Vous êtes sur la page 1sur 35

PROCESSUS STOCHASTIQUES

Mme Zainab BELALIA


zainab.belalia@gmail.com

Génie industriel
Ecole Mohammadia d’Ingénieurs
Université Mohammed-V
Rabat, Maroc

Semestre Automne 2019


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Plan de cours

1 Introduction au processus stochastiques

2 Processus de Markov

3 Processus de Poisson

4 Processus de naissance et de mort

5 Étude des files d’attente

2/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

1 Introduction au processus stochastiques

2 Processus de Markov

3 Processus de Poisson

4 Processus de naissance et de mort

5 Étude des files d’attente

3/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

1 Introduction au processus stochastiques

2 Processus de Markov

3 Processus de Poisson

4 Processus de naissance et de mort

5 Étude des files d’attente

4/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

1 Introduction au processus stochastiques

2 Processus de Markov

3 Processus de Poisson
Introduction
Caractérisation d’un Processus de Poisson

4 Processus de naissance et de mort

5 Étude des files d’attente

5/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Introduction
Arrivées d’appels à une centrale téléphonique ;
Passage de taxis ;
Passage de véhicules à un péage d’autoroute ;
Arrivées de clients à un guichet ;
Occurrence d’accidents dans une ville ;
Pannes de machines dans une usine ;
Ces phénomènes peuvent se définir soit par la famille (An )n∈N∗ des
temps d’arrivées qui sont des variables aléatoires ;
OU, définis par la famille (Tn )n∈N∗ des intervalles de temps entre
deux arrivées ;
OU définis par le processus de comptage (Nt )t∈R+ , appelé
également le Processus de Poisson, avec Nt le nombre
d’événements apparus jusqu’à l’instant t. On conviendra que
N0 = 0.
6/35 Belalia PROCESSUS STOCHASTIQUES
Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Définition d’un processus de comptage

Le processus (Nt )t∈R+ est appelé processus de comptage si c’est


un processus croissant, c’est-à-dire si pour tout s ≤ t, on a :
Ns ≤ Nt .
La variable aléatoire Nt − Ns est alors appelée accroissement du
processus sur l’intervalle ]s; t[.

7/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Représentation du processus de comptage

Figure – Processus de comptage

8/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Définition 1

Le processus de comptage (Nt )t∈R+ est appelé processus à


accroissement indépendants si pour tout n ∈ N∗, et pour tout
t1 , ...tn tels que t1 ≤ t2 ≤ ... ≤ tn , les accroissements Nt1 − N0 ,
Nt2 − Nt1 , ..., Ntn − Ntn−1 sont des variables aléatoires
indépendantes.

Ceci se traduit par le fait que les arrivées qui se produisent dans
des intervalles de temps disjoints, ne sont pas liées entre elles.

9/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Définition 2

Le processus est dit stationnaire si pour tout s et pour tout t,


l’accroissements Nt+s − Ns a même loi que Nt .

Cette définition est semblable à l’axiome d’homogéneité pour les


chaînes de Markov : seule la durée écoulée entre deux instants (et
non pas les deux instants eux-mêmes) permet de déterminer la loi
de l’accroissement.

10/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Définition 3 : la loi des évenements rares

Un processus à accroissements indépendants stationnaire (Nt )t∈R+


est dit à évenements rares si limh→0+ P([Nh ≥ 0]) = 0 et si
h ≥1])
limh→0+ P([N
P([Nh =0]) = 0.

Cette définition traduit l’improbabilité d’arrivées simultanées.

11/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Propriété

Un processus de comptage (Nt )t∈R+ tel que N0 = 0, est un


processus de Poisson si et seulement si il vérifie les trois propriétés
suivantes :
(Nt )t∈R+ est stationnaire ;
(Nt )t∈R+ est un processus à accroissements indépendants ;
Il existe λ > 0 tel que, pour tout t ≥ 0, la variable aléatoire
Nt suive la loi de Poisson de paramètre λt. λ est appelé
intensité du processus de Poisson.
Remarque : Le processus (Nt )t∈R+ est une chaîne de Markov
homogène à espace d’états discrets et à temps continu.

12/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Caractérisation d’un processus de Poisson par les instants


d’inter-arrivées

Théorème : (Nt )t∈R+ est un processus de Poisson de paramètre λ


si et seulement si les instants d’inter-arrivées sont des variables
aléatoires Tn indépendantes de même loi exponentielle E(λ), de
densité :

fTn (t) = λe −λtn si 0 < t1 < t2 < ... < tn ; (1)

fTn (t) = 0 sinon. (2)

13/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Introduction
Processus de Poisson
Caractérisation d’un Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Travaux dirigés

14/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

1 Introduction au processus stochastiques

2 Processus de Markov

3 Processus de Poisson

4 Processus de naissance et de mort

5 Étude des files d’attente

15/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Définition

Un processus de naissance et de mort est un processus de Markov


à temps continu, tel que de l’état i ≥ 0 , on ne puisse aller que
vers l’état (i − 1) ou vers l’état (i + 1).

