Vous êtes sur la page 1sur 15

GENERALITES SUR LA THEORIE DES GRAPHES

Un graphe G est un couple d’ensembles (X, E) formé de deux ensembles


disjoints X = {x1, x2,…...,xn} et E = {e1, e2,…., em} avec n, m Є N et n ≥ m tels que V i
= 1,……..,n, on a e = {xi, xj}, une paire.
Dans ce cas X est appelée ensemble des sommets du graphe et E est appelé
ensemble des arêtes.
Exemples : X = {1, 2, 3, 4}

e2 Arêtes
e7
Sommets
e3
e4 e6
e1

e5

L’ordre du graphe = n = nombre de sommets, E = {e 1, e2,…,e7}


e7 = {1, 2}, e4 = {2, 4}, e3 = {2, 4}, e1 = {1, 4}, e6 = {2, 3}, e2 = {1, 1}, e5 = {3, 4}
 Les extrémités d’une arête (e) sont les sommets reliés par l’arête (e).
 Notons que l’arête (e4) et (e3) sont deux arêtes parallèles dont l’union constitue
une arête multiple.
 Une boucle est une arête dont les extrémités sont confondues.
 L’ordre des graphes est le cardinal de l’ensemble des sommets (X). (cardinal :
nombre des éléments)
 On dit qu’un graphe est simple s’il n’admet ni boucles ni arêtes multiples.
 La classe des graphes simples occupe une importance particulière en théorie
des graphes.

RELATION D’ADJACENCE :
Soient deux (02) sommets (resp. 02 arêtes) de G = (X , E). Ils sont dits adjacents
(es) s’ils sont les extrémités d’une même arête (resp. si elles ont une extrémité
commune).
RELATION D’INCIDENCE :
V x Є X, V e Є E, on dit que e et x sont incidents si x est une extrémité de e.

VOISINAGE :
Soit a un sommet de G = (X, E), on définit le voisinage de a (ou l’ensemble de
voisins de a) comme l’ensemble des sommets de X adjacents à a.

REPRESENTATIONS MATRICIELLES :
Soit G = (X, E), un graphe d’ordre (n), on associe une matrice carrée A(G) = [a i j]
de dimensions (n*n) dont les rangées (lignes) sont indexées par les éléments de
l’ensemble X (sommets du graphe) définies par : a ij = nombre d’arêtes reliant i à j.
Cette matrice est appelée matrice d’adjacence.
Exemple :

e2 Arêtes

x1 e7 x2
Sommets
e3
e4 e6
e1

x3
x4
e5

1 2 3 4
1 1 1 0 1
2 1 0 1 2
3 0 1 0 1
4 1 2 1 0

Remarques : 1 - Symétrie de la matrice d’adjacence


2 - Intégrité (nombres entiers) des éléments de la matrice
3 - le graphe G est sans boucles est équivalent à :
V i (i = 1, N), on a: aii = 0
4 – le graphe G est sans arêtes multiples est équivalent à:
V i, j, on a: aij Є {0, 1}
Soit G = (X, E), un graphe d’ordre (n), on associe une matrice carrée M (G) = [m i j]
de dimensions (n*m) dont les rangées (lignes) sont indexées par les éléments de
l’ensemble X (sommets du graphe) et les colonnes indexées par les éléments de
l’ensemble E avec m i j = nombre de points d’incidence entre le sommet i et l’arête e j.
Cette matrice est appelée matrice d’incidence.

Exemple
M (G) =

e1 e2 e3 e4 e5 e6 e7
1 1 2 0 0 0 0 1
2 0 0 1 1 0 1 1
3 0 0 0 0 1 1 0
4 1 0 1 1 1 0 0

Remarques : 1 - La somme des coefficients d’une même colonne est toujours = 2


2 - Les coefficients de M (G) sont entiers (intégrité).
3 - le graphe G est sans boucles est équivalent à :
V I, j, on a: mij = 0 ou 1
4 – le graphe G est sans arêtes multiples est équivalent
à dire que M (G) n’a pas de colonnes identiques.

