FILES D’ATTENTE

I- INTRODUCTION

Les files d’attente peuvent être considérées comme un phénomène caractéristique

de la vie contemporaine. On les rencontre dans les domaines d’activité les plus divers
(guichet de poste, traffic routier, central téléphonique, atelier de réparation,...). L’étude
mathématique des phénomènes d’attente constitue un champ d’application important des
processus stochastiques.
On parle de phénomène d’attente chaque fois que certaines unités appelées “clients”
se présentent d’une manière aléatoire à des “stations” afin de recevoir un service dont la
durée est généralement aléatoire. Si un poste de service est libre, le client qui arrive se
dirige immédiatement vers ce poste où il est servi, sinon, il prend sa place dans une file
d’attente dans laquelle les clients se rangent suivant leur ordre d’arrivée.
Un système d’attente comprend donc un espace de service avec une ou plusieurs
stations de service montées en parallèle, et un espace d’attente dans lequel se forme
une éventuelle file d’attente.

L’objectif est ici d’étudier la structure et de calculer des valeurs caractéristiques per-
mettant de décrire les performances de tels systèmes.

Pour identifier un système d’attente, on a besoin des spécifications suivantes :

• la nature du processus des arrivées (ou flux d’entrée), qui est défini par la loi des
intervalles séparant deux arrivées consécutives ;
• la loi du temps de service ;
• le nombre s de stations de service montées en parallèle. [On admet généralement
que les temps de service correspondants suivent la même loi et que les clients qui arrivent
forment une seule file d’attente] ;
• la capacité K du système : si K < +∞, la file d’attente ne peut dépasser une
longueur de K − s unités et dans ce cas, certains clients qui arrivent vers le système n’ont
pas la possibilité d’y entrer.

Pour la classification des systèmes d’attente, on recourt à une “notation symbolique”

dite notation de Kendall, comprenant en général les 4 symboles

A/S/s/K

où
→ A est la loi des temps entre deux arrivées successives ;
62 Files d’attente

→ S est la loi des durées de service ;

→ s est le nombre de postes de service en parallèle ;
→ K est la capacité du système (supprimé si infinie).
En plus de ces notations, on utilise les grandeurs suivantes :
→ 1/λ intervalle moyen entre deux arrivées consécutives (d’où λ taux des arrivées)
→ 1/µ durée moyenne de service (d’où µ taux de service).
[Dans le cas particulier des lois exponentielles, ces taux sont en fait les paramètres de ces
lois].

Exemples de systèmes d’attente classiques.

• A/S/s : 1 file et s stations offrant le même service ; le client qui attend va à la

première qui se libère.
Exemple : toilettes d’un lieu public, guichets d’une poste...
• A/S/∞ : infinité de serveurs ; pas d’attente.
Exemple : lignes téléphoniques.
• 2 stations différentes, l’une plus rapide que l’autre.
Si les 2 stations sont libres, le client va dans l’une avec la probabilité p et dans l’autre
avec la probabilité 1 − p.
→ Si p = 12 , clients de passage : ils ne voient pas la différence.
→ Si p = 1, pour tous les clients, la rapidité prime.
→ On a en fait p ∈ [0, 1] : la rapidité peut ne pas être le seul critère (qualité du
service, jolie ou gentille caissière...)
• Systèmes à perte A/S/s/s pas d’attente
Exemple : Central téléphonique où les appels non traités sont rejetés.
• Systèmes A/S/s/K où K > s : longueur de la file limitée, dépendant de la capacité.
Exemple : Station service, salle d’attente...
• Systèmes fermés : nombre constant de clients.
Exemple : m machines en marche ou en panne, s ouvriers pour les réparer, n en panne.
→ m > s : cas le plus fréquent ;
→ m < s : peu intéressant car il y aurait des ouvriers jamais occupés ;
→ m = s : un ouvrier par machine.

• Réseaux : plusieurs stations offrent des services différents, chacune ayant sa file.
Exemple : Remontées mécaniques au ski.
→ réseau ouvert : on peut venir de l’extérieur ou repartir à l’extérieur ; il se peut
que chaque station offre le même service mais chacune à sa file.
Exemple : Caisses de grandes surfaces.
→ réseau fermé : pas d’échange avec l’extérieur.
Exemple : personnes amenées en autobus dans un parc d’attraction, condamnées à y
passer la journée.
Un client qui vient de recevoir un service peut se remettre dans une autre file pour
recevoir un autre service. On caractérise alors le système par les routages, c’est-à-dire les
Processus aléatoires et modélisation 63

ri,j pour 1 ≤ i, j ≤ s, où ri,j est la probabilité qu’un client venant de Si aille vers Sj , avec
de plus r0,j probabilité qu’un client venant de l’extérieur aille ves Sj et ri,0 probabilité
qu’un client venant de Si s’en aille. (r0,j = ri,0 = 0 pour un réseau fermé).

On n’étudiera pas les réseaux ici.

Différentes sortes de lois de service :

• M : service exponentiel (cas le plus facile à traiter...)
• D : service déterministe (de durée constante)
• Ek : (loi d’Erlang) k phases dans le service, toutes de loi exponentielle E(kµ). En
pratique, les différentes phases ne sont pas nécessairement de même durée : elles suivent
P
k
1
la loi E(µi ) avec µi
= µ1 .
i=1

• Hk : (loi hyperexponentielle) combinaison convexe de loi exponentielles E(µi ).

Exemple : À un guichet, le serveur téléphone pour demander un renseignement ; il
tombera sur la personne i avec la probabilité ai, et la durée de service sera alors E(µi ).

