Vous êtes sur la page 1sur 29

Réseaux de files d’attente

Lois de probabilité

Mohamed Escheikh

2éme année Télécoms Département TIC ENIT


Université Tunis El Manar
mohamed.escheikh@gmail.com

12 août 2017
Réseaux de files d’attente

Lois de probabilité

2 / 29
Réseaux de files d’attente

Loi exponentielle
Une variable aléatoire réelle X suit une loi exponentielle de
paramètre λ > 0 si sa densité est donnée par :

Sa fonction de répartition est alors donnée par :

densité de proba. f(z) = λ exp(-λ z)1_R+ (z)


fonction de répartition F c (z) =P(Z ≥ z) = exp(−λz) for all z ≥ 0
complémentaire La transformée de Laplace de la loi exponentielle est :

3 / 29
Réseaux de files d’attente

Loi exponentielle

4 / 29
Réseaux de files d’attente

Loi exponentielle

5 / 29
Réseaux de files d’attente

Loi exponentielle

6 / 29
Réseaux de files d’attente

Loi exponentielle

7 / 29
Réseaux de files d’attente

Espérance mathématique d’une loi exponentielle

8 / 29
Réseaux de files d’attente

Loi exponentielle (sans mémoire)

9 / 29
Réseaux de files d’attente

Loi exponentielle (sans mémoire)

Le passé n’influe pas sur le futur

La distribution exponentielle est la seule distribution


continue qui possède la propriété sans mémoire
Démonstration

10 / 29
Réseaux de files d’attente

Loi exponentielle (sans mémoire)

11 / 29
Réseaux de files d’attente

Loi exponentielle
Transformée de Laplace

Moments de la variable X

12 / 29
Réseaux de files d’attente

Variables aléatoires exponentielles

X : v.a exponentielle avec paramètre λ


Y : v.a exponentielle avec paramètre µ
X , Y : indépendantes
Alors :
Min(X , Y ) : v.a exponentielle avec paramètre λ + µ
λ
P(X < Y )=
λ+µ

13 / 29
Réseaux de files d’attente

Variables aléatoires exponentielles

Démonstration

14 / 29
Réseaux de files d’attente

Loi de Poisson (moyenne, variance)


Moyenne et Variance

Preuve

15 / 29
Réseaux de files d’attente

Somme de variables aléatoire de Poisson


(moyenne, variance)

Xi , i = 1,2, ..., n, sont des v.a indépendantes


Xi suit la distribution de Poisson avec le paramètre λi
La somme partielle Sn est définie comme suit :

Sn suit la distribution de Poisson avec le paramètre λ

16 / 29
Réseaux de files d’attente

Somme de variables aléatoire de Poisson


(moyenne, variance)

Démonstration : Généralisation par induction. La pmf (la


fonction de masse de probabilité) de S=X1 +X2 est

de Poisson de paramétre λ=λ1 +λ2


17 / 29
Réseaux de files d’attente

Processus de Poisson
On dit qu’un processus est poissonnien s’il vérifie les hypothèses
suivantes :
A : Le processus est sans mémoire : l’occurrence d’événements avant la
date t n’influe en rien sur l’occurrence d’évènements après t
B : Le processus est homogène dans le temps : la loi de l’accroissement
[N(t + h) - N(t)] du processus ne dépend que de h et pas de t (et est
donc la même que celle de N(h))

Remarques
L’hypothèse A induit que le processus de comptage de évènements
vérifie l’hypothèse de Markov : toute l’information issue du passé du
processus qui conditionne la loi de N(t) est résumée par n(t − ).
Pour l’hypothèse B, on parle parfois d’hypothèse d’homogénéité
temporelle ou de stationnarité.
.
18 / 29
Réseaux de files d’attente

Loi de Poisson

19 / 29
Réseaux de files d’attente

Loi du nombre d’évènements N(t)

20 / 29
Réseaux de files d’attente

Loi du nombre d’évènements N(t)

21 / 29
Réseaux de files d’attente

Résolution du système

22 / 29
Réseaux de files d’attente

Exercice

23 / 29
Réseaux de files d’attente

Exercice
Solution (suite)

24 / 29
Réseaux de files d’attente

Temps séparant deux évènements successifs


Loi de la durée séparant deux évènements
On s’intéresse maintenant à la durée (aléatoire) séparant deux occurrences de
l’évènement. On se place à une date t0 et on s’intéresse à la variable T : T = temps
d’attente jusqu’à l’occurrence du prochain évènement.
On a :

Rq : on ne se préoccupe pas de savoir si t0 est elle-même une date d’occurrence ou


pas : cela ne change pas la loi de T à cause de l’hypothèse d’indépendance temporelle.
25 / 29
Réseaux de files d’attente

Loi uniforme

26 / 29
Réseaux de files d’attente

Loi uniforme

27 / 29
Réseaux de files d’attente

Loi uniforme

28 / 29
Réseaux de files d’attente

Loi uniforme

29 / 29

Vous aimerez peut-être aussi