16/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Définition : processus de naissance pur

Si ∀i, µi = 0, alors on parle de processus de naissance pur.


Le processus de Poisson peut être considéré comme un
processus de naissance pur.
On note λi les taux de naissance. Le temps avant une
naissance est de loi exponentielle E(λi ).
(voir graphe au tableau)

17/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Définition de mort pur

Si ∀i, λi = 0, on parle alors de processus de mort pur.


On passe de l’entier i ≥ 1 à l’entier précédent, avec un temps
Ti suivant une loi exponentielle E(µi ).
On note µi les taux de mort, avec µ0 = 0.

18/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Processus de naissance et de mort : remarque

Le processus de naissance et de mort combine le processus de


naissance et de mort en un seul.
Une fois à l’état i ≥ 0, on y reste un temps de loi
exponentielle E(λi + µi ), avant d’aller soit :
λi
à l’état (i + 1) avec la probabilité λi +µi
µi
à l’état (i − 1) avec la probabilité λi +µi

19/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Processus de Markov
Processus de Poisson
Processus de naissance et de mort
Étude des files d’attente

Distribution stationnaire

Au tableau.
Exercice d’application :
On considère une station de taxis dans un aéroport où les taxis et
les clients arrivent selon des processus de Poisson d’intensité 2 et
3, respectivement. On suppose qu’un taxi attend à la station, quel
que soit le nombre de taxis présents lors de son arrivée. En
revanche, si un client ne trouve pas de taxi à son arrivée, il décide
d’utiliser un autre moyen de transport.
1 Modéliser le processus d’attente du nombre de taxis.
2 Déterminer la distribution stationnaire.
3 Quelle est la proportion moyenne à long terme des clients qui
prennent un taxi ?

20/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

1 Introduction au processus stochastiques

2 Processus de Markov

3 Processus de Poisson

4 Processus de naissance et de mort

5 Étude des files d’attente


Modélisation des files d’attente
Modélisation de la longueur de la file
Etude de la file en régime stationnaire
Travaux dirigés

21/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Modélisation d’une file d’attente

Figure – Modèle simple de file d’attente

Modéliser les processus d’arrivée et de service


Spécifier les paramètres structurels du système (capacité de
stockage, nombre de serveurs, ...)
Spécifier les politiques opérationnelles (conditions
d’acceptation des requêtes client, traitement de priorité
(FIFO, LIFO, ...)
22/35 Belalia PROCESSUS STOCHASTIQUES
Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Modéliser le processus d’arrivée : temps inter-arrivées

Tk : v.a. qui représente le temps entre l’arrivée k − 1 et l’arrivée k


(appelé aussi temps inter-arrivées). On suppose que les événements
de la séquence {Tk } sont indépendants et identiquement distribués
(iid). Soit k, un entier allant de 1 à n, nombre total d’arrivées.
Indépendants car l’arrivée Tk ne dépend pas de l’arrivée Tk−1
ou tout autre événement qui précède ;
Identiquement distribués car les arrivées {T1 , T2 , ..., Tn }
suivent tous le même modèle stochastique.
Rappelons que {T1 , T2 , ..., Tn } suivent une même loi
exponentielle de paramètre λ, appelé aussi le taux d’arrivée.
E (Tk ) = λ1 .

23/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Modéliser le processus d’arrivée : nombre d’arrivées


Nt : v.a. le nombre d’arrivées dans le système pendant l’intervalle
de temps [0; t]. Rappelons que :
Si T1 est l’instant d’arrivée de la première personne, ce qui
signifie de T1 est également de temps inter-arrivée de la
première personne dans le système, nous avons,
P(T1 > t) = P(Nt = 0) = e −λt (voir TD processus de
Poisson).
λt k −λt
et, P(Nt = k) = k! e .
On dit que les arrivées sont “poissoniennes”.
E (Nt ) = λt.
Note : Modélisation par les temps An , d’arrivée de la n − ième
personne (au tableau).

24/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Modéliser le processus de service

Soit Sn la durée de service de la n − ième personne. Il est aisé de


démontrer que cette durée suit une loi exponentielle de paramètre
µ, appelé aussi le taux de service.
Le temps de service est également iid.
P(Sn > t) = e −µt .