II ANALYSE MATHÉMATIQUE

L’étude mathématique d’un système d’attente se fait le plus souvent par l’introduction
d’un processus stochastique approprié.
→ En premier lieu, on s’intéresse au nombre Xt de clients se trouvant dans le système
à l’instant t. En fonction des quantités qui définissent la structure du système, on cherche
à calculer :
• les probabilités d’état pn (t) = P ([Xt = n]) qui définissent le régime transitoire
du processus (Xt )t≥0 ;
• le régime stationnaire du processus, défini par

pn = lim pn (t) = lim P ([Xt = n]) = P ([X = n]).

t→+∞ t→+∞

Pour cela, on se ramènera généralement à un processus de Markov dont on déterminera

le graphe des taux de transition. Pour déterminer la distribution stationnaire, on
écrira, en chaque point du graphe, les équations de balance (“ce qui rentre est égal à
ce qui sort”).
→ À partir de la distribution stationnaire du processus (Xt )t≥0, on pourra obtenir
d’autres caractéristiques d’exploitation du système telles que :
• le nombre moyen de clients dans le système L = IE(X) ;
• le nombre moyen Lq de clients dans la file d’attente ;
• la durée d’attente moyenne Wq d’un client ;
• la durée de séjour moyenne W dans le système (attente + service) ;
• le temps moyen d’attente Wq∗ d’un client qui est obligé d’attendre ;
• le taux d’occupation des postes de service ;
• le pourcentage de clients n’ayant pu être servis ;
64 Files d’attente

• la durée d’une période d’activité, c’est-à-dire de l’intervalle de temps pendant

lequel il y a toujours au moins un client dans le système.
Il faut toutefois constater que le calcul explicite du régime transitoire s’avère pénible,
voire impossible, pour la plupart des modèles considérés. Mis à part certains modèles
particulièrement faciles à traiter, nous nous contenterons donc par la suite de déterminer
le régime stationnaire d’un phénomène d’attente.

II-1. Formules de Little

P
+∞ P
+∞
On a L = npn et Lq = (n − s)pn . Pour trouver W et Wq , on fait souvent
n=1 n=s+1
appel aux formules de Little :

Théorème : (Formules de Little )

Si λ est le taux d’entrée moyen et µ1 le temps moyen de service, on a :

 L = λW L = Lq + λµ
 Lq = λWq W = Wq + 1
µ

Remarques sur λ :
• Si λn = λ pour tout n ∈ IN alors λ = λ mais c’est le seul cas ! En particulier, ce n’est
pas le cas si la capacité est limitée à K individus, car alors λK = 0. Ce n’est pas non plus
le cas dans un parc de m machines qui peuvent tomber en panne car alors λn = (m − n)λ
lorsque l’état est le nombre de machines en panne.
La plupart du temps, on sait calculer L et Lq et, grâce aux formules de Little, on
obtient alors λ = µ(L − Lq ) , ce qui permet de calculer ensuite W et Wq .
• En régime stationnaire, λ = µ (taux moyen d’entrée = taux moyen de sortie) et il
est parfois plus simple d’obtenir µ.
P
En particulier, dans le cas d’1 serveur, on a souvent µ = µ pn = µ(1 − p0 ) .
n≥1

• Autre façon d’obtenir λ à l’aide de k : nombre moyen de serveurs occupés (utile

quand il y a peu de serveurs !)
+∞ s−1 s−1
!
X X X
k = 1 × p1 + 2 × p2 + · · · + (s − 1) × ps−1 + s × pn = npn + s × 1 − pn
n=s n=1 n=0

On doit avoir λ = kµ .
Exemple : Pour s = 1, k = 1 − p0 ; on retrouve bien λ = µ(1 − p0 ) et pour s = 2,
k = p1 + 2(1 − p0 − p1 ).

Les formules de Little seront admises dans le cas général, mais on va les vérifier dans
deux cas particuliers : le cas M/M/1 et le cas M/M/1/K.
Processus aléatoires et modélisation 65

Preuve des formules de Little dans le cas M/M/1 :

On cherche le temps moyen d’attente Wq = IE(Tq ) d’un individu : celui-ci est fonction du nombre de
clients déjà présents lorsqu’il arrive.
Soit En l’événement “il y a n clients dans le système lorsque l’individu arrive”. On a alors

X
+∞
Wq = IE(Tq ) = IE(Tq /En)P (En)
n=0

avec IE(Tq /En) = n n λ

µ et P (En ) = pn = (1 − ρ)ρ où ρ = µ .
[En effet, pour le système M/M/1 on a, pour tout n ∈ IN∗ , λpn−1 = µpn, soit pn = ρpn−1, puis
1
pn = ρn p0 et p0 1−ρ = 1].

P
+∞
n L 1 L+1
On a alors Wq = µ (1 − ρ)ρn = µ et W = Wq + µ = µ .
n=1
P
+∞ P
+∞ P
+∞
Or Lq = (n − 1)pn = npn − pn = L − (1 − p0 ) = L − ρ.
n=1 n=1 n=1
P
+∞
ρ 1
Comme L = npn = 1−ρ
,L + 1 = 1−ρ = µW , donc L = ρ(L + 1) = ρµW et on a bien L = λW .
n=1  
λ
De même, Lq = L − µ = λ W − µ1 = λWq .

