la i-ime le se dirige soit vers la le numro j avec
probabilit pi,j , soit vers lextrieur (il quitte dnitivement le systme),
avec probabilit pi,K+1 . Pour tout i = 1, . . . , K, ces probabilits, dites
de routage, vrient :
K+1
X
pi,j = 1 .
j=1
5. Les temps dinterarrive, les temps de service et les choix alatoires des
clients en entre et en sortie de chaque le, sont des variables alatoires
indpendantes dans leur ensemble.
Les les tant numrotes de 1 K, un client arrive de lextrieur, not comme
une 0-ime le, parcourt un certain nombre de les de manire alatoire, puis
se dirige vers lextrieur, not comme une (K + 1)-ime le. La suite des
les parcourues par un client est une chane de Markov sur {0, . . . , K + 1},
partant de 0 et telle que K + 1 est un tat absorbant. Nous supposons que
cette le na pas dautres composantes irrductibles rcurrentes, cest--dire
quun client qui rentre dans le systme ne peut pas y rester bloqu : il en
sortira forcment.
Ltat du systme sera cod par un vecteur dentiers n = (n1 , . . . , nk ),
dont la i-ime coordonne reprsente le nombre de clients prsents dans la
le numro i. Les hypothses du modle pemettent de dcrire lvolution de
107
Files dattente
ltat du systme comme un processus markovien de saut, valeurs dans INK .

Comme pour un processus de naissance et de mort, les sauts vont dun tat
vers un tat voisin. Ils sont de trois types.
1. Arrive : un client est arriv de lextrieur dans la le numro i ; la
i-ime coordonne du vecteur dtat est augmente de 1. Nous notons
a(n, i) le nouveau vecteur dtat :
a(n, i) = (n1 , . . . , ni + 1, . . . , nk ) .
La transition de n vers a(n, i) se produit avec un taux gal p0,i .
2. Dpart : un client a quitt la le numro i pour se diriger vers lextrieur ; la i-ime coordonne du vecteur dtat est diminue de 1. Nous
notons b(n, i) le nouveau vecteur dtat :
b(n, i) = (n1 , . . . , ni 1, . . . , nk ) .
La transition de n vers b(n, i) se produit avec un taux gal
i (ni )pi,K+1 .
3. Changement de file : un client a quitt la le numro i pour se diriger vers la le numro j ; la i-ime coordonne du vecteur dtat est
diminue de 1, la j-ime est augmente de 1. Nous notons c(n, i, j) le
nouveau vecteur dtat :
c(n, i, j) = (n1 , . . . , ni 1, . . . , nj + 1, . . . , nk ) .
La transition de n vers c(n, i, j) se produit avec un taux gal i (ni )pi,j .
Notons pn (t) la probabilit que le systme soit dans ltat n linstant t.
En examinant les transitions qui conduisent ltat n, on crit lquation de
Chapman-Kolmogorov relative cet tat.
pn (t) =
+
+
K
X
i=1
K
X
i (ni + 1)pi,K+1 pa(n,i) (t)

p0,i pb(n,i) (t)
i=1
K
X
(4.25)
j (nj + 1)pj,i pc(n,i,j) (t)
i6=j=1
K
X
i=1
i (ni )(1 pi,i )
pn (t) .
Cette quation est valable pour tout tat n, condition de poser i (0) = 0,
et pn (t) = 0 ds que n a une coordonne ngative.
Il nest videmment pas question de chercher une solution gnrale
lquation (4.25). Il est dj assez tonnant que lon puisse dterminer explicitement la mesure stationnaire. Elle est donne par le thorme de Jackson.
108
Thorme 4.1 Soit (ei )i=1,...,K la solution du systme linaire suivant :

i = 1, . . . , K ,
ei = p0,i +
K
X
ej pj,i .
(4.26)
j=1
Pour tout i = 1, . . . , K, posons i,0 = 1 et pour tout n 1, notons i,n le

produit :
n
Y
ei
i,n =
.
(4.27)
(m)
m=1 i
Le systme est rcurrent positif si et seulement si pour tout i = 1, . . . , K,

i,n est le terme gnral dune srie convergente. Si cest le cas, notons n
la mesure stationnaire de ltat n = (ni ). Elle sexprime en fonction de la
mesure stationnaire de ltat 0 o toutes les files sont vides, de la faon
suivante.
K
Y
n = 0
(4.28)
i,ni ,
i=1
avec :
0 =
K
X Y
nIN K
i=1
i,ni
Nous allons donner une interprtation concrte de ce thorme. Si le systme

est en quilibre, alors chacune des K les doit galement tre en quilibre,
au sens o le nombre de clients qui y rentrent par unit de temps doit tre
gal en moyenne au nombre de clients qui en sortent. Les quations (4.26)
doivent tre comprises comme des quations dquilibre de ux : ei est le
nombre moyen de clients qui passent dans la le numro i par unit de temps.
Multiplions la i-ime quation par :
ei = p0,i +
K
X
ej pj,i .
j=1
Le nombre de clients qui entrent dans la le numro i est la somme du nombre

de clients venant de lextrieur, et des nombres de clients sortant des autres
les et qui se dirigent vers i. Or il entre clients dans le systme par unit
de temps. Parmi ceux-l une proportion p0,i se dirige vers la le numro i. Il
arrive donc dans cette le en moyenne p0,i clients venant de lextrieur. Si
les les sont en quilibre, il sort ej clients de la le numro j, parmi lesquels
une proportion pj,i se dirige vers la le numro i. Il entre donc ej pj,i clients
venant de la le j. La somme de tous ces nombres doit tre le ux de la le
numro i, soit ei . Lexpression de la mesure stationnaire sous forme produit
est trs particulire : la probabilit dun tat est le produit des probabilits
de ses coordonnes. Tout se passe donc comme si lquilibre les K les
109
Files dattente
fonctionnaient de manire indpendante. De plus la probabilit quil y ait n

clients dans la i-ime le, proportionnelle i,n , est la mme que pour un
processus de naissance et de mort, de taux de naissance ei , et taux de mort
i (n). Donc la mesure stationnaire donne par le thorme 4.1 est la loi dun
K-uplet de les dattentes indpendantes, telles que les clients arrivent dans
la i-ime le selon un processus de Poisson de paramtre ei , et y sont servis
avec un taux i (n).
Dmonstration : Nous nous contenterons de vrier que la mesure stationnaire
propose dans le thorme 4.1 est bien solution constante de lquation de
Chapman-Kolmogorov (4.25). Commenons par crire lquation que doit
vrier la mesure stationnaire, relative ltat n, en la divisant par n .
!
K
K
X
X
a(n,i)
i (ni + 1)pi,K+1
i (ni )(1 pi,i ) =
+
n
i=1
i=1
K
X
b(n,i)
p0,i
+
(4.29)
n
i=1
K
X
c(n,i,j)
.
j (nj + 1)pj,i
+
n
i6=j=1
Etant donne la forme produit de la mesure stationnaire propose, les rapports de probabilits se simplient notablement. A partir des expressions
(4.27) et (4.28), on trouve :
a(n,i)
ei
=
,
n
i (ni + 1)
Donc :
+
K
X
b(n,i)
i (ni )
=
,
n
ei
i (ni )(1 pi,i )
i=1
c(n,i,j)
i (ni )
ej
=
.
n
j (nj + 1) ei
K
X
ei pi,K+1
i=1
K
X
i (ni )
p0,i
ei
i=1
K
X
ej
i (ni ) pj,i .
+
ei
+
i6=j=1
En reportant les termes en i (ni )pi,i dans le membre de droite on obtient :
K
K
K
K
X
X
X
X
i (ni )
ei pi,K+1 +
i (ni ) =
+
pj,i ej .
p0,i +
ei
i=1
i=1
i=1
j=1
Dans la dernire parenthse, on reconnat le membre de droite de lquation