CONCEPTS DES GRAPHES ORIENTES

Définition :
Un graphe orienté G = {X, U}, formé de deux ensembles X = {x 1, x2, …., xn} et U
= {u1, u2, …., um} tels que V i (pour tout i), u i = ( xi, xk ) est un arc où xi est l’extrémité
initiale et xk est l’extrémité terminale.
Exemple : ( xi, xk ) ≠ ( xk, xi )
U est l’ensemble des arcs du graphe G = (X, U).
A l’ensemble U = {u1, u2, …, u7}, on peut associer deux applications I et T de la
manière suivante :
V u Є U, I (u) = extrémité (sommet) initiale de u.
T (u) = extrémité (sommet) terminale de u.

u1 u2 u3 u4 u5 u6 u7
I (u) 1 4 2 2 3 1 1
T (u) 2 2 4 3 4 4 1
Définition :
Il faut distinguer deux types d’incidences. En effet, soit G = (X, U) un graphe
orienté (simple).
V x Є X et u Є U, on dit que u est incident extérieurement à x si I (u) = x ; de
même, u est incident intérieurement à x si T (u) = x.
De là, on définit pour tout x, d+(x) = degré sortant de x qui est égal au nombre
d’arcs incidents extérieurement à x. De manière similaire, d -(x) = degré rentrant de x
est égal au nombre d’arcs incidents intérieurement à x.

PROBLEME CENTRAL D’ORDONNANCEMENT

Introduction
Les réalisations importantes telles que la construction d’un barrage, les
centrales électriques, la construction d’un immeuble, d’une usine, d’un avion, le
fonctionnement d’une chaîne de fabrication, le programme d’essai en vol, etc.…
demandent une surveillance constante et une parfaite coordination des différentes
cellules de travail pour éviter les pertes de temps souvent coûteuses. Les problèmes
relatifs à l’organisation et à la coordination des tâches sont appelés les problèmes
d’ordonnancement. Comme l’objectif envisagé dans la réalisation suppose
l’exécution préalable de multiples tâches soumises à plusieurs contraintes et de
déterminer l’ordre et le calendrier d’exécution des différentes tâches.
Le cas particulier que nous allons étudier ne prend en compte que les
contraintes de succession (dans le temps).
L’objectif envisagé dans notre étude ou notre projet à réaliser se décompose en
opérations élémentaires. Chaque tâche (opération) i est caractérisée par sa durée
qu’on note d (i) et par les contraintes qui la relient à d’autres tâches.
La modélisation et la représentation des problèmes d’ordonnancement à l’aide
des graphes permettront une bonne appréhension globale du problème.
L’étude du graphe représentatif permettra alors d’identifier les tâches prioritaires
et de détecter à temps (pour prendre les mesures correctives nécessaires) les
retards ou les dépassements de ressources (de moyens).
Pour la modélisation des problèmes d’ordonnancement, nous avons deux
représentations possibles :
(i) Graphes potentiels tâches (1960) par Bernard ROY (méthode liée aux
arcs).
(ii) Graphes potentiels étapes (1958) - P.E.R.T : Program Evaluation Review
Task or Technique (méthode liée aux sommets).

A/ Graphes Potentiels Tâches (1960: Bernard ROY):


A partir d’un projet donné, on construit le graphe
Prédécesseurs : projet fin
associé suivant : Successeurs retour au début
 A chaque tâche i = 1, n, on associe un sommet i.
 On définira un arc (i, j) de longueur (di, sj), la tâche i doit précéder la tâche j.
 Le graphe ainsi obtenu est sans circuit. En effet, dans le cas contraire, une
opération (tâche) doit se succéder à elle-même.
 Par contre, il existe des sommets sans prédécesseurs comme il existe des
sommets sans successeurs.
Dans ce cas, on ajoutera aux graphes deux sommets O et F correspondant à
deux tâches (sommets) fictives, respectivement la tâche de début de travaux de
durée 0 qui doit être antérieure à toute autre tâche (pour cela,u il faut la relier à tous
les sommets sans prédécesseurs), et la tâche de fin de travaux (F) qui doit être
reliée à toutes les tâches sans successeurs.