Preuve des formules de Little dans le cas M/M/1/K :

P
K K+1
Ici, on a toujours pn = ρn p0 mais p0 se calcule à l’aide de pn = 1 = p0 1−ρ
1−ρ d’où
n=0

1−ρ
pn = ρn .
1 − ρK+1

P
K−1  
n ∗ 1 L−KpK pn
De même, on a IE(Tq ) = p
µ n
= µ 1−pk
, car p∗n = 1−pK
(client rejeté s’il y en a déjà K).
n=1
On calcule L à l’aide de GX :

X
K
1−ρ X
K
1 − ρ 1 − (ρz)K+1
GX (z) = z npn = K+1
(ρz)n =
n=0
1−ρ n=0
1 − ρK+1 1 − ρz

1 − ρ −(K + 1)ρK+1 z k (1 − ρz) + ρ(1 − (ρz)K+1 )

G0X (z) =
1 − ρK+1 (1 − ρz)2

1 − (K + 1)ρK + KρK+1
L = G0X (1) = ρ
(1 − ρ)(1 − ρK+1 )

1 − (K + 1)ρK + KρK+1 − KρK−1 (1 − ρ)2

L − KpK = ρ
(1 − ρ)(1 − ρK+1 )
1 − (K + 1)ρK + KρK+1 − KρK−1 (1 − 2ρ + ρ2 ) 1 − KρK−1 + (K − 1)ρK
= ρ = ρ
(1 − ρ)(1 − ρK+1 ) (1 − ρ)(1 − ρK+1 )

ρK (1 − ρ) 1 − ρK+1 − ρK + ρK+1 1 − ρK
1 − pK = 1 − = =
1 − ρK+1 1 − ρK+1 1 − ρK+1
66 Files d’attente

 
1 1 ρ(1 − KρK−1 + (K − 1)ρK ) 1 − ρ − ρK + ρK+1
W = Wq + = +
µ µ (1 − ρ)(1 − ρK ) (1 − ρ)(1 − ρK )
 
1 1 − (K + 1)ρK + KρK+1 L(1 − ρK+1 ) L
= K
= =
µ (1 − ρ)(1 − ρ ) ρµ(1 − ρK ) λ(1 − pK )

P
K−1
Or λ = λ pn = λ(1 − pK ) et on a bien L = λW .
n=0
P
K P
K P
K
De même, L − Lq = npn − (n − 1)pn = pn = 1 − p0 donc, comme λ = µ = µ(1 − p0 ),
n=1 n=1 n=1

 
λ 1
Lq = L − (1 − p0) = λW − = λ W − = λWq .
µ µ
2

II-2. Étude de la file M/G/1

Si les arrivées de clients suivent généralement un processus de Poisson (interarrivées

exponentielles, de paramètre λ), la durée de service ne suit pas toujours une loi exponen-
tielle. On traitera ici le cas où le temps de service TS suit une loi générale, de densité v,
d’espérance IE(TS ) = µ1 .

Pour déterminer la distribution stationnaire du processus (Xt )t≥0 , on considère ce

processus aux instants tD1 , · · · , tDk , · · · où les clients terminent leur service et quittent le
système. On considère alors le nombre Nk de clients qui entrent pendant que le k-ième
client est servi.
Les variables Nk sont indépendantes entre elles, à valeurs dans IN, de même loi donnée
par
Z Z +∞ (λt)n
an = P ([Nk = n]) = P ([Nk = n]/[TS = t])v(t)dt = e−λt v(t) dt.
0 n!

En posant Xk = XtDk , on définit une chaı̂ne de Markov (Xk )k≥1 dite chaı̂ne de
Markov induite du processus (Xt )t≥0 , de matrice de transition P = (pi,j ) définie par :


 p0,j = aj si j ≥ 0
pi,j = aj−i+1 si 1 ≤ i ≤ j + 1


pi,j = 0 sinon.

En effet,
→ si Xk = 0, [Xk+1 = j] correspond à l’arrivée de j clients pendant le service du
(k + 1)-ième client ;
→ si Xk = i, on a [Xk+1 = j] si Xk+1 − Xk = j − i, ce qui correspond à l’arrivée de
j − i + 1 clients, car il ne faut pas oublier que le (k + 1)-ième client vient de partir.
Processus aléatoires et modélisation 67

On a donc :  
a0 a1 a2 a3 ···
 
 a0 a1 a2 a3 ··· 
 
P =  0 a0 a1 a2 ··· .
 
 
 0 0 a0 a1 ··· 
··· ··· ··· ··· ···
La chaı̂ne de Markov (Xn ) est irréductible et admet donc une unique distribution sta-
tionnaire, qui est aussi distribution limite et loi de X. Le théorème suivant permet, entre
autre, de déterminer L :

P
+∞ P
+∞
Théorème : Si Π(z) = pn z n , si A(z) = an z n et si ρ = λµ , alors :
n=0 n=0

(1 − ρ)A(z)(z − 1) ρ2 + λ2 var(TS )
Π(z) = et L = ρ + .
z − A(z) 2(1 − ρ)
P
+∞
Preuve : La distribution stationnaire π doit vérifier π = πP soit πj = πipi,j , ce qui s’écrit également
i=0
j+1 j+1
X X
πj = aj π0 + aj−i+1πi = aj π0 + aj−i+1πi − aj+1π0.
i=1 i=0

Si l’on multiplie cette équation par z j et si l’on somme sur j, on a :

1X
+∞
π0
Π(z) = π0A(z) + cj+1z j+1 − (A(z) − a0 ),
z z
j=0

P
j
1
P
+∞
où cj = aj−iπi et donc z cj+1z j+1 = 1z (A(z)Π(z) − a0 π0). Ainsi,
i=0 j=0

