Cours de Graphe de Fluence 2020-2021-11

UNIVERSITE DE MBUJIMAYI
FACULTE DES SCIENCES APPLIQUEES
________________________
NOTES DE COURS
GRAPHES DE FLUENCE
A L’USAGE DES ETUDIANTS EN L2 INFORMATIQUE
NUMERO DE REFERENCE……..
APPARTENANT A L’APPRENANT :
…………………………………………….
Le Titulaire du Cours :
Prof. Dr. BATUBENGA M. Nz. J.D.
ANNEE ACADEMIQUE 2020-2021

Graphes de Fluence, L2 Génie Informatique
Prof. BATUBENGA J.D. 1

GRAPHES DE FLUENCE

INTRODUCTION AUX GRAPHES DE FLUENCE
Les graphes de fluence ont été longtemps utilisés dans l‟environnement des
ingénieurs.
Mason a été le premier à introduire cette notion pour la représentation des
systèmes linéaires, des systèmes numériques et la structure de contrôle de code
programme informatique pour se limiter que par ces derniers.
Cette partie du cours est subdivisée de la manière suivante :
- Graphes de fluence et la règle de Mason
- Introduction aux systèmes numériques linéaires et invariants
- Application de graphes de fluence et métrique logiciel

CHAPITRE I : GRAPHES DE FLUENCE ET LA REGLE DE

MASON
I.1 Définition
Un graphe est défini comme un couple (X,) où X est un ensemble des
sommets et  est un ensemble d‟éléments du produit cartésien XxX=
(x, y) x, y  X tel que (x, y) est appelé arc et  est un ensemble d‟arcs.
Les graphes de fluence sont des graphes qui sont constitués des nœuds et
des branches formant des cascades et des boucles. Les branches définissent les
opérations : gain, délai, changement de cadence,…
Les nœuds sont associés aux variables du système, ils sont représentés par
O (disque creux), et donnent les points de connections.
A chaque nœud est associée une valeur qui est la somme des valeurs des
branches entrant dans le nœud ; et les branches qui lui sont sortant portent sa
valeur.
Les graphes de fluence sont donc des diagrammes qui déterminent le
rapport de cause et d‟effet parmi un nombre de variables du système. Alors, les
branches (arcs) définissent ce rapport.
Exemple d‟une branche de gain k reliant deux nœuds entre eux
k
On appelle sources, des nœuds d‟où toutes les branches partent. Les
sources « entrées » définissent les conditions initiales d‟un système.
Les puits sont des nœuds où tous les arcs arrivent.
Les cascades sont les chemins qui, parcourus dans le sens des flèches,
permettent d‟aller d‟un nœud d‟entrée (source) vers un nœud cible qui sera

considéré comme nœud de sortie, sans passer deux fois par le même nœud. Le
nœud de sortie est quelconque, c.à.d. un puits ou un nœud interne
(éventuellement inaccessible).
Les boucles sont des trajectoires fermés empruntant généralement deux
nœuds ou plus.
Deux boucles ou une boucle et une cascade sont dites disjointes quand elles
n‟ont aucun nœud en commun.
I.2 Exemples
I.2.1. Exemple 1
Soit un graphe de fluence d‟ordre 4, possédant 4 nœuds, chacun représente
un nœud de fluence xj, j=1, …, 4. Entre une paire de nœuds xj et xk, j et k {1,
…, 4}, on lie une branche avec une quantité appelée branche de transmittance ou
gain tjk, représentée ici par les lettres a jusqu‟à g, on a :
x3
a
g
x1 e f
d
b
x2
c x4
I.2.2 Exemple 2
Soit un graphe de fluence d‟ordre 8, possédant 8 nœuds, 5 bouches et 2
cascades. On a : h
i
4
a b c d e f g
E S1 S2 S
1 2 3
m k
5 j
Les cascades entre E et S sont : abcdefg et hfg ; les boucles sont : bm, dk, fj, efi
et bcdl.
I.3. Règles Elémentaires
La fluence dans diverses parties du graphe est souvent dictée par les trois
règles suivantes :

1) Une fluence le long d‟une branche (arc), est définie seulement dans la
direction définie par l‟arc et est multipliée par le gain ou la branche de
Transmittance.
tjk
xj xk = tjk xj
2) La fluence à un nœud est égale à la somme algébrique de toutes les fluences

d‟entrée à travers ses branches d‟entrée. D‟où, la fluence à un nœud puits est
égale à la somme algébrique de tous les nœuds de ses branches d‟entrée.
xh
xi
xk= xh+xi+xj
xj
3) La fluence à un nœud est appliquée à chaque branche de sortie de ce dernier.

xk
xk
xk
xk
I.4. Quelques propriétés

A partir des règles ci-haut, découlent quatre équivalences ci-dessous qui
serviront dans la manipulation des graphes de fluence.
1)
ta
ta+tb
x1 x2
x1 x2
tb
Preuve :
En effet, d‟après I.3.(1) il vient alors que
x2= ta x1 et x2=tb x1
ta et tb étant les valeurs des branches entrant à x2 (x2 étant un nœud puits par
rapport à ta et tb)
D‟où x2 = tax1+tbx1 = (ta+tb) x1  x2 = (ta+tb) x1
Donc on peut aisément établir :
ta+tb
D‟où l‟équivalence ci-haut.
x1 x2

2) t12 t23 t12t23

x1 x2 x3 x1 x3
Preuve :
En effet
t12 t23
par I.3 (1)
x1 x2= t12 x1 x3
Il vient de plus que :

t23
par I.3 (1)
t12 x1 x3 = t12 t23 x1
Donc on établit que :
t12 t23
: D‟où l‟équivalence ci-haut
x1 x3
(3)
x1 x1
t13 t13 t34
t34
x3 x4 x4
x2 t23 t23 t34
x2
Preuve : On retrouve cette équivalence juste par un raisonnement analogue à ce
qui précède.
x3
(4) t23 x3 t12 t23
t12
x1
x1
x2 t24
x4 t12 t24
x4
Preuve : Par un raisonnement analogue, on établit aisément l‟équivalence à
partir de I.4.(1) et I.4.(2). Réserver au lecteur.
Nota : Ces quatre équivalences sont suffisantes pour la réduction complète d‟un
graphe de fluence n‟ayant pas des boucles ou des branches symétriques.
I.5 Réduction des graphes de fluence avec des boucles
a) Considérons dès lors, une boucle sur un nœud, soit :
L
x1
1 1 (1)
x3
x2

En effet, à partir du (I.3) et (I.4), ce graphe de fluence, représente la relation

suivante :
x3 = x2 = L x2 + x1 (2)
D‟ici, x3 peut être exprimé en terme de x1 comme suit :
1
x3 = x1 (3)
1 L
De ce qui précède en (I.4)
Il vient alors que : L
1 1
x1 x3
x2 x1 x3 (4)
b) Soit une autre structure classique de boucle suivante :

β
Ak
k A 1  
x1 x2 x3 x1 x3
Preuve :
En effet, en utilisant (I.3) et (I.4), on déduit aisément que
x2 = kx1+ βx3 (1) et x3 = Ax2 (2)
(1) dans (2), on a : x3 = A k x1 + A  x3
Ak
x3 – A  x3 = A k x1  x3 = x1 (3)
1  A
Ak
Dès lors est la fonction de Transfert ou gain du graphe. Donc :
1  A
Ak
1  
(4)
x1 x3
D‟où
β
Ak
k A 1  
x1 x2 x3 (5)
x1 x3
I.6 Remarque
En utilisant I.4 et I.5, beaucoup de fonctions de Transfert (ou gains)
peuvent être dérivées à partir du graphe de fluence par suppression de boucles
internes jusqu‟à ce que seuls les nœuds d‟entrée (sources) et les nœuds de sortie
(puits) restent.