dquilibre des ux (4.26). Les termes en i (ni ) se simplient donc et il reste :
=
K
X
i=1
ei pi,K+1 .
(4.30)
110
Cette dernire quation exprime lquilibre global du systme : est le

nombre moyen de clients entrant par unit de temps, ei est le nombre moyen
de clients qui sortent de la le numro i, parmi lesquels une proportion pi,K+1
sort dnitivement du systme. Pour vrier (4.30), il sut de sommer toutes
les quations de (4.26). On obtient :
K
K
K
X
X
X
ei
ej pj,i ,
p0,i =
i=1
i=1
j=1
soit en intervertissant les deux sommes dans le membre de droite :
K
K
K
X
X
X
ei 1
1=
pi,j =
ei pi,K+1 .
i=1
4.2
j=1
i=1
Rseaux de Jackson ferms
On simplie le modle prcdent en supprimant les changes avec lextrieur : aucun client ne rentre dans le rseau ( = 0) ni nen sort (pi,K+1 = 0).
Le nombre total de clients reste donc xe, et nous le notons N . Nous justierons intuitivement plus loin par un exemple quun rseau ouvert capacit
limite peut tre remplac par un rseau ferm, ce qui lgitime le modle des
rseaux de Jackson ferms. Par rapport au paragraphe prcdent, on dnit
maintenant un processus markovien de saut sur un ensemble fini dtats.
)
(
K
X
K
ni = N .
E = n = (ni ) IN ;
i=1
Mme sil est ni, le nombre dtats peut tre trs grand. Le cardinal de E
vaut en eet :

N +K 1
|E| =
,
K 1
qui est de lordre de N K1 quand N tend vers linni. Nous examinerons

plus loin les consquences algorithmiques de cette explosion combinatoire.
La suite des les visites par un client est une chane de Markov, dont nous
supposons quelle est irrductible : chaque le peut tre visite partir de
nimporte quelle autre. Le thorme suivant, galement d Jackson, donne
la mesure stationnaire du rseau.
Thorme 4.2 Soit (ei )i=1,...,K une solution du systme suivant.
i = 1, . . . , K ,
ei =
K
X
j=1
ej pj,i .
(4.31)
111
Files dattente
Pour i = 1, . . . , K, posons i,0 = 1 et pour n 1, notons i,n le produit :

i,n =
n
Y
ei
.
(m)
m=1 i
(4.32)
Le rseau de Jackson ferm admet pour mesure stationnaire la mesure =

(n )nE , dfinie pour n = (ni ) E par :
K
Y
i,ni ,
(4.33)
K
X Y
i,ni .
(4.34)
n = (N, K)1
i=1
avec :
(N, K) =
nE i=1
On vrie que la mesure stationnaire ainsi dnie est solution constante

des quations de Chapman-Kolmogorov, tout comme dans la dmonstration
du thorme 4.1.
Linterprtation est lgrement dirente. Le systme linaire (4.31) est
celui que vrie la mesure stationnaire dune chane de Markov de matrice
de transition (pi,j ). Ses solutions sont dtermines une constante prs, qui
slimine dans lexpression de n avec la constante de normalisation (N, K).
Nous pouvons donc arbitrairement dcider que (ei ) est une loi de probabilit
sur {1, . . . , K} : cest la mesure stationnaire de la chane de Markov des visites
dun client. A lquilibre, ei reprsente la proportion des N clients qui visitent
la le numro i. Comme chacune des les doit tre en quilibre, le nombre
de clients qui entrent dans la le i par unit de temps et le nombre de clients
qui en sortent doivent tre gaux, et proportionnels ei . Lquation relative
la le i est encore un quilibre de ux : les clients entrant viennent dune
autre le j, et se dirigent vers i avec probabilit pj,i . Une fois que les ei ont
t xs, la mesure stationnaire de chaque le est proportionnelle aux (i,n ) :
cest la mesure stationnaire dun processus de naissance et de mort de taux
de naissance constants gaux ei et de taux de mort i (n). A lquilibre,
tout se passe comme si les K les taient indpendantes. Chacune des les
a une capacit limite N . Pour la i-ime le, les arrives se font selon un
processus de Poisson dintensit ei , le taux de service est i (n).
A titre dexemple, considrons un processus deux les, avec bouclage :
les clients sortant de la le 1 se dirigent forcment vers la le 2, et rciproquement. Les probabilits de routage pi,j sont donc les suivantes.
p1,1 = 0 ,
p1,2 = 1 ,
p2,1 = 1 ,
p2,2 = 0 .
Nous supposons que les taux de service des deux les sont constants, pour
la premire, et pour la seconde. Les tats du systme sont les couples
112
(n, N n), pour n = 0, . . . , N . Nous noterons n la probabilit stationnaire

de ltat (n, N n). En appliquant le thorme 4.2, on trouve :
n
1
.
n = (N, 2)1 n nN =
N +1
1 ()
Cest exactement la mesure stationnaire dune le M/M/1/N (voir paragraphe 2.4). On peut gnraliser cet exemple de la faon suivante. Considrons un rseau de Jackson ouvert, de capacit limite N clients au total.
Ajoutons-lui une (K + 1)-ime le, de taux de service constant. Les clients
sortant de cette (K + 1)-ime le se dirigent vers la i-ime avec probabilit p0,i . A un tat
P n = (n1 , . . . , nK ) du systme initial, correspond ltat
(n1 , . . . , nK , N ni ) du nouveau systme. Les probabilits stationnaires
de ces tats pour leurs systmes respectifs sont les mmes. Dans les applications, les capacits innies nexistent pas. Ceci justie donc ltude des
rseaux ferms, comme alternative aux rseaux ouverts capacit limite.
Nous revenons maintenant sur le calcul algorithmique de la constante de
normalisation (N, K). Calculer directement les |E| termes et les sommer est
impensable, pour peu que N et K soient un peu grands. Une astuce base de
fonctions gnratrices conduit un algorithme dont le nombre doprations
est dordre N 2 , au lieu de N K1 pour une application nave de la formule
(4.34). Lide consiste introduire une fonction gnratrice gi , pour la mesure
stationnaire de la i-ime le.
gi (z) =
N
X
z n i,n .
n=0
Dnissons ensuite les hi comme les produits cumuls des gi :

hi (z) = g1 (z) gi (z) .
Observons que la constante (N, K) est le coecient de z N dans le dveloppement de hK en srie entire. Plus gnralement, pour tout n = 1, . . . , N
et pour tout j = 1, . . . , K, (n, j) est le terme en z n dans le dveloppement de hj en srie entire. Mais la relation hj = hj1 gj se traduit sur les
dveloppements en srie entire par la relation de rcurrence suivante.
(n, j) =
n
X
(m, j 1)j,nm .
(4.35)
m=0
Cette rcurrence est initialise par :

(n, 1) = 1,n
et (0, j) = 1 .
Lalgorithme itratif qui implmente cette rcurrence pour le calcul de

(N, K) ncessite N (N + 1)K oprations en virgule ottante (ops) pour le
calcul des i,n , et autant pour la relation (4.35) elle-mme.
113
Files dattente
On peut utiliser le mme type dastuce pour calculer dautres quantits

relatives la mesure stationnaire, comme par exemple le coecient doccupation du serveur numro i, not i (N, K).
X
i (N, K) =
n .
nE
ni >0
Avec les notations prcdentes, considrons la fonction gei dnie par :

gei = hK (z)
gi (z) 1
= g1 (z) (gi (z) 1) gK (z) .
gi (z)
Le coecient de z N dans le dveloppement en srie de gei (z) est le produit

(N, K)i (N, K). Pour calculer le dveloppement en srie de gei (z), on lcrit
sous la forme :
gei (z) = hK (z) hK (z)(gi (z)1 .
On a donc :
(N, K)i (N, K) = (N, K)
N
X
(n, K)i (N n) ,
n=0
o i (m) est le coecient de z m dans le dveloppement en srie de (gi (z))1 .