Définitions :
La date au plus tôt d’une tâche ( t i ) : le début de la tâche i est égale à
t i = Max (t j + d j), j Є X, c.à.d t j égale à la longueur du plus long chemin µ (o, i).
La durée minimale du projet ( t f ) est la longueur du plus long chemin µ (o, F)
de o à F.
Supposons qu’on nous a fixé la durée t F (durée du projet)
La date au plus tard ( T i ) pour commencer la tâche (i) est égale à
T i = min ( Tj - di ), Ɐ j Є X et (i,j) Є U
Ce qui montre que T i = tf – l (i , F)
On définit la marge mi = T i – t i, de manière générale, on a : Tj – ti ≥ d i

METHODE P. E. R.T (program évolation revieu tach)


Cette méthode se caractérise par :
- Chaque tâche (ou opération) est représentée par un arc.
- On associe à chaque tâche sa durée d’exécution di
- Les sommets du graphe représentent la fin des opérations (tâches) ou
opérations partielles.
- La disposition des sommets traduit les contraintes d’antériorité (ou succession
ou précédence ou simultanéité).

TECHNIQUES DE RESOLUTION DES PROBLEMES

1) Programmation linéaire : Méthode du Simplexe


La technique, sans doute, la plus connue et dont le succès (aussi bien comme
outil de résolution de problèmes que comme théorie mathématique) a largement
contribué au succès initial de la R.O. Il s’agit de problème d’optimisation dont la
fonction « objectif » est linéaire tandis que les contraintes sont des équations et des
inéquations linéaires, l’algorithme du Simplexe en est l’outil principal de résolution de
ce genre de problèmes.

2) Théorie des graphes :


La théorie des graphes est un outil de modélisation d’un usage quasi-universel.
Ce cours contient donc une présentation des concepts fondamentaux (connexité,
arbres et arborescences, cycles et cocycles, circuits et cocircuits).
3) Optimisation dans les réseaux :
Ce cours traite des algorithmes de détermination de la connexité (ou
connectivité) d’un graphe, les algorithmes de flots et de tensions, les algorithmes de
cheminement - les notions de plus court (ou long) chemin – les problèmes
d’ordonnancement, etc.

4) Optimisation Combinatoire
Ce cours traite des problèmes combinatoires à espace d’état discret. Il englobe
la théorie de la complexité algorithmique tels que les problèmes dits difficiles ou NP-
complets, la programmation en nombres entiers et les méthodes de résolution de
résolution y afférentes telles que la méthode de séparation et évaluation progressive
(dite SEP ou ‘‘Branch and Bound’’), la méthode des coupes ou de l’étude
polyhédrale, la programmation dynamique et les méthodes approximatives (ou
heuristiques).

5) Processus Aléatoires
Ce cours traite des problèmes où intervient le hasard, i.e. l’aléatoire, tels que les
problèmes de files d’attente, de fiabilité. Ce cours fait appel à la théorie des
probabilités et aux calculs statistiques.

METHODE DU SIMPLEXE (Programmation Linéaire)

La découverte par G. DANTZIG, en 1947, de l’algorithme du Simplexe est


certainement une étape décisive dans l’histoire (très courte) de la Recherche
Opérationnelle. Cet outil (algorithme) s’est révélé, en effet, d’une efficacité
imprévisible pour résoudre tous les problèmes (qui trouvaient d’ailleurs leurs origines
dans des secteurs très variés) aussi bien civils que militaires (notion de dualité)
pouvant se modéliser comme des programmes linéaires (P.L)
Simplexe P.L écrit : -sous forme canonique
- sous forme standard
La programmation linéaire (P.L) s’intéresse à la réalisation des problèmes qui
peuvent être modélisés par des équations linéaires de type A . x = b, Z = C . x où A
est une matrice de dimensions (m*n) et x et b sont des vecteurs colonnes de
dimensions (n).
(P) {A. x = b, Z (Max) = C. x est écrit sous forme canonique par rapport à la
base réalisable (J).
 A (J) est à une permutation près de colonnes, la matrice identité.
 b ≥ 0 (puisque la base est réalisable)
 C (J) = 0