Exercices
Exercice 1
Calculer la fonction de Transfert ou gain du graphe de fluence ci-dessous
tout en faisant sa réduction. d
a b
c
xentré xsortie
e
Solution d
c
b b
a c
 a 1  cd
Soit xentrée xsortie xentrée xsortie
e
e e
bc abc
1  cd 1  cd  bce
a 
xentrée xsortie xentrée xsortie
e
abc
Où est la fonction de Transfert ou gain du graphe de fluence.
1  cd  bce
Exercice 2
Réduire et calculer la fonction de transfert ou gain du graphe de fluence suivant :
h
i
a b c d e f g
E S
m k
j
l
Réserver au lecteur
I.7. La règle de Mason
La manipulation de graphe de fluence est un moyen efficace pour
déterminer les fonctions de transfert, la règle de Mason est un outil qui permet
davantage de lire un graphe de fluence en un schéma bloc et de trouver très
simplement le gain ou la Fonction de Transfert, qui relie une source à un nœud
quelconque.
Elle est aussi très utilisée en électronique pour exprimer des tensions,
courants et impédances d‟entrée ou de sortie.
Elle s‟énonce ainsi :
Considérons tout d‟abord l‟exercice 1 ci-haut, nous noterons que la fonction
de transfert (ou gain) peut être exprimé comme :
x Sortie
 P 1
x Entrée
1  L1  L 2 
Où P1 = abc qui représente le gain de la source à la Sortie (la cascade)

L1 = cd et L2 = bce représentent les gains des branches symétriques ou
boucles dans le graphe de fluence.
En général, la fonction de Transfert (ou gain) du graphe de fluence peut être
déduite en utilisant la règle de Mason qui s‟énonce ainsi :
T  k k
G k

Où   1   Gi   Gi G j   Gi G j G k  ..  ...
G = gain de la boucle i
i
G = gain de la boucle j, …
j
GG i j
= produit des boucles disjointes 2 à 2.
GG G i j k
= produit des boucles disjointes 3 à 3
ième
T k = gain de la k cascade
k  le disjoint de la cascade k.

Procédure :
1- On recherche d'abord toutes les boucles et on note leurs gains G1, G2 ...
- On calcule la somme ΣGi de toutes ces boucles.
- On calcule la somme ΣGiGj des boucles disjointes 2 à 2.
... A répéter, si le cas se présente, pour des boucles disjointes 3 à 3, 4 à 4...
Tous les éléments réunis sont sommés pour donner l'expression de Δ.
2- On s'intéresse maintenant à toutes les cascades (tous les chemins) qui, à partir
du nœud source, permettent de parvenir au " nœud cible ".
- On détermine le gain T1 d'une première cascade, reliant cette source au
nœud cible...
- Puis on calcule Δ1 qui n'est autre que le Δ obtenu en supprimant (en pensée)
tous les nœuds empruntés par cette première cascade.
... Processus à répéter pour chaque autre cascade.
En possession des T1, T2... et Δ1, Δ2 ... , il ne reste plus qu'à calculer ΣTkΔk
3- Le résultat recherché G = ΣTkΔk / Δ s'en déduit.
S'il y a n sources E1, E2... En, une sortie S s'écrira S = GE1E1 + GE2E2 + ... +GEnEn
I.8. Exemples
1) Soit à résoudre un système matriciel d‟ordre 3 suivant :
a b c  x   U 
    
d e f  y    V 
g h i  z  W 

Tout en utilisant la règle de Mason
Solution
a b c  x   U  ax  by  cz  U
     
d e f  y    V   dx  ey  fz  V
g i  z  W   gx  hy  iz  W
 h 
Ceci est équivalent à ce graphe de fluence ci-dessous :
x
U
1/a
4
-b/a 1 -d/e 3
V Y -c/a
1/e -g/i
-f/e 2 -h/i 5
W
1/i z
Où encore à celle-ci :
x
1
U/a
4
-b/a 1 -d/e
3
1 Y -c/a
V/e -g/i
-f/e 2 -h/i 5
1
W/i z

La lecture de ce graphe par le règle de Mason permet d‟obtenir les expressions

de x, y, z en fonction des sources U, V et W.
Cherchons x
x peut se mettre sous la forme :
x =  (U, V, W) = GU U + GV V + Gw W
Le graphe de fluence issu du système d‟équations a cinq boucles de gains :
bd hf cg cdh bfg
G1  ae ; G 2  ei
; G 3

ai
; G 4

aei
; G 5

aei
.
D‟où la lecture du graphe nous donne les informations suivantes :
Il n‟y a pas de boucles disjointes 2 à 2   1  G1  G2  G3  G4  G5 
Entre le nœud d‟entrée

T 1

1
  1 G
1 2
U et de sortie x, il y a 1 a
cascade disjointe de la
boucle 2
T2 e
1 b 1 h c
  2
1
V et de sortie x, il y a 2 a e i a
cascades non disjointes
d‟une boucle.
T 
1 c 1  f b
  3
1
W et de sortie x, il y a 3
i a i e a
2 cascades non
disjointes d‟une
boucle
On déduit que x  f U ,V ,W   GU U  GV V  GW W , avec
GU  T 1 1 
G  T   
V 2 2
G  T   
W 3 3
et que se s‟écrit :
 hf  V   b hc  W   c bf 
U
1  ei   e  a  ai   i  a  ae  U ei  hf   V hc  bi  W bf  ce
a
x 
 bd hf cg cdh bfg  aei  bfg  cdh  afh  bdi  ceg
1      
 ae ei ai aei aei 
Procédé de manière analogue pour y et z.
2) Soit à résoudre par la règle de Mason, le système d‟équations :

 x  by  ct  a
dx  y  0


ey  z  ft  0
 gz  t  h
Où x, y, z et t sont des inconnues, avec a=2, b=2, c=1, d=2, e=1, f=3, g=1, h=5
Résolution du problème en 3 étapes :
Explicitons ce système d'équations en fonction des inconnues x, y, z et t :
 x  a  by  ct
 y  dx


 z  ey  ft
t  gz  h
Graphe correspondant au jeu d‟équations est :
Remarque : dans le graphe précédent, on a introduit la source 1 ; on aurait pu

tout aussi bien introduire deux sources a et h, en lieu et place de cette source 1.
La lecture du premier graphe par la règle de Mason permet d‟obtenir les
expressions de x, y, z et t.
Le graphe de fluence issu du système d‟équations a trois boucles de gains :
G1  bd ; G2  fg ; G3  c deg .
D‟où la lecture du graphe nous donne les informations suivantes :
G1 et G2 sont disjoints   1  G1  G 2  G3  G1G2  4

Entre le nœud d‟entrée 1  T  a1  fg   hc  1   1 G
1 2
et de sortie x, il y a 2
cascades (a et hc), a est
disjointe de la boucle 2
Entre le nœud d‟entrée 1  T  ad 1  fg   hcd  2  2  1  G2
et de sortie y, il y a 2
cascades (ad et hcd), ad
est disjointe de la boucle 2

Entre le nœud d‟entrée 1  T  ade  hcde  hf 1  bd   31  3  1  G1

et de sortie z, il y a 3
cascades (ade, hcde et hf),
hf est disjointe de la
boucle 1
Entre le nœud d‟entrée 1  T  a deg h(1  bd )  11 4  1  G1
et de sortie t, il y a 2
cascades (adeg et h), h est
disjointe de la boucle 1
En introduisant les valeurs données précédemment a=2, b=2, c=1, d=2, e=1, f=3,
g=1, h=5, on a le résultat suivant :
1 1  31  11
x , y , z et t 
4 2 4 4
Ces résultats se retrouvent aussi par les méthodes usuelles...
I.9. Exercices
1. On donne le graphe de fluence d‟un robot Hexapode. Calculer la fonction de
transfert correspondant :
H2 H3
G1 G4
G2 G3
R(S) C(S)
G5 G6 G7 G8
H6 H7

2. Soit le graphe de fluence ci-dessous, calculer sa fonction de transfert ou gain

en utilisant la règle de Mason.
h
i
a b c d e f g
E S
m k
j
l
3. On donne le graphe de fluence ci-dessous :
a5
a6 a3
b3 a4 a1 1
E(S) Y(S)
b2 a2
b1
On demande :
- De calculer la fonction de Transfert H(S) = Y(S)/E(S)
- Que devient le graphe si b1 = a2 = 0 ?
Calculer la nouvelle expression de H(S). Vérifier à l‟aide du résultat précédent.
Dans la suite du problème, on considère b2=R(S), b3=1, a1=a4=1/3, a3=a5=a6=-1,
b1=a2=0.
4. Soit un système asservi linéaire représenté par le graphe de transfert suivant :
G1 G2 G3 G4 G5 G6 G7
E Y
G8
G9
G10
Notons G1=1, G2=K, G3=1, G6=1, G7=1, G8=-1, G9=-1, G10=-1, G4=2/4 et
G5=4/5.
Calculer la fonction de transfert du système.
5. Soit à résoudre par la règle de Mason, le système d‟équations :

 dx1
 dt  x 2

 dx 2  x
 dt 3

 dx3
  x4
 dt
 dx 4
 dt  x5

 dx5
 dt  4 x1  2 x 2  5 x3  3 x 4  x5
Où x1, x2, x3, x4, x5 et t sont des inconnues.