On calcule dabord les i (m) de manire itrative en initialisant par i (0) = 1,
puis en crivant gi (z)(gi (z))1 = 1, soit :
m
X
i (k)i,mk = 0 .
k=0
4.3
Rseaux de Petri
Les rseaux de Petri peuvent tre vus comme le modle le plus gnral
pour des les dattente synchronises. Le langage tabli scarte quelque peu
de celui des les dattente classiques. Un rseau de Petri se compose dun
nombre ni de K places (ou sites : ce sont les les) et dun ensemble ni de
T transitions. Chaque place i peut contenir un nombre entier ni de marques
(aussi appeles jetons ou charges : ce sont les clients). Le marquage du rseau
est le vecteur composantes entires :
n = (n1 , . . . , nK ) .
Lvolution de ce marquage est dtermine par le dclenchement des transitions. Lorsque la transition dclenche, elle apporte des marques certaines
places et en enlve dautres. Nous notons ci, le nombre (positif, nul ou ngatif) de marques ajoutes (ou retranches) la place i par le dclenchement
de la transition . La matrice C = (ci, ) , i = 1, . . . , K , = 1, . . . , T est
114
dite matrice dincidence du rseau. Nous notons C sa -ime colonne, qui

dcrit leet de la transition sur lensemble des places. Si le marquage est n
avant que la transition dclenche, il devient n + C ensuite. Les rseaux de
Jackson sont un cas particulier de rseau de Petri : les transitions ajoutent
une marque (arrive), en suppriment une (dpart), ou transfrent une marque
dune place une autre (changement de le).
Un rseau de Petri est temporis ds que lon prcise le processus de
dclenchement des transitions. Pour cela, il faut dcrire la loi des temps sparant deux dclenchements successifs. Nous nous plaons uniquement dans
le cadre des rseaux de Petri markoviens. Notons Zt INK le marquage
linstant t. Le processus {Zt , t 0} est un processus markovien de sauts
valeurs dans INK . Ses sauts correspondent au dclenchement des transitions
du rseau de Petri. Si cest la transition qui dclenche, le marquage courant
passe de n n + C . Le taux de ce saut, not (n) dpend de lensemble du
marquage n (et pas seulement des places concernes par la transition). Cest
par lintermdiaire de ces taux de transition que lon traduit les synchronisations. Dans la pratique, on peut souvent se limiter au cas o les fonctions
(n) ne prennent que deux valeurs, 0 et > 0 : pour certains marquages
la transition est possible (et dclenche avec taux ), pour les autres elle
est impossible. Lensemble des valeurs possibles du vecteur ( (n)) =1,...,T
des taux de transition est alors ni et le processus est harmonisable. Nous
noterons son horloge interne.
=
T
X
=1
Lalgorithme gnral de simulation par la chane harmonise est le suivant.

t 0
Initialiser Z = (Z1 , . . . , ZN )
Rpter
choisir {1, . . . , T } avec probabilit /
Si (Z E ) alors Z Z + C
finSi
t t log(Random)/
Selon les cas, on sera amen simuler le choix dune transition par dcomposition, eventuellement en plusieurs tapes.
Exemple : Files M/M/1 sorties synchronises.
Une reprsentation graphique standardise des rseaux de Petri sest impose.
Elle consiste reprsenter les places par des cercles, les transitions par des
barres, et les relier par des ches symbolisant leet des transitions. Dans
lexemple que nous traitons ici (voir gure 8), il y a 6 places et 7 transitions.
115
Files dattente
Les 4 premires transitions amnent des marques une par une dans les 4
premires places. Les deux premires places ont des sorties synchronises.
Lorsque la transition 1 dclenche, une marque disparat de chacune des
places 1 et 2, et deux marques apparaissent dans la place 5. Les sorties des
places 3 et 4, puis 5 et 6 sont synchronises de faon analogue. La matrice
dincidence du rseau est la suivante.
1
2
3
4
5
6
1 2
1 0
0 1
0 0
0 0
0 0
0 0
3
0
0
1
0
0
0
4 1 2
0 1 0 0
0 1 0 0
0 0 1 0
1 0 1 0
0 2 0 1
0 0 2 1
1
2 s s
3
4
s
s

1
2
6 s s
Figure 8 Exemple de rseau de Petri : files M/M/1 synchronises.

Nous supposerons que les taux des 4 premires transitions sont constants,
et gaux > 0. Les taux des transitions 1 et 2 valent > 0 si les places
en amont de ces transitions ont des marquages strictement positifs, 0 sinon.
Le taux de la transition est > 0 si les places 5 et 6 ont des marquages
strictement positifs, 0 sinon. Lhorloge interne vaut = 4 + 2 + . Voici
un algorithme possible pour la simulation de cet exemple.
t 0
Initialiser (Z1 , . . . , Z6 )
116

Rpter
type , ou avec probabilits 4 /, 2 /, /
Selon type
type = faire
k Random({1, 2, 3, 4})
Zk Zk + 1
type = faire
k Random({1, 2})
Selon k
k = 1 faire
Si (Z1 > 0 et Z2 > 0) alors
Z1 Z1 1
Z2 Z2 1
Z5 Z5 + 2
finSi
k = 2 faire
Z3 Z3 1
Z4 Z4 1
Z6 Z6 + 2
finSi
finSelon
type = faire
Z5 Z5 1
Z6 Z6 1
finSi
finSelon
t t log(Random)/
Files dattente
117
Exercices
NB : Les exercices qui suivent proposent surtout des dveloppements mathmatiques base de techniques markoviennes. Lhypothse de temps exponentiels sera donc omniprsente. Il est recommand, paralllement au traitement mathmatique, deffectuer des simulations du modle propos, et dans
la mesure du possible, de vrifier exprimentalement les rsultats thoriques.
Il sera galement intressant de remplacer dans le modle simul, les lois exponentielles par dautres lois de mme esprance, afin de vrifier quels sont
ceux parmi les rsultats thoriques qui restent valides.
Exercice 1 On doit connecter n terminaux une unit centrale. Le temps
de traitement dune tche en unit centrale est exponentiel, de moyenne 500
millisecondes. Lintervalle de temps entre deux requtes provenant dun mme
terminal est exponentiel, de moyenne 20 secondes.
1. Quel est le nombre maximal de terminaux que lon peut connecter sans
quil y ait saturation ?
2. Pour 36 terminaux connects, quel sera le temps de rponse moyen pour
une requte provenant dun terminal donn ?
Exercice 2 Des malades arrivent lhpital selon un processus de Poisson
dintensit 12 par heure. La loi des dures de consultation est exponentielle,
de moyenne 10 minutes.
1. Combien de mdecins au minimum faut-il pour viter lengorgement ?
2. On dcide daecter 3 mdecins aux consultations. Quel sera le temps
dattente moyen dun malade en rgime stationnaire ?
3. Combien y aura-t-il de malades en attente en moyenne ?
4. Combien de mdecins seront inoccups en moyenne ?
Exercice 3
1. Il y a dans une poste deux les dattente identiques et totalement spares : ce sont deux les du type M/M/1. Pour chacune delles les
arrives sont spares par des temps exponentiels de paramtre , les
temps de service sont exponentiels de paramtre (on suppose < ).
Toutes les variables alatoires du systme sont indpendantes.
(a) Combien de clients en moyenne y a-t-il dans la poste en rgime
stationnaire ?
(b) Quel est le temps dattente moyen dun client arrivant en rgime
stationnaire ?
2. On dcide de fusionner les deux les pour nen faire quune seule le
deux serveurs. Les clients continuent arriver la poste au mme
rythme (2 en moyenne par unit de temps). Le temps de service de
chaque client est encore exponentiel de paramtre .
118