π0A(z)(z − 1)
Π(z) = .
z − A(z)
On fait alors un développement limité de A(z) à l’ordre 2 en 1 :
1
A(1 + h) = A(1) + A0 (1)h + A00 (1)h2 + o(h2 )
2
puis
1 + A0(1)h + 12 A00(1)h2 + o(h2 ) 1 + A0 (1)h + 12 A00 (1)h2 + o(h2 )
Π(1 + h) = π0 h = π 0
1 + h − 1 − A0 (1)h − 12 A00(1)h2 + o(h2 ) 1 − A0 (1) − 12 A00(1)h + o(h)
 −1
π0 0 A00 (1)
= [1 + A (1)h + o(h)] 1 − h + o(h)
1 − A0 (1) 2(1 − A0 (1))
   
π0 0 A00(1)
= 1 + A (1) + h + o(h) .
1 − A0 (1) 2(1 − A0 (1))
On en déduit, comme Π(1 + h) = 1 + hΠ0 (1) + o(h) = 1 + Lh + o(h), que π0 = 1 − A0 (1) et que
A00 (1)
L = A0(1) + 2(1−A 0 (1)) . Or

+∞
X +∞
X Z +∞ j Z +∞
j j −λt (λt)
A(z) = aj z = z e v(t) dt = e−λt eλzt v(t) dt
j=0 j=0 0 j! 0
68 Files d’attente

R +∞ λ
donc A0 (1) = λ 0
tv(t)dt = λIE(TS ) = µ = ρ et
Z +∞
A00 (1) = λ2 t2v(t)dt = λ2 IE(TS2 ) = λ2 (var(TS ) + IE(TS )2 ) = λ2 var(TS ) + ρ2 ,
0
ce qui donne bien le résultat.

Remarque : La file G/M/1 se traiterait de la même façon en considérant cette fois-ci les
instants d’arrivée des clients et en posant Xk = XtAk ; on aurait une chaı̂ne induite de
matrice de transition Q = (qi,j ) avec
qi,j = bi−j+1 pour i ≥ 0 et j ≤ i + 1
car le passage de i à j entre l’arrivée du k-ième client et du (k + 1)-ième correspond au
départ de i − j + 1 clients, avec ici
Z +∞ (µt)j
bj = e−µt a(t)dt
0 j!
où a désigne la densité de la loi de τk = tAk+1 − tAk , mais ce cas est moins fréquent que le
précédent.

II-3. Étude de la file G/G/1

Nous indiquons ici, sous forme d’exercice, une méthode pour traiter le cas général,
méthode qui fournit également le régime transitoire. Malheureusement, les intégrales
rencontrées sont la plupart du temps impossibles à calculer : il ne reste plus alors qu’à
utiliser cette méthode avec l’aide d’un ordinateur...
Cet exercice, traite en particulier complètement le cas M/M/1, et même le cas d’une
impatience “a postériori” des clients (où les clients se sont donnés une limite τ0 de temps
dans le système à ne pas dépasser).
Pour résoudre cet exercice, il est nécessaire d’avoir quelques connaissances élémentaires
sur la transformée de Laplace, dont nous rappelons d’abord les principales propriétés.

Rappel sur la transformée de Laplace :

Pour f : IR+ → IR+ , et pour p > 0, on pose :

Z +∞
L(f )(p) = f (p) = e−pxf (x)dx.
0

Propriétés :
1) Si f : x 7→ 1, L(f )(p) = 1p .
1
2) Si f : x 7→ e−λxg(x), L(f )(p) = L(g)(p + λ) ; en particulier, avec g = 1, L(f )(p) = p+λ
.
3) L(f 0 )(p) = −f (0) + pL(f )(p).
R
4) L(f ∗ g) = L(f )L(g), si f ∗ g(x) = 0x f (u)g(x − u)du.
Processus aléatoires et modélisation 69

Notations :
Pour le k-ième client qui se présente dans le système, on note
• tAk l’instant de son arrivée ;
• tDk l’instant de son départ ;
• τk = tAk − tAk−1 l’intervalle de temps entre la (k − 1)-ième arrivée et la k-ième
arrivée ;
• wk le temps d’attente dans la file, éventuellement nul, du k-ième client ;
• vk le temps de service du k-ième client ;
• uk le temps passé dans le système par le k-ième client.

Exercice : On suppose que la loi de τk est indépendante de k, de densité a, et que la loi

de vk est indépendante de k, de densité v, de fonction de répartition H. On note Fk la
fonction de répartition de wk et Gk la fonction de répartition de uk .
1) Exprimer uk en fonction de wk et de vk . En déduire que, pour tout x > 0,
Z x
Gk (x) = Fk (x − t)v(t)dt.
0

2) Exprimer wk en fonction de uk−1 et de τk . En déduire que, pour tout x > 0,

Z +∞
Fk (x) = Gk−1 (x + t)a(t)dt.
0

3) Déterminer F1(x) et montrer que les résultats précédants permettraient de déterminer

Fk (x) et Gk (x) pour tout k. Écrire les équations vérifiées par F et G en régime permanent.
4) On se propose de résoudre ces équations dans le cas M/M/1.
R
i) Montrer que F (x) = eλxF (0) − λeλx 0x e−λt G(t)dt pour tout x > 0, puis que

F (0) − λG(p) µF (p)

F (p) = et que G(p) = .
p−λ µ+p
 
p+µ
ii) En déduire que F (p) = p(p+µ−λ) F (0), puis que F (x) = µ − λe−(µ−λ)x Fµ−λ (0)
. Mon-
λ −(µ−λ)x
trer enfin que F (x) = 1 − µ e et que G est la fonction de répartition d’une loi
exponentielle de paramètre µ − λ.
5) Dans le cas avec impatience “a posteriori”, on pose ũk = wk + ṽk = min(uk , τ0).
Exprimer ṽk en fonction de vk , de τ0 et de wk . En déduire qu’en régime permanent :
( Rx
H(x − t)dF (t) si x ≤ τ0
0
G(x) =
1 si x > τ0

et en déduire la probabilité qu’une personne quitte le système avant la fin de son service.
solution :
1) On a uk = tDk − tAk , soit uk = wk + vk . Il vient alors

Z +∞
Gk (x) = P ([uk ≤ x]) = P ([wk + vk ≤ x]) = P ([wk + vk ≤ x]/[vk = t])fvk (t)dt
0
70 Files d’attente

Z x Z x
= P ([wk ≤ x − t]/[vk = t])fvk (t)dt = P ([wk ≤ x − t])fvk (t)dt
0 0

car wk et vk sont clairement indépendantes, et, la densité de la loi de service étant v, on a,

Rx
pour x > 0, Gk (x) = 0
Fk (x − t)v(t)dt , soit Gk = Fk ∗ v .