Chapitre II. INTRODUCTION AUX SYSTEMES NUMERIQUES

LINEAIRES ET INVARIANTS
II.1. Systèmes numériques
Un système numérique reçoit en entrée une séquence de nombres
x(0), x(1),..., x(n),... notée x (n) et produit en sortie une séquence de nombres y (n)
obtenue à partir de l‟entrée après une application d‟un algorithme.
x (n) y (n)
Syst. numérique
Un système numérique est linéaire et invariant, s‟il répond en outre aux

conditions classiques illustrées.
x1(n)+ x2(n) Syst. numérique y1(n)+ y2(n)

linéaire
x (n - n0) Syst. numérique y (n - n0)

invariant
Un système numérique est stable si, lorsqu‟on lui présente une entrée finie, il
produit une sortie finie.
Un signal numérique x(n) est défini comme une séquence de nombres
x(n)  ..., x(n),...x(1), x(0), x(1),..., x(n),... (2.1)
Dans de nombreux cas, on manipule des séquences à partir d‟une valeur de
départ x(0) :
x(n)  x(0), x(1),..., x(n)... (2.2)
Exemples 2.1.
1. Le système défini par la relation y (n)  x(n  1) est linéaire, invariant et
stable.
2. Le système défini par la relation y (n)  n x(n) est linéaire, non invariant et
instable.
2
3. Le système défini par la relation y (n)  x(n) est non linéaire, invariant et
stable.
4. Le système défini par la relation y (n)  K x(n)  A (où K et A sont des
constantes réelles) est non linéaire, invariant et stable.

N.B. : On peut également définir des signaux vectoriels (séquence de vecteurs)

ou matriciels (séquence des matrices). Ainsi, une séquence d‟images numériques
est un signal numérique matriciel. On parle également de signaux
monodimensionnels et multidimensionnels. Une image unique peut être vue
comme un signal bidimensionnel.
II.2. Systèmes récursifs et non récursifs
D‟une manière générale, les systèmes numériques linéaires et invariants
(SLI) peuvent être décrits par des équations aux différences finies, linéaires et à
coefficients constants, de la forme :
y (n)  a1 y (n  1)  a 2 y (n  2)  ...  a N y (n  N )  b0 x(n)  b1 x(n  1)  ...  bM x(n  M ) (2.3)
Une telle équation exprime le fait que la valeur de la sortie y (n) à l‟instant
courant est une combinaison linéaire des N sorties précédentes, de l‟entrée
courante, et des M entrées précédentes. On la note souvent de façon plus
compacte :
N M
y (n)   a i y (n  i )  bi x(n  i ) (2.4)
i 1 i 0
De tels systèmes sont dits récursifs étant donnée le caractère récursif de

l‟équation correspondante : il faut avoir déjà calculé toutes les sorties
précédentes pour pouvoir calculer la sortie courante.
Un cas particulier est celui des systèmes dont les valeurs de sortie ne
dépendent que de l‟entrée et de son passé :
M
y (n)   bi x(n  i ) (2.5)
i 0
De tels systèmes sont dits non récursifs.

L‟ordre d‟un SLI numérique est donné par le degré de la récursivité de
l‟équation aux différences finies associée. Pour le cas précédent, l‟ordre est N.
De la même façon qu‟une équation intégro-différentielle entre l‟entrée et la
sortie (toutes deux analogiques) d‟un système à temps continu définit un filtre
analogique, on appelle filtre numérique un système numérique linéaire et
invariant. On parlera dans la suite de filtre récursif et de filtre non récursif.
Il est possible de visualiser l‟équation de récurrence associée à un filtre
numérique, sous la forme d‟une structure (ou graphe de fluence) faisant
apparaître les éléments de base suivants :

 L‟additionneur, symbolisé par  , qui additionne les signaux à ses entrées.
 Le multiplieur, symbolisé par a , qui multiplie un signal par un scalaire a.
 L‟élément « délai », symbolisé par Z-1 , qui produit une sortie retardée
de une valeur par rapport à son entrée.
Exemples 2.2.
1) L‟équation aux différences finies du calcul des intérêts composés est :
p
y (n)  y (n  1)  y (n  1)  x(n) (2.6)
100
Où y(n) est la somme disponible au temps t=nT sur le compte, x(n) est le dépôt
ou le retrait courant et p est le taux d‟intérêt. La valeur de T dépend de la
politique financière de l‟établissement (actualisation par jour, semaine, mois,
année, …)
La structure du système linéaire invariant correspondant est :
y(n)
x(n)

1+p/100
Z-1
Fig. Structure du SLI correspondant au calcul des intérêts composés
2) La séquence de Fibonacci peut être définie par une équation aux différences
finies :
y (n)  y (n  1)  y (n  2)  x(n) (2.7)
Où y(n) est le nombre de couples de lapins dans l‟enclos au nième mois et x(n) est
le nombre de couples que l‟on ajoute à la population de l‟enclos au nième mois.
Le système sous-jacent est récursif et d‟ordre 2. Sa structure est donnée à la
figure suivante :
x(n) y(n)

Z-1
1

Z-1
1

3. Imaginons que l‟on veuille créer un filtre numérique dont chaque valeur de
sortie soit la moyenne locale du signal d‟entrée, estimée sur 2L+1 valeurs autour
de l‟échantillon courant :
1 L
y ( n)   xn  i 
2 L  1 i  L
L‟équation précédente définit bien un filtre numérique non récursif, appelé filtre
à moyenne mobile.
Notons que ce filtre, tel que défini, est non causal : le calcul de la valeur
courante de sortie courant nécessité de connaitre les L valeurs d‟entrée
suivantes. L‟existence de systèmes non causaux n‟est pas nécessairement un
problème dans un domaine du numérique : ces systèmes seront en pratique
implémentés comme des systèmes causaux à délai, le délai correspondant au
nombre de valeurs futures nécessaires au calcul de la valeur de sortie courante.
Le Système causal à délai correspondant à l‟équation précédente est donné par la
figure suivante :
x(n) y(n)
Σ
Z-1
1 / (2L+1)

x(n-1)
Z-1

x(n-2)
Z-1
x(n-(2L+1)

II. 3. Réponse impulsionnelle

La réponse impulsionnelle, notée h(n), d‟un système numérique linéaire et
invariant (SLI) est alors définie comme sa réponse forcée y(n) à l‟impulsion
numérique, on supposant que les conditions initiales sont nulles, càd que y(n)=0
pour n<0.
δ (n) h (n)
SLI numérique

Au contraire des systèmes analogiques, le calcul de la réponse

impulsionnelle d‟un SLI numérique est immédiat : il suffit d‟effectuer la
récurrence numérique sous-jacente.
Exemples
1) La réponse impulsionnelle du système des intérêts composés décrit
précédemment est :

h(n)  1, 1  p 100 , 1  p 100 , 1  p 100 , ...
2 3

2) La séquence de Fibonacci est précisément la réponse impulsionnelle du
système répondant à l‟équation aux différences finies (1. 7), puis qu‟on suppose
commencer l‟élevage avec un couple de lapins et ne plus en ajouter par la suite :
h(n)  1, 1, 2, 3, 5, 8, 13, 21, ...
3) La réponse impulsionnelle de la structure du filtre à moyenne mobile est
donnée par la séquence 1, 1, 1, ..., 0, 0, 0, ...  comprenant 2L+1 valeurs de « 1 »
et une infinité de « 0 ».
On notera que la réponse impulsionnelle d‟un filtre non récursif n‟est rien
d‟autre que la suite de ses coefficients {bo, b1, b2, …}, qui se trouvent
successivement poussés vers la sortie par l‟impulsion qui se propage le long de
la chaîne d‟éléments à délai.
Remarques
- Les deux premiers systèmes sont instables, puisque leurs réponses à une
séquence de nombres finis produisent une séquence de nombres qui tendent vers
l‟infini.
- on constate sur les exemples précédents que la réponse impulsionnelle d‟un
filtre récursif est une séquence illimitée de valeurs non identiquement nulles
(même si le filtre est stable), puisque chaque valeur de sortie dépend des valeurs
de sorties précédentes. Par contre, la réponse impulsionnelle d‟un filtre non
récursif est donnée par la suite de ses coefficients, et constitue donc une
séquence qui s‟annule après un nombre fini de valeurs. Il s‟ensuit que les filtres
récursifs sont appelés filtres à réponse impulsionnelle infinie (RII) et que les
filtres non récursifs sont dits à réponse impulsionnelle finie (RIF).