(a) Combien de clients en moyenne y a-t-il dans la poste en rgime
stationnaire ?
(b) Quel est le temps dattente moyen dun client arrivant en rgime
stationnaire ?
3. Le fonctionnement a-t-il t amlior, du point de vue de la poste, et

du point de vue des clients, et pourquoi ?
Exercice 4 On considre un systme dattente du type M/M/1. Les clients
se prsentent devant la le selon un processus de Poisson dintensit > 0.
Les temps de service sont exponentiels de paramtre > 0. On fait lhypothse supplmentaire suivante : un client qui arrive devant la le choisit de
rester ou non en fonction du nombre de clients dj prsents dans le systme.
Si ce nombre est n, le client choisit de rester avec la probabilit qn ou de
quitter instantanment le systme avec la probabilit 1 qn . On suppose que
(qn )nIN est une suite dcroissante de nombres positifs, et on note q sa limite.
Les temps dinterarrive, les temps de service et les choix des clients sont des
variables alatoires indpendantes dans leur ensemble. On note Zt le nombre
de clients prsents dans le systme (attente et service) linstant t.
1. Montrer que {Zt , t 0} est un processus de naissance et de mort et
donner ses taux de transition.
2. A quelle condition ce processus est-il rcurrent positif ? Interprter.
3. On suppose que qn est gal (1 n/N )/(n + 1), pour n de 0 N > 0
et 0 pour n N (N est un entier x).
(a) Dterminer la mesure stationnaire.
(b) Quel est le nombre moyen de clients dans le systme en rgime
stationnaire ?
(c) Que devient ce nombre quand tend vers 0 ? vers linni ? Interprter.
4. On suppose dsormais que qn est gal 1/(n + 1), pour tout n IN.
(a) Dterminer la solution stationnaire.
(b) Quel est le nombre moyen de clients dans le systme en rgime
stationnaire ?
(c) Quelle est la probabilit quun client arrivant en rgime stationnaire reste dans le systme ?
(d) Quel est le temps moyen pass par ce client dans le systme, sil a
dcid de rester et si n clients sont dj prsents quand il arrive ?
(e) En dduire le temps moyen pass par un client dans le systme,
en rgime stationnaire.
(f) Soit G(z, t) la fonction gnratrice de la loi de Zt . Dduire du
systme
de Chapman-Kolmogorov une quation en G, G/t et
Rz
G(u,
t)
du.
0
Files dattente
119
(g) Soit F (z, s) la transforme de Laplace de G(z, t). Montrer que

F (z, s) est solution de lquation direntielle suivante.

1
sz
s
F
(z, s)
+ F (z, s)
+ +
=0.
2
z
z1
(z 1)
(z 1)2
Exercice 5 On considre une le M/M/1 dans laquelle peuvent passer deux
types de clients. Les clients du premier type arrivent selon un processus de
Poisson de paramtre 1 , ceux du second type selon un processus de Poisson de paramtre 2 . Les temps de service sont exponentiels de paramtres
respectifs 1 et 2 pour les clients du premier et du second type.
Les clients du premier type ont une priorit absolue sur ceux du second.
Aucun client de type 2 ne peut tre servi si au moins un client de type 1 est
prsent dans le systme. Si un client de type 2 est au service lorsquun client
de type 1 arrive, celui-ci passe immdiatement au service et le client de type
2 est remis en attente.
On note :
pn,m (t) la probabilit quil y ait n clients de type 1 et m clients de type
2 dans le systme linstant t,
p1n (t) la probabilit quil y ait n clients de type 1 dans le systme
linstant t,
p2m (t) la probabilit quil y ait m clients de type 2 dans le systme
linstant t.
2
les probabilits stationnaires correspondantes, quand
On note n,m , n1 , m
elles existent.
1. Ecrire le systme de Chapman-Kolmogorov dont les (pn,m (t)) sont solution.
2. En dduire les quations dont les (n,m ) sont solution.
3. Exprimer les p1n (t) et p2m (t) en fonction des pn,m (t).
4. Dterminer la condition dquilibre du systme pour les clients du type
1. On suppose dsormais que cette condition est vrie.
5. Calculer les (n1 ). Quel est le temps de sjour moyen dun client du type
1 dans le systme en rgime stationnaire ? Quel est le nombre moyen
de clients du type 1 prsents dans le systme en rgime stationnaire ?
6. Quelle proportion du temps le serveur peut-il consacrer aux clients du
type 2 quand lquilibre est atteint pour ceux du type 1 ? En dduire le
nombre moyen de clients du type 2 que le serveur peut traiter par unit
de temps, puis la condition dquilibre du systme pour les clients du
type 2.
7. En sommant par rapport n les quations dquilibre, crire les qua2
2
, 0,m et 0,m+1 . A partir de ces
, m1
tions reliant 02 et 0,1 puis m
quations, calculer 0,0 et retrouver la condition de la question prcdente.
120
Exercice 6 On considre un systme dattente une seule le et un seul

serveur, fonctionnant sous les hypothses suivantes. Les clients arrivent deux
par deux. Chaque arrive de deux clients est spare de la prcdente par
une dure exponentielle de paramtre > 0. Les clients sont servis un par
un. Chaque temps de service est exponentiel de paramtre > 0. Toutes les
variables alatoires sont indpendantes. Pour tout t 0 on note Zt le nombre
total de clients prsents dans le systme linstant t.
1. Montrer que {Zt , t 0} est un processus markovien de saut sur IN et
reprsenter son diagramme de transition.
2. Pour tout n IN on note pn (t) = P [Zt = n]. Ecrire le systme de
Chapman-Kolmogorov dont les pn (t) sont solution.
3. Si le processus admet une mesure stationnaire, on la notera (n )nIN .
De quel systme linaire la mesure (n ) est-elle solution ?
4. On note g la fonction gnratrice de la loi (n ) :
g(z) =
z n n .
n=0
Exprimer g(z) en fonction de , et 0 .

5. En dduire lexpression de 0 en fonction de et puis la condition
ncessaire et susante dexistence de la mesure stationnaire. Interprter.
6. En supposant la condition prcdente satisfaite et le rgime stationnaire
atteint, quel est le nombre moyen de clients dans le systme en fonction
de et ?
7. Ce systme fonctionne-t-il mieux ou moins bien quune le M/M/1 dont
le taux darrive serait 2 et le taux de service ? Expliquer pourquoi.
Exercice 7 On considre un systme dattente une seule le et un seul
serveur, fonctionnant sous les hypothses suivantes. Les clients arrivent un
par un. Chaque arrive de client est spare de la prcdente par une dure
exponentielle de paramtre > 0. Les clients sont servis deux par deux. Sil
y a moins de deux clients dans la le quand un service se termine, le serveur
attend quil y en ait deux. Sil y en a au moins deux, il prend les deux premiers
et les autres restent en attente. La dure de chaque service (pour deux clients
la fois) est exponentielle de paramtre > 0. Toutes les variables alatoires
sont indpendantes. Pour tout t 0 on note Zt le nombre total de clients
prsents dans le systme linstant t.
1. Montrer que {Zt , t 0} est un processus de Markov sur IN et reprsenter son diagramme de transition.
2. Pour tout n IN on note pn (t) = P [Zt = n]. Ecrire le systme de
Chapman-Kolmogorov dont les pn (t) sont solution.
121
Files dattente
3. Si le processus admet une mesure stationnaire, on la notera (n )nIN .