2) Deux cas se présentent :

Si tDk−1 ≤ tAk , le k-ième client n’attend pas et wk = 0.
Sinon, il attend tDk−1 − tAk . On a donc wk = max(tDk−1 − tAk , 0) ; or uk−1 = tDk−1 − tAk−1 et
τk = tAk − tAk−1 , donc wk = max(uk−1 − τk , 0) .
Fk (x) = P ([wk ≤ x]). Pour x ≥ 0, [max(uk−1 − τk , 0) ≤ x] = [uk−1 − τk ≤ x] et
Z +∞
Fk (x) = P ([uk−1 − τk ≤ x]) = P ([uk−1 − τk ≤ x]/[τk = t])fτk (t)dt
0
Z +∞ Z +∞
= P ([uk−1 ≤ x + t]/[τk = t])fτk (t)dt = P ([uk−1 ≤ x + t])fτk (t)dt
0 0

car uk−1 et τk sont clairement indépendantes, et, comme la densité de la loi des interarrivées est a, on a,
R +∞
pour x > 0, Fk (x) = 0 Gk−1(x + t)a(t)dt .

3) F1 fonction de répartition de w1. Or w1 = 0 car la première personne n’attend pas. Donc,

Rx R +∞
pour x > 0, F1 (x) = P ([w1 ≤ x]) = 1 . On a alors, G1(x) = 0 v(t)dt puis F2(x) = 0 G1(t+x)a(t)dt,
Rx
puis G2(x) = 0 F2(x − t)s(t)dt... De proche en proche, on détermine tous les Fk et tous les Gk .

Le régime permanent s’obtient en passant à la limite à l’infini. Si F = lim Fk et G = lim Gk , on a

k k
R +∞ Rx
alors F (x) = 0 G(x + t)a(t)dt et G(x) = 0 F (x − t)v(t)dt .

5) i) Dans le cas M/M/1, on a a(t) = λe−λt 1I]0,+∞[ (t) et v(t) = µe−µt 1I]0,+∞[ (t). En faisant le
changement de variable u = x + t dans F (x), on a alors
Z +∞ Z +∞
F (x) = G(x + t)λe−λt dt = G(u)λe−λ(u−x)du
0 x
Z +∞ Z +∞ Z x
λx −λu λx −λu λx
= λe G(u)e du = λe G(u)e du − λe G(u)e−λu du
x 0 0

R +∞ Rx
Or F (0) = λ 0
G(t)e−λtdt donc pour x > 0, F (x) = eλx F (0) − λeλx 0 e−λtG(t)dt .
R +∞
On passe alors à la transformée de Laplace définie par f (p) = 0 e−px f(x)dx. Rappelons que si
1
Rx
f(x) = eαx , alors f (p) = p−α , que f ∗ g(p) = f (p)g(p), que f 0 (p) = pf (p)−f(0), (donc si f(t) = 0 g(t)dt,
f (p) = p1 g(p)) et que si f(x) = eαx g(x), alors f (p) = g(p − α).

On a alors, en utilisant en plus la linéarité, F (p) = Fp−λ

(0)
− λ G(p)
p−λ
.
R x
En effet, si f1 (x) = eλx f2 (x) avec f2 (x) = 0 f3 (x)dx où f3 (x) = e−λx G(x), on a sucessivement
f3 (p−λ) G(p−λ+λ) G(p)
f1 (p) = f2 (p − λ) = p−λ et f3 (p) = G(p + λ) d’où f1 (p) = p−λ = p−λ .
F (0)−λG(p) µ µF (p)
On a donc F (p) = p−λ . De plus, G = F ∗ v, et v(p) = p+µ , donc G(p) = p+µ .
Processus aléatoires et modélisation 71

h i
F (0) λ µF (p) λµ F (0)
ii) De F (p) = p−λ − p−λ p+µ , on déduit F (p) 1 + (p−λ)(p+µ) = p−λ .

F (p) (p−λ)(p+µ)+λµ
(p−λ)(p+µ)
= F (0)
d’où F (p) = p(p+µ)F
p−λ
, (0) p+µ
2 +µp−λp = p(p−(λ−µ)) F (0).