II. 4. Convolution numérique - Réponse forcée à une entrée quelconque

Le calcul de la réponse à une entrée quelconque est tout aussi trivial que
celui de la réponse impulsionnelle : il suffit d‟effectuer la récurrence numérique.
Il est cependant intéressant de constater que la réponse à une entrée
quelconque peut être déterminée facilement si on connait déjà la réponse
impulsionnelle. On peut en effet toujours considérer qu‟une séquence d‟entrée
x(n)  x(0), x(1), x(2)... est une somme d‟impulsions numériques pondérées
et décalées :
x(n)  x(0)  (n)  x(1)  (n  1)  x(2)  (n  2)  ... pour tout n (1.9)
Vu les propriétés de linéarité et d‟invariance du système, la réponse à x(n)
est donnée par :
y (n)  x(0) h(n)  x(1) h(n  1)  x(2) h(n  2)  ... (1.10)
Ce qui n‟est rien d‟autre qu‟une combinaison linéaire des réponses
impulsionnelles à chacun des nombres de la séquence d‟entrée (et donc décalées
d‟autant).
Cette équation définit ce que l‟on appelle une convolution numérique, notée * :

y (n)  x(n) * h(n)   x(i) h(n  i ) (1.11)
i  
On notera que, dans cette dernière équation, la sommation est définie pour i
allant de -∞ à +∞, et non de 0 à +∞ comme on pourrait s‟y attendre vu (1.10).
Cette extension permet de prendre en compte les systèmes non causaux, dont la
réponse impulsionnelle h(n) peut être définie pour n négatif.
Exemple
Considérons à nouveau le système de Fibonacci et supposons que le propriétaire
de l‟enclos y apporte, non pas un seul couple de lapins le premier mois, mais
bien : un couple le premier mois, deux couples le troisième, et un couple le
quatrième mois. On demande combien de couples se trouveront dans l‟enclos
après sept mois.
On peut retrouver facilement ce résultat en utilisant la réponse impulsionnelle
1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144 : le premier couple de lapins produira 13
couples en sept mois, les deux couples placés au troisième mois en produiront
2*5, et le quatrième produira 3, ce qui fait bien en tout 26.

CHAPITRE III. APPLICATION DE GRAPHES DE FLUENCE ET

METRIQUE LOGICIEL
III.1. Introduction
Par définition, un test logiciel désigne une procédure de vérification
partielle d'un système informatique. C‟est par ailleurs, la recherche d‟anomalie
dans le comportement du logiciel. Le but en est de s'assurer que ce système
réagit de la façon prévue par ses concepteurs ou est conforme aux attentes du
client l'ayant commandé.
Un test est aussi défini comme un ensemble de cas à tester (état de l'objet à
tester avant exécution du test, actions ou données en entrée, valeurs ou
observations attendues, et état de l'objet après exécution), éventuellement
accompagné d'une procédure d'exécution (séquence d'actions à exécuter).
Un test ressemble à une expérience scientifique. Il examine une
« hypothèse » formulée par le triplet (données en entrée, objet à tester,
observations attendues). Cet examen est effectué sous conditions contrôlées pour
pouvoir tirer des conclusions.
Le test est une activité paradoxale : il vaut mieux que ce ne soit pas la
même personne qui développe et qui teste le soft.
Un bon test respecte également l'exigence de répétabilité et a pour but
d‟arriver à un produit « zéro faute ». C‟est la limite idéaliste vers laquelle on
tend pour la qualité du logiciel.
Généralement 40% du budget global est consacré à l‟effort de test, d‟où le
fait qu‟un bon test est celui qui met à jour une erreur (non encore rencontrée).
Remarque (difficulté) : il faut arriver à gérer une suite de test la plus
complète possible à un coup minimal.
Un test ne peut pas dire « il n‟y a pas d‟erreur », c'est-à-dire prouver
l‟absence de celle-ci car il teste le logiciel de façon passive plus que dans
l‟utilisation réelle.
Un test vise à mettre en évidence des défauts de l'objet testé. Cependant il
n'a pas pour objectif :
 De diagnostiquer la cause des erreurs,
 De les corriger,
 De prouver la correction de l'objet testé.

Un objet ne peut être testé que si on peut déterminer précisément le

comportement attendu en fonction des conditions auxquelles il est soumis. Si la
spécification ne permet pas cette détermination, la propriété du logiciel qu'elle
définit ne peut être testée.
Soumettre la spécification à cette contrainte de « testabilité » permet d'en
améliorer la précision puisqu'elle oblige à expliciter les caractéristiques de
l'objet. Ceci permet, en retour, de trouver plutôt les erreurs de spécification
(incohérence), et le Comité Français de Test Logiciel souligne le rapport de cette
contrainte à la « maintenabilité » de l'objet.
III.2. Principes de base de réalisation des tests
Les principes de base pour réaliser des tests logiciels sont :
Principe 1 : Un programmeur ne doit pas tester ses propres programmes.
Tout simplement pour ne pas être juge et partie.
Principe 2 : Ne pas effectuer des tests avec l‟hypothèse de base qu‟aucune
erreur ne va être trouvée.
Principe 3 : La définition des résultats attendus doit être effectuée avant
l‟exécution d‟un test.
Ceci est une erreur fréquente du test. Ce n‟est pas lorsque l‟on effectue le
test d‟une procédure qu‟il faut se poser la question de la validité des résultats,
car il y a des chances non négligeables de prendre un résultat erroné mais
semblant cohérent pour un résultat correct.
Principe 4 : Inspecter minutieusement les résultats (trace) de chaque test.
Pour une raison similaire au principe 2, il faut séparer l‟exécution (action) et
l‟analyse des résultats.
Principe 5 : Les jeux de tests doivent être écrits pour des entrées invalides
ou incohérentes aussi bien que pour des entrées valides, simplement afin de
découvrir les anomalies.
Principe 6 : Vérifier un logiciel pour détecter qu‟il ne réalise pas ce qu‟il
est supposé faire n‟est que la moitié du travail. Il faut aussi vérifier ce que fait le
programme lorsqu‟il n‟est pas supposé le faire, afin d‟évaluer la robustesse du
logiciel.
III.3. Cycle de développement de test
Tous les produits du cycle de vie devraient être vérifiés et pas seulement le
code. Le résultat de ces vérifications n‟est pas nécessairement binaire

(acceptation ou rejet du produit). Des défauts peuvent être tolérés et de toute

façon un certain pourcentage de défauts résiduels est inévitable dans tout gros
programme. C‟est pourquoi on peut lire souvent des phrases du type « cette
nouvelle version corrige les défauts suivants de la précédente version… ».
D‟après la terminologie de l‟IEEE (norme 729), la faute est à l‟origine de
l‟erreur qui se manifeste par des anomalies dans le logiciel qui peuvent causer
des pannes :
Faute erreur anomalie panne
L'activité de test d'un logiciel utilise différentes techniques pour vérifier

que le logiciel est conforme à son cahier des charges (vérification du produit) et
aux attentes du client (validation du produit). Elle est un des processus du
développement de logiciel.
Il existe deux approches complémentaires de vérification du produit :
expérimenter le comportement de l‟application (la tester) avec un ensemble bien
choisi de données, on parle aussi de vérification dynamique ; et analyser les
propriétés du système, sans exécution, on parle aussi de vérification statique.
Les phases de test dans le cycle de développement d'un produit logiciel
permettent d'assurer un niveau défini de qualité en accord avec le client. Une
procédure de test peut donc être plus ou moins fine, et par conséquent l'effort de
test plus ou moins important et coûteux selon le niveau de qualité requis.