De quel systme linaire (n ) est-elle solution ?
4. Toute solution du systme prcdent peut scrire sous la forme :
n = An + B n + C n ,
o A, B et C sont des constantes quelconques et , et sont les
racines de lquation caractristique associe (ECA) :
( + )z + z 3 = 0 .
Montrer que pour 2 cette quation na aucune racine de module strictement infrieur 1. En dduire que sous cette condition le
processus na pas de mesure stationnaire. Interprter.
5. Pour < 2, montrer que lquation (ECA) a une racine r dans ]0, 1[,
les autres de module 1. En dduire lexpression de la mesure stationnaire en fonction de r.
6. En supposant la condition < 2 satisfaite et le rgime stationnaire
atteint, quel est le nombre moyen de clients dans le systme en fonction
de et ?
7. Ce systme fonctionne-t-il mieux ou moins bien quune le M/M/1 dont
le taux darrive serait et le taux de service 2 ? Expliquer pourquoi.
Exercice 8 On considre un systme dattente une seule le fonctionnant
selon les hypothses suivantes. Les clients arrivent dans la le selon un processus de Poisson de paramtre . Chaque client doit passer successivement
par deux stations dont la premire est dite service et la deuxime contrle.
La dure de sjour dun client dans le contrle est exponentielle de paramtre
. Le service ne peut fonctionner que si le contrle est libre. Quand cest le
cas, le temps de service est exponentiel de paramtre . Quand le service
dun client se termine, celui-ci passe au contrle, et le service est dsactiv
jusqu ce quil en sorte. Les temps dinterarrive, les temps de service et les
temps de contrle sont indpendants dans leur ensemble.
On considre les tats suivants du systme :
Etat (0, n) : le contrle est libre et il y a n clients dans le systme.
Etat (1, n) : le contrle est occup et il y a n clients en attente.
On note p0,n (t) (respectivement p1,n (t)) la probabilit qu linstant t le systme soit dans ltat (0, n) (respectivement (1, n)). Si le systme admet une
mesure stationnaire, on notera 0,n et 1,n les probabilits stationnaires des
tats (0, n) et (1, n).
1. Dcrire les taux de transition du systme et crire le systme de Chapman-Kolmogorov.
2. En dduire le systme dquations linaires que doit vrier la solution
stationnaire si elle existe.
122
3. On pose
g0 (z) =
z n 0,n
et g1 (z) =
n=0
z n 1,n .
n=0
Dduire de la question prcdente un systme dquations linaires en

g0 (z), g1 (z) et 0,0 .
4. Calculer g0 (z) et g1 (z) en fonction de 0,0 .
5. Si la solution stationnaire existe, que vaut g0 (1) + g1 (1) ? En dduire
lexpression de 0,0 en fonction de , et .
6. Quelle est la condition ncessaire et susante dexistence de la mesure
stationnaire ? On supposera dsormais que cette condition est vrie.
7. Calculer la limite quand tend vers linni de g0 (z) et g1 (z). Interprter.
8. Calculer la probabilit pour que le service soit actif en rgime stationnaire.
9. Calculer la probabilit pour que le contrle soit occup en rgime stationnaire.
10. Calculer le nombre moyen de clients dans le systme en rgime stationnaire.
11. En dduire le temps moyen pass par un client dans le systme en
rgime stationnaire.
12. Le systme propos fonctionne en fait comme une le M/GI/1 pour
laquelle le temps de service de chaque client serait la somme de deux
exponentielles indpendantes, une de paramtre , lautre de paramtre
. Vrier les rsultats des questions prcdentes en les comparant au
thorme 3.3 (thorme de Pollaek-Khintchine).
Exercice 9 On considre un systme M/M/1, muni, lentre de la le,
dune porte qui ne laisse passer quun client sur deux. Les temps sparant
deux arrives successives dans la le sont exponentiels de paramtre , les
temps de service sont exponentiels de paramtre , et toutes ces variables
alatoires sont indpendantes.
Quand la porte est ouverte et quun client se prsente devant le systme,
il rentre, et la porte se referme immdiatement derrire lui. Quand la porte
est ferme et quun client se prsente devant le systme, il est rejet, mais ce
rejet provoque louverture de la porte pour le client suivant.
1. On considre deux types dtats.
(0, n) : la porte est ferme, il y a n clients au total dans le systme.
(1, n) : la porte est ouverte, il y a n clients au total dans le systme.
Dcrire les taux de transitions du systme entre ces dirents tats.
2. On note
123
Files dattente
p0,n (t) la probabilit que le systme soit dans ltat (0, n) linstant
t.
p1,n (t) la probabilit que le systme soit dans ltat (1, n) linstant
t.
Ecrire le systme de Chapman-Kolmogorov dont sont solution les p0,n (t)
et les p1,n (t).
3. On note {0,n , 1,n , n IN} la mesure stationnaire, si elle existe. Montrer que ncessairement les suites (0,n )nIN et (1,n )nIN sont solution
de la mme quation de rcurrence linaire :
0 = 2 Un ( + )2 Un+1 + 2( + )Un+2 2 Un+3 .
On dsigne par (ECA) lquation caractristique associe.
4. Montrer que (ECA) a trois racines relles, dont une gale 1 , et
une 1. A quelle condition (ECA) a-t-elle une racine dans ]0, 1[ ?
Interprter cette condition. On la suppose dsormais ralise et on note
r lunique racine de (ECA) dans ]0, 1[.
5. Montrer que la mesure stationnaire est :
0,0
1r
r 3 1
=
1
=
2
4 4
0,n = 0,0
1,n = 0,0
1+
4
,
n1
r
, n 1 ,
1r n
r , n 0 .
2
6. En dduire la probabilit pour quil y ait n clients dans le systme en

rgime stationnaire, en fonction de , , et r.
7. Quel est le nombre moyen de clients dans le systme en rgime stationnaire, en fonction de , , et r ?
8. Dterminer les limites des quantits calcules aux deux questions prcdentes, quand / tend vers 0 et quand / tend vers 2. Interprter.
9. Dterminer la loi du temps de sjour dans le systme dun client entrant
en rgime stationnaire. En dduire le temps de sjour moyen dun client
dans le systme en rgime stationnaire. Quelles sont les limites de ces
quantits quand / tend vers 0 et quand / tend vers 2 ?
10. On note
G0 (z, t) =
n=0
z n p0,n (t)
et G1 (z, t) =
z n p1,n (t) .
n=0
Dduire du systme de Chapman-Kolmogorov, un systme de deux