ENONCE DE L’ALGORITHME DU SIMPLEXE

I / Initialisation
 Le P.L (P) : { A . x = b, Z(Max) – α = C . x est écrit sous forme standard
par rapport à une base réalisable J.
 Soit ‘’Col’’ une application colonne
 Soit une solution de base réalisable x(J) telle que :
X*Col(i) = bi (i = 1,…,m) pour i Є J
X*j = 0 pour j Є JBAR
 Evaluation initiale (α)
 Matrice des coefficients du PL (P) : M

II / Choisir s (indice de colonne) tel que Cs > 0

2-1/ S’il n’existe pas de s tel que Cs > 0, alors Terminer :


 J base optimale
 x* solution optimale
 Z(x*) = α

2-2/ Sinon, aller en III

III/ Déterminer l’ensemble des indices de lignes I tel que :


I = { i / Asi > 0 }
3-1/ Si I = Ø, Terminer, le P.L n’a pas de solution optimale
3-2/ Sinon (I ≠ Ø), aller en IV

IV/ Soit K (ensemble d’indices de I) tels que :


K = { k │bk / Aks = min i Є I {bi / Ais } }
V/ Soit r Є K, alors :
Effectuer Pivotage (m +1, n +1, r, s, M)
J’ = J U {s} \ Col (r) : Nouvelle base réalisable
M’ = Pivotage (m +1, n +1, r, s, M)
x’s = br / Ars , x’Col(i) = bi - Ais . x’s , nouvelle solution de base réalisable avec
x’j = 0 V j Є Jbar \ {s}

VI / Nouvelle évaluation α’ = α + Cs. br / Ars


Poser J = J’, M = M’, Col(r) = s, x* = x’, α* = α’
Aller en II.

EXERCICE :
Soit le programme linéaire suivant : (P .L) x 1 + x2 ≤ 2
- x1 + x2 ≤ 3 xj ≥ 0
x1 ≤ 4
3 x1 + 2 x2 = Z(Max) - 0
Le programme linéaire est donné sous forme canonique.
Ecrivons-le sous forme standard en ajoutant des variables d’écart.
x1 + x2 + x3 = 2
(P. L)  - x1 + x2 + x4 = 3 xj ≥ 0 (j = 1,....,5)
x1 + x5 = 4

3 x1 + 2 x2 + 0.x3 + 0.x4 + 0.x5 = Z (Max)

Dressons le tableau du Simplexe :

T0 X1 x2 x3 x4 x5 b
x3 1 1 1 0 0 2
x4 -1 1 0 1 0 3
x5 1 0 0 0 1 4
Z 3 2 0 0 0 0

T1 X1 x2 x3 x4 x5 b
x1 1 1 1 0 0 2
x4 0 2 1 1 0 5
x5 0 -1 -1 0 1 2
Z 0 -1 -3 0 0 -6

Cs < 0 (tous les coûts marginaux sont négatifs), donc le tableau du Simplexe T 1
est optimal et la fonction économique (objectif) optimale est Zmax = 6

