3ème année Département Informatique - 2012/2013

Modèles stochastiques
NOM :
Mercredi 23 janvier 2013 de 8h à 10 h
Prénom : Aucun document ni calculatrice

Le texte comporte 6 pages à rendre. Toutes les réponses doivent être justifiées et impérativement portées
sur les pages du sujet (questions de cours et deux exercices). Rédiger les justifications demandées de manière
succincte et uniquement dans les cadres prévus. Des rappels de cours figurent en page 6.

Questions de cours
1. Compléter les différentes cases du tableau (si nécessaire, rayer les mentions inutiles) :

Chaîne de Markov Chaîne de Markov

à temps discret à temps continu
Espace temps inclu dans
Espace d’état inclu dans
Que contient la matrice de
transitions ?
Que contient le générateur in-
ifinitésimal ?
Peut être apériodique ? oui non oui non
Peut être récurrente ? oui non oui non
Peut être récurrente positive ? oui non oui non
Condition(s) d’existence du
régime stationnaire

Un processus de Poisson peut oui non oui non

être utilisé dans le modèle ?
2. La période di d’un état i d’une chaîne de Markov à temps discret existe et est définie par
– di = PPCM{n ∈ N∗ : Pii (n) > 0}  Vrai  Faux
– Si il existe n0 ∈ N∗ tel que ∀n ≥ n0 , Pii (n) > 0 alors di = n0  Vrai  Faux
∗
– di = PGCD{n ∈ N : Pii (n) > 0}  Vrai  Faux
3. La période di d’un état i d’une chaîne de Markov à temps continu existe et est définie par
– di = PPCM{t > 0 : Pii (t) > 0}  Vrai  Faux
– di = PGCD{t > 0 : Pii (t) > 0}  Vrai  Faux
4. Une chaîne de Markov à temps continu ayant un nombre fini d’états possède au moins un état
transitoire ?
 Vrai  Faux
Justifier la réponse faite.

5. Soit a et b deux réels de l’intervalle ]0, +∞[. On note Pij (h), les probabilités de transition d’une

1
 chaîne de Markov à temps continu d’espace d’états {1, 2, 3} définies par
  
 P11 (h) = 1 − ah + o(h)  P21 (h) = bh + o(h)  P31 (h) = bh + o(h)
P12 (h) = ah + o(h) ; P22 (h) = −(a + b)h + o(h) ; P32 (h) = o(h)
P13 (h) = o(h) P23 (h) = ah + o(h) P33 (h) = 1 − bh + o(h)
  

Écrire le générateur infinitésimal associé.

 
...... ...... ......
 
 
 ...... ...... ...... 
 
 
...... ...... ......

Exercice 1
On considère une chaîne de Markov à temps discret d’espace d’états E = {1, 2, 3, 4, 5, 6, 7, 8} et dont
le graphe de transition est représenté sur la figure suivante :

1. (a) Quelles sont les différentes classes d’équivalence.

(b) Cette chaîne est-elle irréductible ?  Vrai  Faux

(c) Que constate t-on de particulier pour l’état 6 ?

2. Étudier la périodicité de tous les états de cette chaîne.

3. Préciser la nature des états (transitoires, récurrents) puis parmi les états récurents, ceux qui sont
positifs et ceux qui sont nuls.

2
 État(s) transitoire(s) :
État(s) récurrent(s) :

État(s) récurent(s) positif(s) :

État(s) récurent(s) nul(s) :
4. Donner un exemple numérique de valuations des arcs. On précisera les probabilités de transition
qui ne varient pas quelque soit l’exemple pris (les entourer par un ).

5. (a) Proposer un ajout au graphe de transitions initial pour rendre la chaîne de Markov irréduc-
tible.

(b) Proposer un ajout au graphe de transitions initial pour rendre la chaîne de Markov apério-
dique.

3
Exercice 2
Des requêtes arrivent à un serveur de base de données selon un processus de Poisson de moyenne 1000
requêtes par seconde. Le temps de traitement d’une requête est une variable aléatoire distribuée selon
une loi exponentielle. Quand le serveur est occupé par le traitement d’une requête, celles qui arrivent
sont stockées sur un disque de grande taille pour être traitées ultérieurement selon la discipline “premier
arrivé, premier servi”. Le serveur peut traiter 2000 requêtes par seconde. On utilisera la milli-seconde
comme unité de temps.
1. Préciser le taux d’arrivée des requêtes (noté λ) et le taux de service (noté µ). En déduire l’intensité
de trafic ρ = µλ .