quations direntielles en G0 , G1 , G0 /t, G1 /t, p0,0 (t) et p1,0 (t).
124
11. On note f0,n (s), f1,n (s), F0 (z, s) et F1 (z, s) les transformes de Laplace
respectives des fonctions p0,n (t), p1,n (t), G0 (z, t) et G1 (z, t). En supposant qu linstant initial le systme est vide et la porte est ouverte,
calculer F0 (z, s) et F1 (z, s) en fonction de f0,0 (s) et f1,0 (s). En dduire
les valeurs de f0,0 (s) et f1,0 (s).
12. Le systme propos volue en fait comme une le E2 /M/1, o E2 (loi
dErlang) dsigne la somme de deux exponentielles indpendantes de
paramtre . Comparer les rsultats des questions prcdentes avec
ceux du paragraphe 3.2.
Exercice 10 Le but de lexercice est dtudier et de comparer deux politiques de gestion dune le dattente ayant deux serveurs dirents.
Modle A.
On considre un systme une seule le et deux serveurs sous les hypothses
suivantes. Les temps dinterarrive sont exponentiels de paramtre > 0. Les
temps de service du premier serveur sont exponentiels de paramtre 1 > 0.
Les temps de service du second serveur sont exponentiels de paramtre 2 >
0. Toutes ces variables alatoires sont indpendantes dans leur ensemble.
Quand le systme est vide, le prochain client qui arrive est dirig vers le
premier serveur. Quand la le dattente est vide et le premier serveur occup,
le prochain client est dirig vers le second serveur. Quand la le dattente nest
pas vide, les deux serveurs sont occups. Ds que lun deux se libre, il prend
le premier client de la le.
On code ltat du systme de la faon suivante.
(0, 0) : le systme est vide.
(1, 0) : un client au premier service, aucun au second.
(0, 1) : un client au second service, aucun au premier.
(n, 1), n > 0 : les deux services sont occups, n1 clients attendent.
1. Reprsenter le diagramme de transition du systme.
2. Les probabilits respectives pour que le systme soit dans les tats
(0, 0), (1, 0), (0, 1), (n, 1) linstant t seront notes p0,0 (t), p1,0 (t),
p0,1 (t), pn,1 (t). Les probabilits stationnaires correspondantes seront
notes 0,0 , 1,0 , 0,1 , n,1 . Ecrire le systme de Chapman-Kolmogorov.
3. Quelle est la condition dquilibre du systme ?
4. Sous cette condition dquilibre, dterminer la mesure stationnaire du
systme.
5. En dduire le nombre moyen de clients dans le systme en rgime stationnaire.
6. Pendant quelle proportion du temps le premier serveur fonctionne-t-il
en rgime stationnaire ?
7. Quel est le temps moyen pass dans le systme par un client arrivant
125
Files dattente
Modle B.
On considre maintenant un systme compos de deux les dattente de

type M/M/1. Les clients arrivent dans le systme selon un processus
de Poisson de paramtre . Ils sont dirigs vers la premire le avec
probabilit p, vers la seconde avec probabilit (1p), ce routage alatoire
tant indpendant des arrives et des services. La premire le a un taux
de service 1 , la seconde un taux de service 2 .
8. Quelles sont les conditions dquilibre du systme ?
9. Sous ces conditions, quel est le nombre moyen de clients dans le systme
10. Quel est le temps dattente moyen dun client arrivant en rgime stationnaire ?
11. On suppose que , 1 et 2 sont donns, et vrient < (1 + 2 ),
1 < et 2 < . Montrer que la valeur suivante de p est optimale
pour le fonctionnement du systme.
p =
1
1
1
+ y2
,
y1
y2
y1 + y2
o
y1 =
et y2 =
.
2
Application.
Dans un certain rseau local, chacune des 500 stations de travail envoie
en moyenne une tche excuter toutes les 5 minutes. Deux serveurs
sont disponibles. Le premier serveur excute une tche en moyenne en
7.26 millisecondes, le second serveur en 8.64 millisecondes. Le gestionnaire du rseau envisage plusieurs options, correspondant aux modles
A et B tudis ci-dessus.
option 1 : Installer une le dattente commune (modle A). Quand le
systme est vide, la prochaine tche est envoye au premier serveur.
option 2 : Mme chose, mais quand le systme est vide, la prochaine
tche est envoye au second serveur.
option 3 : Chaque serveur conserve sa le dattente et les tches sont
routes au hasard avec probabilit p, selon le modle B.
12. Pour chacune des trois options, calculer le temps moyen de rponse
dune tche. Laquelle des trois options le gestionnaire devra-t-il choisir ?
13. Que devrait-il dcider si les deux serveurs taient identiques ?
14. Que devrait-il dcider si le premier serveur traitait ses tches en moyenne en 0.726 millisecondes ?
126
Exercice 11 On considre le modle de croissance dune population animale dni par les hypothses suivantes. Chaque femelle vivante engendre
un descendant au bout dun temps exponentiel de paramtre . Tout nouvel
individu est soit une femelle avec probabilit p, soit un mle avec probabilit
1p. Les dures de vie des femelles sont exponentielles de paramtre . Les
dures de vie des mles sont exponentielles de paramtre . Toutes ces variables alatoires sont indpendantes dans leur ensemble. Les paramtres ,
, sont strictement positifs, p est strictement compris entre 0 et 1.
On notera :
Xt le nombre de femelles vivant linstant t,
Yt le nombre de mles vivant linstant t,
(qn (t))nIN la loi de probabilit de Xt ,
G(z, t) sa fonction gnratrice,
G(z, t) =
z n qn (t) .
n=0
(pn,m (t))n,mIN la loi de probabilit du couple (Xt , Yt ),

F (z, u, t) sa fonction gnratrice,
F (z, u, t) =
X
X
z n um pn,m (t) .
n=0 m=0
I. Etude de la population des femelles.

1. Montrer que le processus {Xt , t 0} est un processus de naissance et
de mort et dterminer ses taux de transition.
2. Ecrire le systme de Chapman-Kolmogorov en qn (t).
3. Dduire de ce systme une quation aux drives partielles en G/t
et G/z.
4. Vrier que si est une application drivable de IR dans IR quelconque,
alors :

pz (p)t
G(z, t) =
e
1z
est solution de lquation prcdente. On admettra que dans le cas o
p 6= , toute solution peut scrire ainsi.
5. On suppose que linstant 0 , la population comprend une seule femelle.
Que vaut G(z, 0) ? Montrer que ncessairement :
(x) =
x
.
x p
6. En dduire q0 (t), puis lim q0 (t) . Interprter.

t
7. Calculer IE[Xt ], puis lim IE[Xt ] . Interprter.

t
127
Files dattente
II. Etude de la population globale.
1. Ecrire le systme de Chapman-Kolmogorov en pn,m (t).
2. En dduire une quation aux drives partielles en F/t, F/z et

F/u.
3. Sous quelles conditions, portant sur les paramtres du modle la population steindra-t-elle avec probabilit 1 ?
Exercice 12 Par suite de son environnement biochimique dans la cellule,
un gne donn alterne des priodes dactivit au cours desquelles il sexprime
en produisant des molcules dune certaine protine P, et des priodes dinactivit au cours desquelles il ne produit rien. Les molcules de P ont une
dure de vie limite au bout de laquelle leur structure strochimique se dgrade et leurs composants sont recycls par la cellule. Le but du problme
est dtudier un modle markovien permettant de prdire la loi du nombre
de molcules de P prsentes dans la cellule. On fait les hypothses suivantes.
Les priodes dinactivit du gne suivent la loi E(). Les priodes dactivit
du gne suivent la loi E(). Quand le gne est actif la dure sparant deux
naissances de molcules de P suit la loi E(). La dure de vie de chaque molcule de P suit la loi E(). Toutes ces variables alatoires sont indpendantes
dans leur ensemble.
On considre deux types dtats.
(0, n) : le gne est inactif et n molcules de P sont prsentes.
(1, n) : le gne est actif et n molcules de P sont prsentes.
On notera
p0,n (t) la probabilit que le systme soit dans ltat (0, n) linstant t.
p1,n (t) la probabilit que le systme soit dans ltat (1, n) linstant t.
1. Dcrire les transitions lmentaires entre ces dirents tats.
2. Si le gne tait actif en permanence ( = 0), quel modle de les
dattente correspondrait le nombre de molcules de P prsentes dans
la cellule linstant t ? Dans le cas = 0 et > 0, quel serait le
nombre moyen de molcules de P prsentes dans la cellule en rgime
stationnaire ? Dans le cas = = 0, quel serait le nombre moyen de
molcules de P prsentes dans la cellule linstant t ?
3. Ecrire le systme de Chapman-Kolmogorov dont sont solution les p0,n (t)
et les p1,n (t).
4. On note
G0 (z, t) =
n=0
p0,n (t) z
et G1 (z, t) =
p1,n (t) z n .
n=0
Dduire du systme de Chapman-Kolmogorov, un systme de deux

quations direntielles en G0 , G1 , G0 /z, G1 /z, G0 /t, G1 /t.
128
5. Exprimer la probabilit que le gne soit actif linstant t laide de

G1 . On suppose qu linstant 0 le gne est inactif et aucune molcule
de P nest prsente dans la cellule. Que valent G0 (z, 0) et G1 (z, 0) ?
Calculer G1 (1, t) pour tout t (remarquer que ltat du gne (0 ou 1) est
un processus de Markov deux tats). En dduire
lim G0 (1, t)
et
lim G1 (1, t) .
6. On suppose > 0. Expliquer intuitivement pourquoi le processus considr admet un rgime stationnaire. On note :
g0 (z) = lim G0 (z, t)
t
et g1 (z) = lim G1 (z, t) .

t
De quel systme dquations direntielles g0 et g1 sont-elles solution ?