COMPLEMENTS SUR L’ALGORITHME DU SIMPLEXE


(Mise sous forme canonique)
Le programme linéaire (contraintes linéaires et fonction objectif linéaire) (P. L) se
présente comme suit :
(P.L) * Contraintes
* Fonction objectif (dite aussi fonction économique)
* contraintes de positivité et/ou d’intégrité
Exemple:
5x1 - 2x2 + 4x3 = 8
(P. L)  x1 + 3x2 + 8x3 ≥ 25 xj ≥ 0 (j = 1,....,3)
9x1+ 6x2 - 3x3 ≤ 17
Exemple de contraintes non linéaires
5x12 + 2x2 +4x3 = 8
x1.x2 + 8x3 ≥ 25
Notation :
Z (Max) = 3x1 - 2x2 + 8x3 signifie maximiser Z
Z (min) = - 3x1 + x3 signifie minimiser Z

Mises sous forme canonique :


(T1) : Si une variable x3 est négative, on la remplace par une variable positive
x’ 3 = - x3
Exemple : Max Z = 3x1 - 2x2 + 8x3
S.C : 5x1 - 2x2 + 4x3 ≤ 8
x1 - 3x2 + 8x3 ≤ 25 x1 ≥ 0, x2 ≥ 0, x3 ≤ 0
9x1 + 6x2 - 3x3 ≤ 17

Equivalent à :
Max Z = 3x1 - 2x2 - 8x’3
S.C : 5x1 - 2x2 - 4x’3 ≤ 8
x1 - 3x2 - 8 x’3 ≤ 25 x1 ≥ 0, x2 ≥ 0, x’3 ≥ 0
9x1 + 6x2 + 3 x’3 ≤ 17

(T2) : Si une variable n’a pas de contrainte de signe (‘’unsigned’’), on la remplace par
deux variables positives x’1 et x’’1 telles que :
x 1 = x’1 - x’’1
Exemple : Max Z = 3x1 - 2x2 + 8x3
S.C : 5x1 - 2x2 + 4x3 ≤ 8
x1 - 3x2 + 8x3 ≤ 25 x1 ≥ 0, x2 ≥ 0, x3 : quelconque
9x1 + 6x2 - 3x3 ≤ 17

En posant x 3 = x’3 - x’’3, on obtient :


Max Z = 3x1 - 2x2 + 8x’3 - 8x’’3
S.C : 5x1 - 2x2 + 4x’3 - 4x’’3 ≤ 8
x1 - 3x2 + 8 x’3 - 8x’’3 ≤ 25 x1 ≥ 0, x2 ≥ 0, x’3 ≥ 0, x’’3 ≥ 0
9x1 + 6x2 - 3 x’3 + 3 x’’3 ≤17
(T3) : Si le P. L a une contrainte de supériorité (≥), on la remplace par une contrainte
d’infériorité (≤) en multipliant les deux membres de l’inéquation par (-1).
Exemple : Max Z = 3x1 - 2x2 + 8x3
S.C : 5x1 - 2x2 + 4x3 ≤ 8
x1 - 3x2 + 8x3 ≤ 25 x1 ≥ 0, x2 ≥ 0, x3 : quelconque
9x1 + 6x2 - 3x3 ≥ 17

En multipliant les deux membres de la dernière contrainte par (-1) , on obtient :


Max Z = 3x1 - 2x2 + 8x3
S.C : 5x1 - 2x2 + 4x3 ≤ 8
x1 - 3x2 + 8x3 ≤ 25 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
- 9x1 - 6x2 + 3x3 ≤ -17

TECHNIQUES DE RESOLUTION DES PROBLEMES (Suite)


(Problèmes de cheminement)

ALGORITHME DE DJIKSTRA

Les problèmes de cheminement se décomposent en trois grandes


problématiques A, B, C :

Problématique A : Soit le réseau R = (X U, d), on cherche un plus court (ou plus
long) chemin d’un point s spécifié à un point p spécifié.

Problématique B : Soit le réseau R = (X U, d), on cherche les plus courts (ou les
plus longs) chemins d’un point s spécifié à tous les autres points du réseau. C’est
l’algorithme de MOORE-DJIKSTRA qui détermine l’arbre des plus courts chemins.