λ= µ= ρ=

2. Calculer la probabilité que le temps de traitement (hors attente) d’une requête soit supérieur à
une milli-seconde ?

3. Modéliser le fonctionnement de ce serveur par une file d’attente dont on précisera les paramètres.
Modèle de file d’attente :
Paramètres de cette file d’attente :

4. Calculer
(a) Le nombre moyen de requêtes dans le système (noté N ).

(b) Le temps moyen passé dans le système par une requête (noté R).

5. Afin de réduire le risque d’une attaque par un flux de requêtes malveillantes sur le serveur, on
décide de rejeter les requêtes qui se présentent à l’entrée dès que le nombre des requêtes présentes
dans le système est égal à un nombre Q fixé. Calculer Q pour que la probabilité de rejet d’une
requête lorsqu’il n’y a pas d’attaque soit inférieure à 10−12 .

6. Calculer la valeur de µ si on souhaite qu’un client qui émet une requête ait une réponse du serveur
au bout de 0,5 milli-seconde.

4
 NOM : 3INFO - Modèles stochastiques (23/01/2013)
Prénom : Exercice 2 (suite)

7. On compare trois systèmes sans attente pouvant comportés plusieurs serveurs de front (lorsque
tous les serveurs sont occupés, les requêtes qui arrivent sont rejetées). Pour chaque modèle, on
précisera le type de file d’attente utilisée, les taux d’arrivée λ et de service µ par serveur, l’intensité
de trafic ρ, les expressions des probabilités stationnaires ainsi que leur valeur respective.
(a) Calculer le pourcentage de requêtes rejetées pour un système comportant un serveur traitant
4000 requêtes par seconde.
Type de file d’attente :
λ= µ= ρ=
Probabilités stationnaires :

Calcul du pourcentage de requêtes rejetées :

(b) Calculer le pourcentage de requêtes rejetées pour un système comportant deux serveurs
traitant 2000 requêtes par seconde.
Type de file d’attente :
λ= µ= ρ=
Probabilités stationnaires :

Calcul du pourcentage de requêtes rejetées :

(c) Calculer le pourcentage de requêtes rejetées pour un système comportant quatre serveurs
traitant 1000 requêtes par seconde.
Type de file d’attente :
λ= µ= ρ=
Probabilités stationnaires :

Calcul du pourcentage de requêtes rejetées :

(d) Que constate t-on ?

5
 RAPPELS

Loi exponentielle Soit X une variable aléatoire distribuée selon la loi exponentielle de paramètre
α > 0. Alors pour tout t > 0, on a P(X > t) = e−αt .

File d’attente M/M/s Les probabilités stationnaires pour une file d’attente de type M/M/s, (taux
λ
d’arrivée λ, taux de service par serveur µ) sont données par (sous réserve que ρ = <1:
sµ
 n
u (sρ)n
π0 = π0 si n < s

 !−1
s−1
n! n! (sρ)n (sρ)s

 X
πn = avec π0 = + .
 u n s s ρn n! s! (1 − ρ)
 n=0
π0 = π0 si n ≥ s


s!sn−s s!
(sρ)s
Probabilité qu’une requête attende quand elle arrive dans la file (formule d’Erlang C) : πb = π0 .
s!(1 − ρ)
ρπb
Nombre moyen de requêtes en attente : Na = .
1−ρ
Nombre moyen de requêtes en service : Nu = sρ.
ρπb
Nombre moyen de requêtes dans la file : N = Na + Nu = sρ + .
1−ρ

File d’attente M/M/s/s Les probabilités stationnaires pour une file d’attente de type M/M/s/s,
(taux d’arrivée λ, taux de service par serveur µ) sont données par :

(sρ)n

!−1

 π0 si n ≤ s s
(sρ)i
n!
X
πn = avec π0 = .
 i!
 i=0
0 si n > s