Le graphique ci-dessous donne une vue panoramique du cycle de

développement de test.

Mise au point inductive

On met une hypothèse sur l‟ensemble.
Mise au point Déductive

On traite chaque cause séparément.

III.4. Techniques de Test

Il existe plusieurs techniques qui dépendent de l‟objectif du test. Mais
aucune technique ne sera jamais complète. Le problème est de savoir quelle
technique nous assure la complétude, car en fait, aucune ne peut la garantir.
Espace de cas possibles
Espace
générateur
Cela revient à échantillonner de façon représentative.

Propriétés recherchées : Si l‟espace générateur est couvert alors la probabilité
d'une défaillance dans l'espace de cas possibles est très faible (inférieure à une
limite fixée à l'avance). La difficulté est de faire que l'espace générateur soit
consistant et complet.
Il existe différentes façons de classer les tests informatiques. Une
classification selon trois perspectives :
 la nature de l'objet à tester (perspective étroitement liée au cycle de
développement),
 le niveau de connaissance de la structure de l'objet et
 le type de caractéristique ou propriété (performance par exemple).
Ceci pour des raisons de non-exhaustivité ainsi que l‟intérêt qu‟il présente
pour les graphes de fluence.
Le Comité Français de Test Logiciel identifie quatre niveaux de test sur le
niveau de connaissance de la structure de l‟objet :
1. Unitaire
2. Intégration
3. Validation (acceptation ou recette)
4. Système
Cette classification a plusieurs mérites parmi lesquels :
 Positionne un "état de l'art" de plus en plus reconnu par les plus grands
intervenants sur le métier Test et Recette (SSII : Atos Origin, Sogeti, etc ... ;
Grandes entreprises : EDF, ING.Bank, etc ...)
 Correspond aux quatre sortes d'environnements de tests nécessaires : ceux-ci
se doivent d'être d'autant plus réalistes qu'on est à un niveau élevé.
Par ailleurs, on parle aussi de "niveaux de tests en amont" et "niveaux de test en

aval" pour désigner respectivement Unitaire+Intégration = amont et
Acceptation+Système = Aval. En France, le terme "phase de test" est parfois
préféré au mot "niveau de test".
III.5. Les niveaux de test basés sur la structure de l’objet
a) Le test d’unité ou test unitaire
En programmation informatique, le test unitaire est un procédé permettant

de s'assurer du fonctionnement correct d'une partie déterminée d'un logiciel ou
d'une portion d'un programme (appelée « unité »).
Il s'agit pour le programmeur de tester un module, indépendamment du
reste du programme, ceci afin de s'assurer qu'il répond aux spécifications
fonctionnelles et qu'il fonctionne correctement en toutes circonstances. Cette
vérification est considérée comme essentielle, en particulier dans les
applications critiques et elle s'accompagne couramment d'une vérification de la
couverture de code, qui consiste à s'assurer que le test conduit à exécuter
l'ensemble (ou une fraction déterminée) des instructions présentes dans le code à
tester.
L'ensemble des tests unitaires doit être rejoué après une modification du
code afin de vérifier qu'il n'y a pas de régressions (l'apparition de nouveaux
dysfonctionnements). Les techniques de test d‟unité sont souvent de type « boite
blanche » (white- box)
b) Le test d’intégration ou test d’intégrité
Les composants ou sous-systèmes doivent être assemblées pour produire le

logiciel. Ce test concerne les problèmes liés à la vérification et à la construction
du programme, c.à.d. savoir si le logiciel est construit correctement. Les
techniques souvent utilisées sont celles de la « boite noire » (black-box).
Quoique les techniques de la boite blanche sont aussi employées en conjonction
avec celle de la boite noire.
c) Le test de validation
Après l‟intégration des composants ou sous-systèmes, vient la phase de

validation où les critères de validation sont contenus dans le document appelé
« SRS (Software Requirement Spécification) ». Les techniques de validation
sont souvent de type boite noire et le test de validation tente d‟assurer que le
logiciel rencontre les exigences spécifiées dans le SRS (fonctionnalité,
performance, etc.)

d) Le test système
Puisque le logiciel est normalement utilisé dans un environnement donné,

les tests systèmes impliquent les opérateurs, le matériel électronique (ou autre)
et l‟interconnexion à d‟autres systèmes informatiques. Ce test vérifie le
fonctionnement global du système dans son ensemble.
Remarque : On parle aussi de test alpha, quand l‟application est mise dans des
conditions réelles d‟utilisation au sein de l‟équipe de développement (c‟est la
simulation de l‟utilisateur final) ; de test bêta, quand il s‟agit de la distribution
du produit à un groupe de clients avant la version définitive ; et de test de non
régression pour montrer que les autres parties du logiciel n‟ont pas été affectées
à la suite de la modification d‟un des constituants du logiciel.
III.6. La construction des jeux de Tests
Dans la construction des jeux de tests, on distingue trois approches différentes
dont : l‟approche aléatoire, l‟approche fonctionnelle ou „boîte noire‟ et
l‟approche structurelle ou „boîte blanche‟.
III.6.1. L’approche aléatoire
Le jeu de tests est sélectionné au hasard sur le domaine de définition des entrées
du programme. Le domaine de définition des entrées du programme est
déterminé à l‟aide des interfaces de spécification ou du programme.
Cette méthode ne garantit pas une bonne couverture de l‟ensemble des entrées
du programme. En particulier, elle peut ne pas prendre en compte certains cas
limites ou exceptionnels. Cette méthode a donc une efficacité très variable.
III.6.2. Test de la « boîte blanche »
Une boîte blanche (de l'anglais white box) est un module d'un système
dont on peut prévoir le fonctionnement interne car on connait les
caractéristiques de fonctionnement de l'ensemble des éléments qui le compose.
Le test de la « boîte blanche » est une méthode de test logiciel visant à
analyser un programme informatique dont on connaît exactement le
fonctionnement (structure) interne en utilisant le code source du programme.
Ce test consiste donc à analyser la structure interne du programme en
déterminant les chemins minimaux. Afin d‟assurer que :
 Toutes les conditions d‟arrêt de boucle ont été vérifiées ;
 Toutes les branches d‟une instruction conditionnelle ont été testées ;

 Les structures de données internes ont été testées (pour assurer la validité)
Ce test permet d‟établir une mesure de complexité logique utilisée pour
définir les chemins de base d‟exécution du code. Les cas de test dérivés de ces
chemins sont garantis d‟exécuter tous les énoncés du code au moins une seule
fois durant les tests (critère de couverture des instructions).
La technique de chemin de base utilise le concept des « graphes de
fluence » pour représenter la structure de contrôle d‟un code. Dans le domaine
particulier de la sécurité informatique, on parle de test d'intrusions ou de
vulnérabilités. Cette méthode permet de trouver des erreurs subtiles qu'il est
difficile de localiser avec des outils d'analyse automatique (tels que Splint, Rats
ou Flawfinder). On peut reprocher à cette méthode d'être coûteuse en temps car
l'analyse manuelle est lente. De plus, dans le cas où l'on trouve une erreur, on ne
sait que difficilement si elle sera exploitable en pratique
Structures de la représentation de la boîte blanche.