Problématique C : Soit le réseau R = (X U, d), dans cette problématique, on


cherche le plus court (ou le plus long) chemin entre deux points quelconques x et y
du réseau. C’est l’algorithme de FLOYD qui est un algorithme matriciel.

ALGORITHME DE MOORE-DJIKSTRA
But : Recherche d’un plus court chemin de 1 à x Є { X \ {1} } V x Є X
d(u) ≥ 0, Π : une mesure de distance.
a) Initialisation
1 Є S, Sbar: = X \ {1}, Π (1) = 0, Π (i) = infinity, V I Є Sbar
Π (i) = d (1, i) si (1, i) Є U

b) Sélectionner (choisir): j Є Sbar tel que :


Π (j) = min { Π (i), i Є Sbar } , d’où Sbar := Sbar \ { j } et S := SU { j }

Test : Si Sbar = Ø, Fin (STOP)


Sinon (Sbar ≠ Ø) aller en (c)

c) Phase de recherche
Pour tout u Є U tel que I (u) = j et T (u) Є Sbar, faire :
Π (T(u) = min { Π (T(u), Π (j) + d(u) } et retourner à b)

Exemple : Soit le réseau R = (X, U, d) suivant :

4
4 4
2 2 5
1 5
5
1 2

3
1 3 6
7
a) Initialisation: S = { 1 }, Sbar  := X \ { 1 } = { 2, 3, 4, 5, 6 }
Π mesure une distance, Π (1) = 0, Π (2) = 7, Π (3) = 1
Π (4) = Π (5) = Π (6) = Infini

b) Sélection, choisir j Є Sbar tel que Π (j) = min { Π (i), i Є Sbar }


Soit j = 3, donc S = { 1, 3 } et Sbar = { 2, 4, 5, 6 }

c) Traitement (3, 2) Π (2) = min (7, 1+5) = 6


(3, 5) Π (5) = min (inf, 1+2) = 3
(3, 6) Π (6) = min (inf, 1+7) = 8

b) Sélection, choisir j = 5, S = { 1, 3, 5 } et Sbar = { 2, 4, 6 }

c) Traitement (5, 2) Π (2) = min (6, 3+2) = 5


(5, 4) Π (4) = min (inf, 3+5) = 8
b) Sélection, choisir j = 2, donc S = { 1, 3, 5, 2 } et Sbar = { 4, 6 }

c) Traitement (2, 4) Π (4) = min (8, 5+4) = 8


(2, 6) Π (6) = min (8, 5+1) = 6

b) Sélection, choisir j = 6, donc S = { 1, 3, 5, 2, 6 } et Sbar = { 4 }


b) Sélection, choisir j = 4, donc S = { 1, 3, 5, 2, 6, 4 } et Sbar = Ø.

INTRODUCTION A LA THEORIE DE PRISE DE DECISION

Théorie de la décision Bayesienne :


Nous avons d’après la relation de BAYES :
P (A / B). P (B) = P (B / A). P (A)
Preuve
P (A / B) = P (A ∩ B) / P (B) et P (B / A) = P (B ∩ A) / P (A)
Comme P (A ∩ B) = P (B ∩ A), donc P (A / B). P (B) = P (B / A). P (A) (C.Q.F.D)

Illustration par un problème de détection  :


Soient les hypothèses et les décisions suivantes :
H1 : Existence de cible dans l’espace aérien surveillé
H0 : Absence de cible dans l’espace aérien surveillé
D0 : Décider qu’il n y a pas de cible
D1 : Décider qu’il y a une cible
Dans ce cas nous obtenons les probabilités conditionnelles suivantes :
P (D0 / H0), P (D1 / H0), P (D0 / H1), P (D1 / H1) qui se présentent sous forme de
tableau:

H0 H1
D0 P (D0 / H0) P (D0 / H1)
D1 P (D1 / H0) P (D1 / H1)

Avec: P (D0 / H0) : Décision banale (situation triviale)


P (D1 / H0) : Décision de l’existence de cible alors qu’elle n’existe pas réellement.
Erreur de première espèce (moins grave) : C’est la PFA.
P (D0 / H1) : Décision de l’inexistence de cible alors qu’elle existe.
Erreur de deuxième espèce (plus grave) : c’est la PND.
P (D1 / H1) : Probabilité de détection (PD).