7. On pose :
++
, b = et c = 2 .
a=
Montrer que g0 est solution de lquation direntielle suivante.

(1 z) g0 (z) (a + b(1 z)) g0 (z) + c g0 (z) = 0 .
En dduire lexpression de la drive n-ime de g0 en z = 1 :
(n)
g0 (1) =
c(c + b) . . . (c + b(n 1))

.
a(a + 1) . . . (a + n 1) +
8. On note g = g0 + g1 la fonction gnratrice de la mesure stationnaire

du nombre de molcules prsentes dans la cellule. Montrer que :
g(z) = 1 +
X
1 c(c + b) . . . (c + b(n 1))
(z 1)n .
n!
(a
1)a
.
.
.
(a
+
n
2)
n=1
9. Soit m lesprance du nombre de molcules de P prsentes dans la

cellule, en rgime stationnaire. Montrer que :
m=
.
+
Interprter cette relation en utilisant les questions 2 et 5.

10. On note :
m0 (t) =
G0
(1, t)
z
et m1 (t) =
G1
(1, t) .
z
Dduire de 4 et 5 un systme dquations direntielles dont m0 et m1

sont solution. Soit m(t) le nombre moyen de molcules de P prsentes
dans la cellule linstant t. Quelle relation y a-t-il entre m(t), m0 (t) et
m1 (t) ?
129
Files dattente
11. Dans le cas > 0, on note :
m0 = lim m0 (t)
t
et m1 = lim m1 (t) .
t
Dduire de la question prcdente un systme linaire de deux quations

en m0 et m1 . En dduire m0 et m1 et retrouver lexpression de m
obtenue prcdemment.
12. Dans le cas = 0, montrer la relation :
m (t) = G1 (1, t).
En dduire lexpression suivante de m(t) :
m(t) =
t +
(e(+)t 1) .
+
+ +
Interprter le comportement asymptotique de m(t) en utilisant les questions 2 et 5.

Exercice 13 On considre K les dattente du type M/M/1 en tandem : les
clients arrivent dans la premire le suivant un processus de Poisson dintensit , ils en sortent pour se diriger vers la seconde, puis vers la troisime,
et sortent du systme par la K-ime. Les temps de service de chaque client
dans la i-ime le sont exponentiels de paramtre i .
1. Quelle est la condition dquilibre du systme ?
2. En supposant cette condition satisfaite, dterminer la mesure stationnaire.
3. En dduire lesprance du nombre total de clients dans le systme en
rgime stationnaire.
Exercice 14 On considre un rseau form de K les identiques, de type
M/M/, disposes en tandem. Les clients arrivent selon un processus de
Poisson de paramtre . Chaque client qui arrive dans la i-ime le reoit
sans attendre, un service exponentiel de paramtre i . Pour i = 1, . . . , K1,
les clients qui sortent de la i-ime le se dirigent vers la i+1-ime. Les clients
qui sortent de la K-ime le sortent dnitivement du systme. Toutes les
variables alatoires (temps dinterarrive et temps de service) sont indpendantes dans leur ensemble.
1. Quelle est la loi du temps de sjour dun client dans le systme ?
2. Quelle est la mesure stationnaire ?
3. Quelle est la loi du nombre total de clients dans le systme en rgime
stationnaire ?
130
Exercice 15 On considre un rseau de les dattentes ferm, de K les,

contenant en tout N clients. Chacune des K les est de type M/M/ : le
taux de sortie de la le i quand elle contient ni clients, est ni i , o i > 0. La
probabilit quun client sortant de la le i se dirige vers la le j est pi,j . On
suppose que la matrice de transition (pi,j ) est irrductible. Toutes les variables
alatoires (temps de services et choix des clients) sont indpendantes dans leur
ensemble. Ltat du systme linstant t est le N uplet dentiers (n1 , . . . , nK ),
o ni est le nombre de clients prsents dans la le i (n1 + + nK = N ).
1. On suppose pour commencer quil ny a quun seul client dans le systme
(N = 1). Montrer que le temps de sjour du client dans la le numro
i est exponentiel, de paramtre i (1 pii ).
2. Pour i = 1, . . . , N , on notera ci ltat du systme o le client est dans
la le numro i. Soit Ct {c1 , . . . , cK } ltat du systme linstant t.
Montrer que {Ct , t 0} est un processus markovien de saut. Montrer
que le taux de transition de ci vers cj est ij = i pij .
3. On note (i )i=1,...,K la mesure stationnaire du processus de Markov
de taux de transition (ij ), et (ei )i=1,...,K la mesure stationnaire de la
chane de matrice de transition (pij ). Montrer que les vecteurs
(i )i=1,...,K et (ei /i )i=1,...,K sont proportionnels.
4. Cas gnral : il y a N clients dans le systme. Montrer que la mesure
stationnaire de ltat du systme est la loi multinomiale de paramtres
K, 1 , . . . , K .
5. Montrer que si la loi de ltat du systme linstant 0 est la loi multinomiale de paramtres N, 1 (0), . . . , K (0), alors pour tout t > 0 la
loi linstant t est multinomiale de paramtres N, 1 (t), . . . , K (t).
Donner lexpression du vecteur (i (t))i=1,...,K en fonction du vecteur
(i (0))i=1,...,K et du gnrateur correspondant aux taux de transition
(ij ).
Exercice 16 On considre un systme dattente, constitu de deux les et

un serveur. Les arrives dans les deux les sont poissonniennes, dintensits
respectives 1 et 2 . Les services sont exponentiels de paramtre . Le serveur
sert en mme temps deux clients, un dans chaque le. Si immdiatement
aprs une n de service lune des les au moins est vide, le serveur attend
quil y ait un client dans chaque le. Toutes les variables alatoires (temps
dinterarrives et temps de services) sont indpendantes dans leur ensemble.
Ecrire et implmenter un algorithme de simulation de ce systme. Comme
variables dentre, le programme comportera les paramtres 1 , 2 et . En
sortie, il devra acher les compteurs des nombres de clients entrs et des
nombres de clients servis dans chacune des deux les, ainsi que le compteur
de temps.
1. Dcrire le systme comme un rseau de Petri 2 places et 3 transitions.
Files dattente
131
Dcrire la matrice dincidence ainsi que les taux de dclenchement des