La structure de contrôle se présente sous la forme d'un graphe dit graphe de
flot graphe de fluence où les nœuds sont les déclarations et les instructions ; et
les arêtes sont les transferts de contrôles entre les noeuds. On représente les
instructions ou structure de la manière suivante :
 Suite linéaire :  Case :
 If :  Until :
 While for :  Else :

Remarque : If A & B & C  If A then if B then if C then …

Complexité de Mac Cabr
La complexité de Mac Cabr est une métrique logicielle permettant

d‟obtenir une mesure (valeur) quantitative sur la « complexité » d‟un
programme. Cette complexité appelé aussi « Complexité cyclomatique »
fournissant le nombre de chemins minimaux (de base) est ainsi donnée par la
formule suivante qui correspond au nombre de régions du graphe de flot ou
graphe de fluence :
Nb.arcs – Nb.noeuds + 2
Remarques
 Un chemin indépendant (de base) est un chemin qui en traversant le
programme, introduit un nouvel ensemble d‟énoncés ou une nouvelle
condition. Dans un graphe de fluence, un chemin indépendant doit introduire
au moins un arc du graphe qui n‟a jamais été traversé auparavant ;
 Lorsqu‟utilisée dans le contexte de la technique des chemins de base, la
complexité cyclomatique donne la borne supérieure du nombre des tests à
effectuer de sorte que tous les énoncés seront exécutés au moins 1 fois.
 En pratique, on limite ce nombre cyclomatique à 10. Car au-délà de 15 ou 20,
le programme est impossible à maîtriser (risque de pannes élevé, difficulté de
compréhension, résultats non prévisibles, environnement des tests complexe
impliquant beaucoup de testeur et contraintes de transferts de connaissance
vers de nouvelles équipes).
Procédure
La procédure à suivre pour déterminer les chemins minimaux de base est :
 À l‟aide du code source, créer le graphe de fluence correspondant ;
 Déterminer la complexité cyclomatique du graphe de fluence ;
 Obtenir l‟ensemble des chemins indépendants (le nombre de chemins est
indiqué par le nombre cyclomatique ou complexité de Mac Cabr) ;
 Préparer les cas de test qui exécuteront chacun de chemins indépendants.

Exemple 1 :
Supposons un programme représenté par l'organigramme suivant:
Début
4
6
5
8 7
11 9
10
On en déduit le graphe de flot suivant :

1
R4 2 R1
6 4
R2
8 7 5
R3
9
11 10
Donc le nombre cyclomatique est : Nb.Arcs – Nb.Nœuds + 2 = 13 – 11 + 2 = 4

Pour vérifier, on regarde les chemins minimaux (un test par chemin pour
tester toutes les possibilités du programme) :
1.11
1.2.3.4.5.10.1.11
1.2.3.6.7.9.10.1.11
1.2.3.6.8.9.10.1.11

Exercice 2 : Soit le programme « recherche dichotomique » en langage C:

void recherche_dico (elem cle, elem t[ ], int taille, boolean &trouv, int &A)
{ int d, g, m;
g=0; d=taille -1;
A = (d+g) /2;
if (t[A]= =cle) trouv=true;
else trouv=false;
while (g <=d && !trouv)
{ m= (d+g) /2;
if (t[m]= =cle)
{ trouv=true;
A=m;
}
else if (t[m]> cle) g=m+1;
else d=m-1;
}
}
Calculer le nombre cyclomatique de cette procédure.
III.6.3. Test de la « Boite noire »
On considère seulement la spécification de ce que doit faire le programme,

sans considérer sa structure interne (codage).
On peut vérifier chaque fonctionnalité décrite dans la spécification en
s‟appuyant sur les données et les résultats. Le danger est l‟explosion
combinatoire qu‟entraine un grand nombre d‟entrées du programme.
Entrées possibles
Ie
PROGRAMME
Sorties possibles Oe
Dans le test de la boîte noire, on s‟intéresse à l‟analyse des valeurs

frontières (limites de classe) et au partitionnement du domaine d‟entrées (DE) en
classes d‟équivalence.
Le test se base sur l‟observation que les erreurs arrivent souvent aux limites
des domaines de définition des variables du programme. Au lieu de tester toutes
les valeurs, on teste seulement les limites des classes d‟équivalence.

Principe :
1. On considère le programme dans son aspect fonctionnel et non plus
structurel.
2. On partitionne le domaine d‟entrées (DE) en classes.
3. On génère des cas de test aux limites de classe.
Exemple :
Soit P un programme. Supposons que les données de P soient des nombres de
cinq chiffres. Alors les classes de nombres à cinq chiffres s'obtiennent de la
manière suivante:
1. x < 10 000 2. 10000  x  99 999 3. X  100 000
Les cas de test aux limites de classes sont donc 00 000 et 09 999 pour la
première classe, 10 000 et 99 999 pour la deuxième classe et 100 000 pour la
troisième.
On a donc à tester les nombres suivants :
<10 000 10 000 50 000 99 999 99 999 <

En résumé, si une donnée doit varier dans un intervalle [a, b], on peut définir 3
classes : < a, dans l‟intervalle, et > b ; on peut tester par exemple 0, a-e, a, a+e,
b-e, b, b+e où e est une petite valeur positive.
Exercices
1. Soit le programme « recherche dichotomique » suivant en langage C:
void recherche_dico (elem cle, elem t[], int taille, boolean &trouv, int &A)
{ int d, g, m;
g=0; d=taille -1;
A = (d+g) /2;
if (t[A]= =cle) trouv=true;
else trouv=false;
while (g <=d && !trouv)
{ m= (d+g) /2;
if (t[m]= =cle)
{ trouv=true;
A=m;
}
else if (t[m]> cle) g=m+1;
else d=m-1;
}
}

Pré-condition : Post-condition :
Taille >= 1 ; (vrai et t(i)=clé) ou
Quel que soit i : 0  i  taille – 1, t[i]  t[i+1] (faux et 0  i  taille – 1 t(i)≠clé)
Proposer un partitionnement de D.E.
D'après la pré-condition, on en déduit que le programme manipule les
tableaux triés non vides (ils contiennent au moins un élément).
1ère classe: tableau de taille = 1 ;
2ème classe: tableau de taille > 1.
Proposer un jeu de test
Tableau Elément Table Clé Sortie (trouv, A)
1 seule valeur Dans le tableau [17] 17 (true, 0)
1 seule valeur Pas dans le tableau [17] 27 (false, ???)
er
Plus d‟une 1 élément dans le tableau [3,17,33,42,58] 3 (true, 0)
valeur
„‟ dernier élément dans le „‟ 58 (true, 4)
tableau
„‟ médian dans le tableau „‟ 33 (true, 2)
„‟ non présent dans le tableau „‟ 1 (false, ???)
2. Donner un exemple, basé sur votre expérience, qui montre l‟incomplétude du
test de la boîte noire par rapport au test de la boîte blanche.
Par exemple, un pointeur non initialisé ne sera pas détecté par le test de la
boîte noire alors qu'il est par le test de la boîte blanche.
Typedef struct cplx nombre complexe (partie réelle + imaginaire)

{ int reel,
int img ; } cplx ;
CPLX * add-cpl (cplx a, cplx b) addition de nombres complexes

{ resultat = malloc (sizeof (*cplx)) ;
resultat.reel = a.reel + b.reel ;
resultat.img = a.img + b.img ;
return resultat ; }
Ici, il est possible que se pose un problème d‟allocation mémoire. La boîte noire
ne le verra pas contrairement à la boîte blanche. Certains disent que
l‟incomplétude est réciproque, d‟autres disent qu‟il n‟y a pas de raison puisque
les DE sont les mêmes.