Nous avons :
P (D0 / H0) + P (D1 / H0) = 1
P (D0 / H1) + P (D1 / H1) = 1

Test de NEYMAN – PEARSON


Tester l’hypothèse H0 contre l’hypothèse H1 :
P (D1 / H1) / P (D1 / H0) ≥ seuil (Lambda) décider l’hypothèse H 1
P (D1 / H1) / P (D1 / H0) < seuil (Lambda) décider l’hypothèse H 0

TECHNIQUES QUANTITATIVES DE PRISE DE DECISION

Définitions :
1) Chaîne de Markov : succession d’états : X = {Xn; u Є N}
Soit { Ώ, Ρ } un espace probabilisable, soit le processus stochastique
X = {Xn; u Є N}, X est appelé chaîne de MARKOV (C.M) si:
P (Xn = j / Xn-1 = in-1, Xn-2 = in-2,……. X1 = i1, X0 = i0) = P (Xn = j / Xn-1 = in-1).
On dit que le système (Σ) est à l’état j, à l’instant (n) si : Xn(ω) = j Vω Є Ώ.
Les probabilités Pij = Prob (Xn = j / Xn-1 = i) sont dites probabilités de
transition.
Si les Pij ne dépendent pas de n (temps discret), on dit qu’on a une
CHAINE DE MARKOV homogène.

2) Définition:
Soit P une matrice carrée, ses éléments sont des probabilités de
transition (Pij) avec (i, j Є E). P est une matrice stochastique si:
i/ 0 ≤ Pij ≤ 1
ii/ ∑ Pij = 1
Soit X = { Xn, n Є N } une C.M
P (X6 = j, X7 = k / X5 = i) = P (X7 = k / X6 = j, X5 = i) x P (X6 = j / X5 = i)
= P (X7 = k / X6 = j) x P (X6 = j / X5 = i)
= Pij x Pjk
Théorème:
V n Є N, m ≥ 1 et V i1, i2,...........in Є E, on a:
P (Xn+1 = i1, Xn+1 = i2, ,……. Xn+m = im / Xn = i0) = P i0 i1.P i1 i2......P im-1 im
= Πk=0,...,k=m P ik.P ik+1
Proposition
Pour tout m Є N, on a : P (Xn+m = j / Xn = i) = (Pij)m

Relation de CHAPMAN-KOLMOGOROV
P (Xn+m = j / X0 = i) = ∑k=0,…,k=n (Pik)n . (Pkj)m = (P)n+m = (P)n . (P)m

ANALYSE DES SYSTEMES

Définition
Le système est un ensemble d’entités interconnectées permettant
l’exécution d’une tâche (ou plusieurs tâches) déterminées.
Un système peut être fermé ou ouvert. Il peut être statique ou dynamique
(évolutif dans le temps ou dans l’espace). Il peut être aussi autonome ou non
autonome : la variable t (temps) ne figure pas explicitement dans un système
autonome, exemple f (x, y, t) = g(x, y).
On distingue les systèmes monovariables (S.I.S.O) caractérisés par des
fonctions de transfert et les systèmes multivariables (M.I.S.O, S.I.M.O,
M.I.M.O) caractérisés par des matrices de transfert (i.e. des matrices dont les
éléments ou les entrées sont des fonctions de transfert).
La base de l’analyse des systèmes (approche systémique) part de la
modélisation des systèmes. On distingue deux approches de modélisation :
l’approche de représentation à base de connaissances, exemple : F=mΥ,
U = R.I, etc.…et l’approche d’identification à partir de la collecte de données
entrées/sorties qui est un problème inverse.