transitions.
2. Vrier exprimentalement que ce systme ci-dessus na pas de rgime
stationnaire. Le dmontrer rigoureusement.
3. Considrer ensuite le cas o la capacit de la premire le est limite
N1 clients, celle de la deuxime le N2 clients. Dterminer la solution
stationnaire. Dans le cas 1 < 2 < comparer le rgime stationnaire
de la premire le avec celui dune le M/M/1/N1 , de taux darrive
1 , taux de service 2 .
Exercice 17 On considre un systme dattente, constitu de deux les et
trois serveurs : un serveur pour chacune des les, et un troisime serveur
jouant le rle de contrle pour chaque sortie. Les arrives dans les deux les
sont poissonniennes, dintensits respectives 1 et 2 . Les services sont exponentiels de paramtre 1 et 2 respectivement. Les temps de contrle sont
exponentiels de paramtre . Chaque client, en sortant du service de sa propre
le, doit passer par le contrle. La prsence dun client au contrle bloque
les deux services pendant toute la dure du contrle. Toutes les variables
alatoires (temps dinterarrive, temps de service et temps de contrle) sont
indpendantes dans leur ensemble.
1. Dcrire le systme comme un rseau de Petri 3 places et 4 transitions.
Dcrire la matrice dincidence ainsi que les taux de dclenchement des
transitions.
2. Ecrire et implmenter un algorithme de simulation de ce systme. Comme variables dentre, le programme comportera les paramtres 1 , 2 ,
1 , 2 et . En sortie, il devra acher les compteurs des nombres de
clients entrs et des nombres de clients servis dans chacune des deux
les, ainsi que le compteur de temps.
3. Dterminer les conditions, portant sur les 5 paramtres 1 , 2 , 1 , 2
et sous lesquelles le systme admet un rgime stationnaire. Plusieurs
moyens pourront tre envisags pour rpondre cette question : expriences de simulation, systme de Chapman-Kolmogorov, raisonnements de bon sens.
4. Gnraliser la situation au cas de K les dattente de type M/M/1,
dont les sorties seraient couples par un mme contrle, exponentiel
de paramtre . Dans ce cas on supposera que les taux darrive et
de service dans chaque le sont les mmes ( et ). On cherchera
dterminer la condition dquilibre en fonction de K, , et .
Index
chane de Markov, 98, 102, 106, 110 notation de Kendall, 82
Chapman-Kolmogorov, 78, 85, 90, 94,
probabilit de perte, 92
96, 107
coecient doccupation, 83, 89, 98, processus
de naissance et de mort, 71, 88,
102, 113
90, 92, 109, 111
condition dquilibre, 77, 80, 88, 93,
de
naissance
pure, 73, 74
95, 98, 102, 108
de Poisson, 73, 100, 105
dclenchement, 113
markovien de saut, 71, 95, 107,
diagramme de transition, 71, 93, 95
114
discipline de service, 82
rcurrent nul, 76, 80
rcurrent positif, 76, 80
quilibre, 76
transient, 76, 80
explosion temps ni, 74
rseau de Jackson ferm, 110
le
rseau de Jackson ouvert, 105
GI/M/1, 102
rseau de Petri, 113
M(X) /M/1, 93
M/GI/1, 97
saturation, 76, 102
M/M(a,b) /1, 95
simulation
M/M/, 90
dun processus de naissance et de
M/M/s, 87
mort, 71
M/M/1, 73, 77, 83, 95, 102
dun rseau de Petri, 114
M/M/1/N , 91, 112
systme de Chapman-Kolmogorov, 78,
M/M/1/s/s, 91
85, 90, 94, 96, 107
fonction gnratrice, 87, 89, 93, 94,
taux
98, 112
darrive, 77
formule
de mort, 71
dErlang, 92
de naissance, 71
de Little, 84, 89, 105
de service, 77, 105
loi
temps
dErlang, 82, 84, 104
dattente, 88
de Poisson, 90
dinterarrive, 81
exponentielle, 72, 81, 83, 89, 99
de sjour, 83, 100, 104
gamma, 84, 89, 104
de service, 81
thorme
marquage, 113
de Jackson, 107, 110
mesure stationnaire, 76, 79, 83, 88,
de Pollaek-Khintchine, 100
94, 96, 98, 103, 108, 111
transforme de Laplace, 85, 99, 104
modle
dattente, 80
de population, 74
132

Fil Datt

Transféré par

Informations du document

Titre original

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

Fil Datt

Transféré par

Droits d'auteur :

Formats disponibles

69

Cahier de Mathmatiques Appliques no 14

La thorie des les dattente a de nombreuses applications, en particulier

Cahier de Mathmatiques Appliques no 14

Table des matires

Processus de naissance et de mort

Un processus est une collection de variables alatoires {Zt , t 0}, indice

Figure 1 Diagramme de transition dun processus de naissance et de mort.

Cahier de Mathmatiques Appliques no 14

Considrons alors un processus de naissance et de mort arrivant dans un tat

Cahier de Mathmatiques Appliques no 14

Nous examinons le nombre Zt de clients dans le systme (quils soient en train

, ou un dpart avec probabilit +

Etudier le comportement asymptotique des processus de naissance et de

tats 0, . . . , n est donc X0 + + Xn . La somme de la srie

Explosion temps fini

Figure 2 Trajectoires indpendantes dun processus de naissance pure, de

Cahier de Mathmatiques Appliques no 14

On en dduit lexpression de pn en fonction de p1 .

On en dduit la relation suivante entre en+1 et e1 .

Proposition 1.6 Soit Zt le nombre de clients linstant t dans une file

Revenons linterprtation des paramtres : 1 est le temps moyen qui spare

Nous commenons par une description des mouvements possibles dun

Cahier de Mathmatiques Appliques no 14

(a) File M/M/1 transiente

(b) File M/M/1 rcurrente positive

(c) File M/M/1 rcurrente nulle

Posons pn (t) = IP[Zt = n]. En passant la limite quand h tend vers 0, on

Le systme dquations direntielles ainsi obtenu est le systme de ChapmanKolmogorov.

Le systme (1.2) admet donc toujours une solution, unique un coecient

Cahier de Mathmatiques Appliques no 14

Pour comprendre la condition dquilibre dun processus de naissance et de

Dans un systme dattente, des clients arrivent de manire alatoire dans

mme alatoire. Historiquement, la recherche sur les les dattente a dbut

Figure 4 Schma dune le dattente.

Cahier de Mathmatiques Appliques no 14

Nous avons dj vu plusieurs caractristiques du modle le plus simple.

La loi est la loi du nombre de clients prsents dans le systme en rgime

Cahier de Mathmatiques Appliques no 14

du temps de service rsiduel du client en train dtre servi, qui suit la

= ( )e()t 11IR+ (t) .

Une dmonstration rigoureuse de ce rsultat sous des hypothses gnrales

p0 (t) = p0 (t) + p1 (t)

Ce sera loccasion de mettre en uvre deux outils mathmatiques importants

Si X est une variable alatoire, sa transforme de Laplace (ou plutt celle de

4. Soit X une variable alatoire, f sa transforme de Laplace et k un

Cahier de Mathmatiques Appliques no 14

Si (saturation) alors = 1, donc pour tout n, lim pn (t) = 0. Si <

En multipliant la n-ime quation du systme (2.9) par z n et en sommant,

Le modle que nous tudions ici est lextension la plus simple de la le

, ou un dpart avec probabilit +n

Cahier de Mathmatiques Appliques no 14

sont en attente), est dirent, puisqualors le prochain dpart ne peut tre

saut sera une arrive avec probabilit +s

Ayant lexpression explicite des n , on peut calculer le nombre

2. de la loi exponentielle E(s ), avec probabilit

Sil y a n s clients dj prsents dans le systme, celui qui arrive trouve

En comparant (2.10) et (2.11), on retrouve la formule de Little, savoir

le nombre moyen de serveurs occups : IE[O] = = s s

(rapDans cette dernire formule, on retrouve linterprtation du rapport s

Cahier de Mathmatiques Appliques no 14

on arrive lquation aux drives partielles suivante.

Cette quation admet pour solution particulire la fonction gnratrice de la