Logiciel L
Spécification S
Conception D
Codage C
U Test unitaire (boîte blanche)
I Test d‟intégration (ici, on s‟intéresse à l‟architecture d‟un
module, on vérifie l‟adéquation entre les fonctions appelées
et les fonctions appelantes : Boîte Noire).
V Test de validation (vérifier est-ce que le système construit
correspond bien aux besoins exprimés par le client ? Les
moyens mis en œuvre sont des notions mathématiques :
preuves formelles du programme).
T Test du logiciel (environnement réel du logiciel, avec les
données du client, sa plate-forme, etc. : test de fiabilité).
N.B. : Une boîte blanche est un module qui comporte aussi peu de boîte noire
que possible.
On qualifie les systèmes mixtes de « boîtes grises ». Les systèmes complexes
s'articulent autour du paradigme boîte noire - boîte blanche, c'est à dire qu'ils
forment un ensemble cohérent dont il convient de prévoir le fonctionnement ou
scénarios. Ce concept est particulièrement bien adapté à la problématique des
tests logiciels en informatique.
Travaux Dirigés : Test, Vérification et Validation
Exercice 1: Test Boîte Blanche
Trouver le nombre cyclomatique du graphe de contrôle associé au programme

suivant et donner un ensemble de tests:
void tri_shell (tableau t ;int n) {
element inf= t [0];
int incr=n;
element L;
int i, k;
while (incr > 1) {
if (incr < 5)
incr=1;
else incr = (5 * incr-1)/11;
for ( i = inf; i < n ; i+incr) {

k = i - incr;
while( k >= inf) {
if (L < t [k]) {
t [k+incr] = t [k];
k= k - incr; }
else exit; }
t [k+incr]=L;
}
}
}
On en déduit le graphe de flot :
1
2
While incr > 1
3
5 4
7
14
For i < n 9
10 While k inf
13
11
12
On a donc 14 nœuds et 18 arcs différentes, ce qui donne Nombre

Cyclomatique = 18 – 14 + 2 = 6
Après avoir trouvé le nombre cyclomatique, il suffit de donner six tableaux
correspondants à chaque chemin minimal:
1. un tableau ayant un seul élément

2. un tableau trié ayant moins de 5 éléments

3. un tableau non trié ayant moins de 5 éléments
4. un tableau trié ayant plus de 4 éléments
5. un tableau non trié ayant plus de 4 éléments
6. un tableau partiellement trié ayant plus de 4 éléments
Exercice 2: Test statistique
1. Certaines classes de système sont conçues pour supporter une certaine charge.
Par exemple, un système de gestion du contrôle aérien, peut être conçu pour
traiter cent transactions par seconde. Il a fallu imaginer des tests pour s'assurer
que le système supportait bien la charge pour laquelle il était conçu. Ces tests
sont appelés « tests de surcharge » et consistent à aller au-delà de la charge
maximale du système. Le principe: on prévoit une série de tests où la charge
augmente progressivement jusqu'à ce que le système tombe en panne. Donner et
expliquer deux intérêts du test de surcharge.
a) On teste le comportement du système en cas de panne.
En effet, i1 se peut que dans des circonstances extraordinaires, le système soit
plus chargé que prévu. Dans de telles circonstances, il vaut mieux tomber en
panne "doucement" plutôt que "brutalement". Ces tests permettent de vérifier
que le système surchargé n'occasionne pas de dégâts irréparables.
b) En surchargeant le système, on peut faire apparaître des défauts qui ne se
seraient pas manifestés autrement. Bien que l'on puisse répondre que de tels
défauts ont bien peu de chances de causer des pannes en fonctionnement
normal, ils peuvent correspondre à des combinaisons peu habituelles qui
sont, par coïncidence, semblables aux tests de charge.
c) On peut aussi se servir du test de surcharge pour déterminer une mesure de
fiabilité.
2. Décrire comment on peut utiliser un analyseur dynamique pour le test
structurel d'un programme. Rappel: les analyseurs dynamiques sont des
programmes que l'on utilise pour recueillir des informations sur la fréquence
d'exécution de chacune des instructions d'un programme.
 D'abord, il faut identifier toutes les instructions de test et d'itération, et
ensuite instrumenter chaque instruction du programme.
 Via un pré-processeur, on ajoute ces instructions au langage de haut niveau

dans lequel est écrit le programme.
 On compile le langage avec un compilateur standard.
 Lors de l'exécution, les instructions rajoutées viennent stocker les données
sur le comportement du programme dans un fichier jouant le rôle
d'historique.
L'analyse de ce fichier permet d'identifier les parties du programme qu'il
faut optimiser et surtout celles qui n'ont pas été exécutées. On en déduit de
nouveaux tests qui exécuteront ces parties. D'autre part, on peut aussi utiliser le
résultat pour vérifier l'adéquation du jeu de test avec le programme testé.
III.7. Fiabilité du logiciel (software reliability)

III.7. 1. Définitions
La fiabilité, c‟est la probabilité qu‟un logiciel ou qu‟un système ne
connaisse pas de panne dans un contexte donné pendant une période donnée :
F(t).
La quantification de la fiabilité permet d'avoir une idée précise du risque
que l'on prend en mettant un logiciel en opération.
La fiabilité d'un logiciel ou d'un système désigne son aptitude à assurer sa
mission dans des conditions d'environnement données et pendant une durée
donnée. Celle-ci est subjective : elle dépend de l‟utilisateur et du contexte
d‟utilisation. Elle donne une mesure du degré de confiance que l‟utilisateur peut
placer dans le service rendu par un système.
La fiabilité mesure les conséquences d‟une faute.
Un défaut (fault) est une défaillance dans le code pouvant générer une ou
plusieurs pannes. Un défaut est dû à la présence d‟une faute. Il a une
caractéristique essentiellement dynamique. Une faute est une caractéristique
statique du logiciel qui provoque un défaut à l‟exécution.
Exemple : pour un log. de saisie, une faute serait de ne pas vérifier la mauvaise
saisie. Un défaut serait que le logiciel plante suite à la mauvaise saisie.

Une panne (failure) est l‟incapacité d‟un système ou d‟un composant à

réaliser une fonction requise dans certaines conditions.
Il est clair que toute faute ne provoque pas nécessairement un défaut, c‟est
possible si et seulement si la donnée est prise dans la partie fautive.
Une erreur (error) est la divergence entre une valeur ou condition
calculée, observée ou mesurée et la vraie valeur spécifiée théoriquement.
Paradoxe : « Plus on augmente la fiabilité, plus on réduit l‟efficacité ». Pour
assurer la fiabilité, on fait des tests, on rajoute du code (redondance,
vérification…). Ceci entraîne le fait que le logiciel sera plus lourd, plus lent
donc moins efficace. En général, on privilégie la fiabilité car l‟efficacité devient
de moins en moins nécessaire vu les prix des machines actuelles. Cela est plus
facile à améliorer.
On mesure la fiabilité pour des raisons économiques, l‟assurance qualité,
l‟évaluation des pertes en cas d‟arrêt, les calculs de primes d‟assurances, des
raisons de sécurité et l‟évaluation de risque dans les systèmes critiques pour la
sécurité humaine.
III.7. 2. Métriques de la fiabilité
Probabilité d’une panne
C‟est la probabilité que le système se comporte de manière non prévue
(non souhaitée) lorsqu‟une requête est effectuée.
Exemple : Système non stop : P.F.=0,001  sur 1000 requête, on a une
probabilité d‟un défaut.
Taux de panne : C’est la fréquence d’apparition d’un défaut.
Exemple : Système d‟exploitation ou transactionnel…
T.F.=0.02  sur 100 unités de temps, on a 2 défauts.
Temps moyen entre deux pannes : C‟est la mesure de temps entre deux
apparitions de défauts.
Exemple : Réseau (essentiellement échange de gros fichiers)…
T.M.P.=500  le temps moyen entre deux défauts est de 500 unité de temps.

Taux de défaillances
Inverse du temps qui sépare 2 pannes (Mean Time Betwen Failure ou MTBF)
Exemple : une erreur se produit tous les 3 jours => taux de panne T = 0,33 /
jour.
F (1 jour) = 1-T = 0,67
La fonction de fiabilité est définie par la courbe (modèle exponentiel) :
On a MTBF = 1/ λ
On parle aussi de temps nécessaire pour réparer un système (Mean Time To
Repair ou MTTR). C'est-à-dire maintenabilité.
Disponibilité
C‟est la probabilité que le logiciel ou le système soit opérationnel (%
temps pendant lequel le logiciel ou le système est opérationnel). Elle prend en
compte le temps de réparation éventuel.
Dispo = MTBF / (MTBF + MTTR)
Exemple : Centrale nucléaire, commande de refroidissement du noyau. Deux
métriques principales : disponibilité et probabilité. On peut avoir aussi les
transmissions par un réseau concernant le temps moyen de panne, systèmes de
communication…
Dispo = 0,998  sur 1000 unités de temps, le système est disponible et
utilisable pendant 998 unités de temps.