On décompose la fraction rationnelle de p en éléments simples :

p+µ A B
= +
p(p − (λ − µ)) p p − (λ − µ)
h i
avec A = µ
µ−λ et B = λ
λ−µ
λ
= − µ−λ donc F (p) = Fµ−λ
(0) µ
p − λ αx
p−(λ−µ) . On a vu que si gα (x) = e ,
1 F (0)
alors gα(p) = p−α , d’où F (p) = µ−λ [µg0 (p) − λgλ−µ (p)]. Par unicité et linéarité de la transformée de
(0)  
Laplace, on en déduit que F (x) = Fµ−λ µ − λe−(µ−λ)x .
µ F (0) 1
Pour trouver F (0), on utilise alors lim F (x) = 1 : 1 = µ−λ F (0) donc µ−λ = µ et finalement
x→+∞

F (x) = 1 − λµ e−(µ−λ)x si x ≥ 0 .

h i
µ µF (0) C D µ µ
Puis G(p) = F (p) p+µ = p(p−(λ−µ)) = F (0) p + p−(λ−µ) avec C = µ−λ et D = λ−µ donc

µ
G(p) =
F (0) [g0(p) − gλ−µ (p)]
µ−λ
µ µ
  µ
et G(x) = µ−λ F (0) [g0(x) − gλ−µ (x)] = µ−λ F (0) 1 − e−(µ−λ)x avec, en faisant x → +∞, 1 = µ−λ F (0),

donc G(x) = 1 − e−(µ−λ)x si x ≥ 0 : G est bien la fonction de répartition d’une variable aléatoire de loi
exponentielle E(µ − λ).

5) ũk = wk + ṽk avec ũk ≤ τ0 .

Si wk + vk ≤ τ0 , alors ṽk = vk , avec vk ≤ τ0 − wk . Sinon, ũk = τ0 et ṽk = τ0 − wk et dans ce cas
τ0 − wk ≤ vk . Donc finalement ṽk = min(vk , τ0 − wk ) .
On a toujours wk = 0 si tDk−1 ≤ tAk , c’est-à-dire uk−1 ≤ τk et wk = tDk−1 − tAk = uk−1 − τk si
R +∞
uk−1 − τk ≥ 0, soit wk = max(0, uk−1 − τk ) et Fk (x) = 0 Gk−1(x + t)a(t)dt est toujours vérifiée. Par
contre :

Gk (x) = P ([ũk ≤ x]) = P ([wk + ṽk ≤ x])

Z +∞
= P ([ṽk ≤ x − t]/[wk = t])dFk(t)
0
Z +∞
= [1 − P ([ṽk > x − t]/[wk = t])] dFk (t)
0

Or

P ([ṽk > x − t]/[wk = t]) = P ([vk > x − t] ∩ [τ0 − wk > x − t]/[wk = t])
= P ([vk > x − t] ∩ [τ0 > x]/[wk = t])

0 si x > τ0
=
P ([vk > x − t] si x ≤ τ0

car vk et wk sont indépendantes, donc

 Rx
H(x − t)dFk (t) si x ≤ τ0
Gk (x) = R0+∞ où H désigne la fonction de répartition de vk .
0
dFk (t) = 1 si x > τ0
72 Files d’attente

 Rx
0
H(x − t)dF (t) si x ≤ τ0
En régime permanent, G(x) = .
1 si x > τ0
La probabilité qu’une personne quitte avant la fin de son service est :
Rτ
P ([ũ = τ0 ]) = G(τ0+ ) − G(τ0− ) = 1 − 0 0 H(τ0 − t)dF (t) .

Application aux systèmes M/M/1 :

F (0)−λG(p)
F (p) = p−λ
et
Z +∞ Z τ0 Z x
1
G(p) = e−px G(x)dx = e−px µe−µ(x−t) dF (t)dx + e−pτ0
p
Z0 τ 0 Z τ0 0
 0
1
= µeµt e−(p+µ)x dx dF (t) + e−pτ0
0 t p
1−qe−(µ−λ)x 1−e−(µ−λ)x
Après calculs on obtient F (x) = 1−qe−(µ−λ)τ0
et G(x) = 1−qe−(µ−λ)τ0
.
1−q
Probabilité d’une attente nulle : p0 = F (0) = 1−qe−(µ−λ)τ0 .
Temps moyen d’attente :
Z +∞ Z +∞ Z +∞ Z
w = P ([w > x])dx = dw(u)dx = udw(u)
0
Z τ0  0 x

q
= −(µ−λ)τ
e−(µ−λ)x − e−(µ−λ)τ0 dx
1 − qe 0
0
q h i
−(µ−λ)τ0 −(µ−λ)τ0
= 1 − e − (µ − λ)τ0 e
(µ − λ)(1 − qe−(µ−λ)τ0 )
1 1 h i
−(µ−λ)τ0
= q − (q + (1 − q)λτ0 )e
µ (1 − q)(1 − qe−(µ−λ)τ0 )
−α(1−q) −α(1−q)
q 1−(1+α(1−q))e 1 1−(1+α(1−q))e
α = µτ0 ; µw = 1−q 1−qe−α(1−q)
et µu = 1−q 1−qe−α(1−q)
.
n = λu ; ν = λw.
Probabilité qu’une unité disparaisse : P ([ũ = τ0 ]) = 1 − 1−p
q
0
.
1+µx 1+µx−e−µx
Pour q = 1, F (x) = 1+µτ0
et G(x) = 1+µτ0
.

II-4. Quelques situations complémentaires

• Blocage : Système S faisant partie d’une suite de systèmes (enchaı̂nement de plusieurs
services consécutifs).
Les systèmes placés avant sont bloqués si S contient le nombre maximum d’unités. On
se ramènera à un processus markovien, en introduisant des états supplémentaires prenant
en compte cette situation.

• Impatience “a priori”
On considère un système à 1 serveur, dont le service est exponentiel de taux µ et les
arrivées poissonniennes de taux λ. Un client qui arrive lorsqu’il y a déjà n clients dans
le système a une probabilité J (n) de rentrer dans le système ( et 1 − J (n) de renoncer),
avec J fonction décroissante de IN sur [0, 1] et J (0) = 1.