25/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Spécifier les paramètres structurels

Capacité de stockage de la file d’attente : équivalent au


nombre d’évènements pouvant être en attente dans la file
simultanément, K = 1, 2, .....
Nombre de serveurs, m = 1, 2, ....
Dans un modèle simple de file d’attente, K = ∞, et m = 1.

26/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Spécifier les politiques opérationnelles

1 Nombre de classes d’évènements


Modèle à classe unique : tous les événements (ou clients) sont
traités de manière égale.
Modèle à plusieurs classes : prendre en compte les exigence de
service, les évènements sont différents.
2 Politique d’ordonnancement et d’attente :
Définir les priorités de service.
Définir les règles d’admission de l’évènement dans la file.
Définir l’ordre de traitement des évènements en attente (FIFO,
LIFO).

27/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Notation classique en théorie des files d’attente


A/B/m/K
A : distribution du temps d’inter-arrivée.
B : distribution du temps de service.
m : nombre de serveurs.
K : capacité de stockage de la file.
Si K est omis, on suppose qu’elle est infinie. Notation
courante pour A et B :
G : distribution générale, arbitraire (lorsque rien de plus n’est
connu.
D : déterministe, avec arrivées/services à temps fixe.
M : Markovien, sans mémoire, avec des inter-arrivées/services
suivant une loi exponentielle.
28/35 Belalia PROCESSUS STOCHASTIQUES
Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Variables aléatoire du système, et relation entre elles


Dt : le nombre aléatoire de clients sortis du système pendant
l’intervalle de temps[0; t].
Nt : nombre d’arrivées.
Qt : longueur de la file à l’instant t, c’est-à-dire, le nombre de
personnes présentes dans le système (en attente ou en
service).
On a alors : Qt = Nt − Dt .
On dit que le processus (Qt )t∈R+ est un processus de
naissance et de mort de taux de naissance λ et de taux de
mort µ.
Wn : temps d’attente du n − ième client présent dans la file
(entre l’arrivée et de début de service).
σn : instant de sortie du n − ième client.
σn = An + Wn + Sn .
29/35 Belalia PROCESSUS STOCHASTIQUES
Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Longueur limite de la file

Condition de stationnarité : λ < µ.


Remarque : lorsque λ > µ, on montre que Qt devient infini en
temps infini ; le flux des arrivées est plus important que celui
des sorties et le système est saturé. On parle de file transitoire
(graphe).
π0 = P(Q∞ = 0) = 1 − µλ .
π = (1 − µλ )( µλ )n .

30/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Mesure de performance de la file


λ
Longueur moyenne de la file : E (Q∞ ) = µ−λ .
λ
Attente moyenne d’un client : E (W∞ ) = µ(µ−λ) .
1
Temps de séjour moyen d’un client : E (W∞ + S∞ ) = µ−λ .
Ces différentes quantités sont reliées par la formule de Little :
E (Q∞ ) = µE (W∞ ) = λE (W∞ + S∞ ).
Temps d’activité moyen du serveur (avec B∞ , le temps
d’activité, ou busy time en régime stationnaire) :
1
E (B∞ ) = µ−λ .
Remarque : le serveur connaît deux périodes, la première est
une période d’activité durant laquelle il sert les clients de
manière continuelle. La deuxième est une période de vacances
(idle time) qui est la durée d’attente pour le serveur d’une
nouvelle arrivée lorsque la file est vide.
31/35 Belalia PROCESSUS STOCHASTIQUES
Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Exercice 1 : file M/M/1

Files d’attentes simples markoviennes : Soit un guichet modélisé


par une file M/M/1. Un client arrive en moyenne toutes les 12
minutes. La durée moyenne de service est de 8 minutes. Déterminer
la probabilité qu’au moins 2 clients attendent dans le système.

32/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Exercice 2 : file M/M/1

Déterminer le taux de service µ d’un système informatique, de telle


sorte que le temps de séjour moyen d’une tâche soit inférieur à 0, 5
secondes. Le taux d’arrivée d’une tâche est de 1 tâche par seconde.

33/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

Exercice 3 : M/M/1

Définir le taux d’arrivée λ de messages maximum pour que le


temps d’attente moyen d’un message soit inférieur à 1 seconde.
Les messages sont de longueur L bits, distribués selon une loi
exponentielle de paramètre 1/600 bits −1 . La vitesse de
transmission du système est de C = 1200bits/seconde.

34/35 Belalia PROCESSUS STOCHASTIQUES


Introduction au processus stochastiques
Modélisation des files d’attente
Processus de Markov
Modélisation de la longueur de la file
Processus de Poisson
Etude de la file en régime stationnaire
Processus de naissance et de mort
Travaux dirigés
Étude des files d’attente

35/35 Belalia PROCESSUS STOCHASTIQUES