On se ramène à un processus de naissance et de mort classique avec les taux :

λn = λJ (n) , µn = µ si n ∈ IN∗ et µ0 = 0.
Processus aléatoires et modélisation 73

λ0 ···λn−1 Q
n−1
Ainsi, λn−1 pn−1 = µpn , puis pn = µn
p0 , soit, avec ρ = λµ , pn = ρn J (k)p0 et
k=0

" +∞ n−1
#−1
X Y
n
p0 = 1 + ρ J (k) .
n=1 k=0

1
Exemple : J (n) = n+1
Q
n−1
1 ρn −ρ
J (k) = n!
, p0 = e−ρ et pn = n!
e : le nombre de clients dans le système suit alors
k=0
la loi de Poisson P(ρ) (de moyenne et de variance ρ).
taux effectif des entrées :
+∞ +∞ +∞
X X λ −ρ ρn X ρn 1
λ= λn pn = e = λe−ρ = λe−ρ (eρ − 1) = µ(1 − e−ρ )
n=0 n=0 1 + n n! n=0 (n + 1)! ρ

taux effectif des sorties :

+∞
X
µ= µn pn = µ(1 − p0 ) = µ(1 − e−ρ ) = λ
n=0

facteur d’utilisation effectif :

qe = 1 − p0 = 1 − e−ρ

proportion des clients qui renoncent à entrer :

λ−λ 1
= 1 − (1 − e−ρ ).
λ ρ
• Impatience “a posteriori” : durée d’attente limitée
→ dans la file : w ≤ τ0 .
Si un client de la file attent un temps τ0 dans la file, il quitte le système. Si w < τ0, il
reste, quelle que soit la durée du service.
→ dans le système : u ≤ τ0
Même si le service est commencé, le client peut quitter le système sans avoir terminé.
Si v est la durée du service (ou durée qu’aurait le service complet s’il est interrompu),
le temps effectif de service ṽ est alors (voir l’exercice précédent)

ṽ = min(v, τ0 − w).

Sous la condition u ≤ τ0 pour tous les clients, un client ne peut atteindre la limite du
temps que pendant son service. En effet, si il était dans la file, il n’aurait pas commencé
son service et donc, celui qui est devant lui, serait là depuis autant de temps : il aurait
dû partir...
74 Files d’attente

Quelques exercices

37 Une couturière emploie 2 ouvrières qui confectionnent chacune en moyenne 4 vêtements

par semaine. La demande étant passée à 10 vêtements par semaine, la couturière envi-
sage de recruter une nouvelle ouvrière : les 2 anciennes lui proposent alors de passer à 6
vêtements par semaine, si elles reçoivent chacune une augmentation égale à la moitié du
traitement prévu pour la nouvelle ouvrière. Les demandes étant Poissonniennes, et les
temps de confection exponentiels, cette solution est-elle aventageuse ?

38 Un taxi clandestin assure le transport de quelques voyageurs d’Orly Ouest à Orly

Sud. Par mesure de discrétion, il n’accepte que 4 personnes en attente. Selon son humeur,
il prend, s’il a le choix, 1 passager (avec la probabilité α = 12 ) ou 2 passagers le reste du
temps. La durée du trajet aller-retour étant exponentielle, de moyenne 10 minutes et les
arrivées Poissonniennes, au taux de 12 par heure, faire le graphe et en déduire le nombre
moyen de clients en attente et la proportion de clients perdus.

39 Un petit commerce à une caisse reçoit des clients de 2 types : les handicapés, qui
sont prioritaires, et les autres, dont les arrivées sont Poissonniennes, d’intensité respective
λ1 et λ2 . Les durées de services sont exponentielles de paramètre respectifs µ1 et µ2 . On
sert d’abord tous les handicapés.
Ecrire les équations vérifiées par les pm,n en régime stationnaire ( où pm,n est la probabilité
qu’il y ait m prioritaires et n non prioritaires).
En convenant que pm,n = 0 si m < 0 ou n < 0, on montrera que :
(λ1 +λ2 +µ1 (1−δm,0 )+µ2 (1−δn,0 )δm,0)pm,n = λ1 pm−1,n +λ2 pm,n−1 +µ1 pm+1,n +µ2 δm,0 p0,n+1 .
P +∞
+∞ P
Montrer que si G(s1 , s2) = sm n
1 s2 pm,n , alors :
m=0 n=0

  +∞
!
1 1 X
λ1 (s1 − 1) + λ2 (s2 − 1) + µ1 ( − 1) G(s1 , s2) = µ1 ( − 1) p0n sn2
s1 s1 n=0
+∞
!
1 X
− µ2 ( − 1) p0n sn2 .
s2 n=1

A l’aide d’un DL(2) au voisinage de (1, 1), en déduire le nombre moyen d’handicapés et
de clients dans le magasin.
A.N. : λ1 = 2, λ2 = 3, µ1 = 3, µ2 = 18.

40 On considère une petite agence à un employé, à capacité illimitée, à arrivées Poisson-

niennes d’intensité 4 clients par heure. Le service est, si tout va bien exponentiel, de durée
moyenne 10 mn mais hélas, une proportion β = 20% des clients, demande des explications
supplémentaires, de durée elles-aussi exponentielles, de moyenne 20 mn. Déterminer les
Processus aléatoires et modélisation 75

caractéristiques du système M/G/1 ainsi défini. Retrouver la valeur de L après avoir écrit
les équations vérifiées par les probabilités pni (n nombre de clients, i ∈ {1, 2} phase de ser-
vice du client que l’on sert). (On pourra, par exemple, déterminer la fonction génératrice
et effectuer un développement limité à l’ordre 1).

41 Les membres d’un club de Tennis se présentent à l’unique court du village suivant
un processus de Poisson d’intensité 2λ. Les joueurs occupent le court 2 par 2 dans leur
ordre d’arrivée, pendant une durée exponentielle de taux µ.
a) Tracer le graphe et écrire les équations vérifiées par les probabilités stationnaires.
Montrer que pour k ≥ 1, 2λpk = µ(pk+1 + pk+2 ) et que λ = µ(1 − p0 − p1 ).
b) On cherche une solution telle que pk = crk pour k ≥ 1. Montrer qu’alors r
satisfait r2 + r − 2λ
µ
= 0, qu’on doit avoir λ < µ, puis que p0 + c 1−r r
= 1 et en déduire pk .

42 Les appels Poissonniens arrivent au standard d’une concession automobile avec une
fréquence moyenne λ. La standardiste, un peu fainéante, prend un temps exponentiel
de taux µ1 avant de répondre. Les clients, un peu impatients, raccrochent sans réponse
au bout d’un temps exponentiel de taux µ2 . Sinon, la conversation est exponentielle de
taux µ. Lorsque la ligne est occupée, un seul appelant est mis en attente avec une jolie
musique et un signal d’appel informe la standardiste. Elle répondra au bout d’un temps
exponentiel de taux µ1 mais le client raccrochera au bout d’un temps exponentiel de taux
µ3 et la standardiste informée continuera tranquillement sa conversation.
Donner le graphe du système et les probabilités des états en régime stationnaire. Trou-
ver la proportion de temps passé au téléphone pour la standardiste et la proportion des
gens impatients si 8λ = 4µ = µ1 = 2µ2 = µ3 = 8.

43 Des clients se présentent suivant un processus de Poisson de taux λ. Il y a 2 guichets

et le service est composé de 2 phases successives indépendantes de même loi exponentielle
de taux µ.
a) Lorsqu’il n’y a aucune place en attente, donner le graphe et les probabilités
des états en régime stationnaire. Calculer la probabilité de rejet d’un client et le nombre
moyen de clients. Comparer avec un seul guichet sans attente de taux total µ.
b) Faire seulement le graphe dans le cas où il y aurait une capacité illimitée.

44 Un lavage “reflex” comporte 4 programmes de durées respectives 3mn, 5mn, 6mn

et 10mn, choisis avec les fréquences respectives 30%, 40%, 20% et 10%. Les arrivées des
voitures sont Poissonniennes, au rythme moyen de λ = 6 par heure et la durée du service
se décompose en 2 parties indépendantes : l’installation exponentielle de moyenne 1mn
et le lavage.
Déterminer les caractéristiques du système.

45 A un guichet de banque (1 serveur), les clients se présentent suivant un processus de

Poisson d’intensité λ. Tous les clients commencent par changer leurs francs en euros, ce
76 Files d’attente

qui prend un temps exponentiel de taux µ1 . Puis ils s’en vont avec la probabilité 1 − a,
ou font une autre opération, de durée exponentielle de taux µ2 , avec la probabilité a.
a) Déterminer le nombre moyen de clients dans la banque.
b) En introduisant les états (n, 1) et (n, 2) (suivant l’opération que le client servi est
en train d’effectuer), faire le graphe des transitions et vérifier que, lorsque µ1 (1 − a) = µ2
les probabilités pn = p(n,1) + p(n,2) sont celles d’une file M/M/1 dont on précisera le taux
de service.

46 Sur la plage de Marinella, un podium s’est installé. Des touristes se présentent suivant
un processus de Poisson de paramètre λ. Pour gagner des cadeaux, ils participent à tour
de rôle à un jeu de durée exponentielle de taux µ. Ce que tout le monde ignore hélas,
c’est qu’à partir de N vacanciers sur le podium, ce dernier s’écroule systématiquement
et chacun s’en retourne déçu. Le podium est alors reconstruit, ce qui prend un temps
exponentiel de taux β.
Faire un graphe à N + 1 états {0, 1, · · · , N − 1, C}, C correspondant au podium
cassé. Déterminer les probabilités stationnaires du système (montrer en particulier que
(λ−µ)2   ).
pC = N
(λ−µ)2 +βN (λ−µ)−βµ 1−( µ
λ)

47 Un cabinet médical travaille en permanence avec 2 médecins dont les patients arrivent
suivant un processus de Poisson d’intensité λi et dont les durées de consultation sont
exponentielles, de taux µi (i = 1, 2). Le cabine dispose d’une seule place d’attente,
commune aux 2 médecins.
Déterminer le graphe, les probabilités d’occupation de chaque état en régime station-
naire (états (i, j) où i (resp. j) est le nombre de patients du docteur 1 (resp. 2) dans le
cabinet). En déduire le nombre moyen de patients dans le cabinet, la proportion de temps
libre pour chaque médecin et la proportion de patients rejetés lorsque λ1 = 5, λ2 = 4,
µ1 = 3 et µ2 = 2. Quelle est la conclusion qui s’impose dans ce cas-là ?

48 Des étudiants se présentent à une photocopieuse suivant un processus de Poisson

d’intensité λ = 4 h−1 . On n’accepte que 2 étudiants dans le local et la durée de travail
de chacun est exponentielle de moyenne µ1 = 10 mn. La machine utilisée fonctionne
correctement pendant un temps exponentiel de moyenne γ1 = 15 mn (et ne tombe jamais
en panne au repos). Lors d’une panne, la réparation démarre aussitôt, sa durée étant
exponentielle de moyenne ν1 = 6 mn.
Sachant que, lorsqu’elle est en panne, 50% des étudiants acceptent de patienter, déter-
miner le graphe (6 états), la probabilité d’occupation de chaque état, le nombre moyen
d’étudiants dans le local, la probabilité que celui-ci soit plein et la proportion du temps
où la machine est en panne.