Unité de temps : Elle dépend du système utilisé…

 Horloge interne pour le système « non-stop »
 Temps calendaire pour le système activité régulière
 Nombre de transaction pour le système fonctionnant à la demande.
III. 7. 3. Classification de défaut
Classe de panne Description

Transitoire Ne se produit qu‟avec certaines entrées.
Permanente Se produit avec toutes les entrées.
Réparable Ne nécessite pas d‟intervention humaine.
Irréparable Nécessite une intervention de l‟opérateur.
Non corruptrice Ne détruit, ni corrompt les données.
Corruptrice Corrompt les données. (Inacceptable !!!)
Exercice : Distributeurs automatique de billets.
 Chaque distributeur est utilisé 300 fois par jour ;
 Une banque possède 1000 distributeurs ;
 La vie d‟une version de distributeur est de deux ans ;
 Chaque distributeur traite environ 10 000 transactions par jour.
Classer les pannes et proposer les métriques qui vont avec.
Classe du Exemple Métrique
défaut
Permanente et Le système n‟est plus opérationnel quelle Dispo : 1 par 1000
non corruptrice que soit la carte jours
Transitoire et Les données sur la bande magnétique ne Taux de panne
non corruptrice peuvent être lues sur certaines cartes (non
endommagées)
Transitoire et Le montant n‟est pas correctement reporté Inqualifiable (ne
corruptrice sur le compte. devrait jamais
arriver).
Les éléments de qualité d‟un logiciel sont : la capacité fonctionnelle, la facilité
d‟utilisation, la fiabilité, la maintenabilité, la portabilité et le rendement.

La capacité fonctionnelle se réfère à un ensemble de fonctions et à leurs

propriétés. Les fonctions satisfont à l‟expression de besoins explicites ou
implicites.
Les capacités à relever sont suivantes :
- Aptitude : présence des fonctions idoines pour effectuer les tâches
demandées ;
- Exactitude : adéquation sur la fourniture de résultats et leurs justesses ;
- Sécurité : contrôle et autorisation des accès aux programmes et aux
données ;
- Conformité : respect des normes, des réglementations ou des conventions ;
- Interopérabilité : capacité d‟interaction avec d‟autres systèmes.
Facilité d‟utilisation : se réfère à l‟effort nécessaire pour utiliser le logiciel et à
l‟évaluation de cette utilisation par un ensemble d‟individus.
Sur le plan des facilités, nous avons :
- Compréhension : efforts demandés à l‟utilisateur pour maîtriser la logique
du logiciel ;
- Apprentissage : efforts demandés à l‟utilisateur pour apprendre à utiliser le
logiciel ;
- Exploitation : efforts demandés à l‟utilisateur pour maîtriser et exploiter «
convenablement » le logiciel.
Fiabilité : comme définie précédemment, c‟est la probabilité qu‟un logiciel ou
qu‟un système ne connaisse pas de panne dans un contexte donné (ou conditions
données) pendant une période donnée.
Les facteurs de fiabilité sont :
- Maturité : fréquence des défaillances dues à des défauts intrinsèques du
logiciel
- Tolérance aux fautes : aptitude à maintenir un niveau de service donné et à
réaliser certaines fonctions en cas de défaut du logiciel
- Récupération : capacité d‟un logiciel dans un temps fixé à rétablir son
niveau de service et à restaurer les données

Maintenabilité : se réfère à l‟effort nécessaire pour procéder à des modifications

données dans le logiciel.
Les facteurs de maintenabilité sont :
- Analyse : facilité avec laquelle on identifie les déficiences, les défaillances
ou les portions du logiciel à modifier ;
- Stabilité : risque sur les effets non-déterministes d‟une modification ;
- Test : efforts requis pour la validation des évolutions du logiciel (tests de
non régression).
Portabilité : capacité du logiciel à être transférer (portage) d‟un environnement à
un autre.
Comme facteurs de portabilité, nous avons :
- Adaptation : facilité avec laquelle le portage peut être réalisé vers différents
environnements ;
- Installation : efforts requis pour installer le logiciel dans un
environnement ;
- Règles de programmation : ensemble de normes et de conventions de
codage facilitant le portage.
Bon rendement : c‟est le rapport entre le niveau de service d‟un logiciel et la
quantité de ressources utilisées.
Les facteurs de rendement sont :
- Temps : temps de réponse et de traitement ;
- Ressources : quantité utilisée et durée de monopolisation de ces ressources.

PROBABILITES
APPLIQUEES

INTRODUCTION AUX PROCESSUS STOCHASTIQUES, CHAINES DE

MARKOV ET FILE D’ATTENTE
Cette dernière partie du cours s‟intéresse d‟une part aux familles de variables
aléatoires indexées par un paramètre discret ou continu, représentant le temps et
d‟autre part à la modélisation des situations où des clients arrivent à des temps
aléatoires à un serveur qui peut être le guichet (d‟une banque, d‟une station
service, …), et le temps nécessaire est également supposé aléatoire. Les
variables aléatoires peuvent être des états différents d‟un système, où l‟état
change au cours du temps discret. A chaque changement, le nouvel état est
choisi avec une distribution de probabilité fixée au préalable, et de dépendant
que de l‟état présent.
Cette partie est subdivisée de la manière suivante :
- Processus stochastique
- Chaînes de Markov
- Introduction aux systèmes d‟attente

I. PROCESSUS STOCHASTIQUES
I.1. Généralités
a. Définitions et concepts fondamentaux
Un processus stochastique est une famille de variables aléatoires définie sur un
même espace probabilisé dépendant du paramètre temps.
Il sera noté * ( ) R + sur ( ).
Nota :
(1) ( ) est considéré comme la réalisation du processus stochastique à
l‟instant .
(2) Nous pouvons considérer ⋃ ( ) qui est l‟ensemble de toutes les
réalisations ou de toutes les trajectoires du processus stochastique sur ,
ensemble de toutes les éventualités ou espace des états du processus
stochastique considéré.
(3) appelé ensemble des instants ou espace des temps ou temps.
(4) et jouent un rôle important dans la classification du processus
stochastique.
b. Classification du processus stochastique
(1) ↔ R et ↔ R , on dit que * ( ) + * + est un processus

stochastique continu dans le temps et continu dans l‟espace. est appelé état
du processus stochastique à l‟instant t.
(2) ↔ R et ↔ N, on dit que le processus stochastique est continu

dans le temps et discontinu (discret) dans l‟espace.
N.B. : Le processus stochastique est continu dans le temps est encore appelé un
processus stochastique permanent.
(3) ↔ N et ↔ N, on dit que le processus stochastique est

discontinu dans le temps et discontinu dans l‟espace.
D‟où (3) est appelé suite stochastique (chaîne de Markov).
c. Exemple concret du processus stochastique continu dans le temps et
discontinu dans l‟espace des états : Processus de renouvellement simple
(P.R.S.)

c.1. Définition théorique

un P.R.S. est une suite des V.A. continues positives notées T1, T2, …, Ti, … et
stochastiquement indépendantes et équidistribuées (obéissant à une loi de
probabilité), où F(t) est leur fonction de répartition commune. ( ) (
), , avec F(t)=0, . Que l‟on note : * i N +.
c.2. Définition pratique
Chaque est un interévénement ou intervalle de temps qui sépare 2 événements
consécutifs.
T1 T2 Ti
évt évt évt évt évt
temps
er e
0 1 R.S 2 R.S
A l‟instant t=0, on met en service un équipement neuf de durée de vie . On

suppose que le temps (ou durée) de remplacement est négligeable ou nul.
A la fin de , on effectue le premier renouvellement avec un équipement de
même caractéristique que le précédent et soit sa durée de vie. Il va de soi que
* + est une suite de V.A.C. positives, indépendantes et équidistribuées.
2ème Définition
Posons S , la date du nième renouvellement simple, n N .
S ,S , …, S ∑
* n N + est un processus stochastique continu dans le temps et
discontinu dans l‟espace des états.
Dès lors :
1ère définition de P.R.S. : * + 2ème définition de P.R.S. : * n N +
c.3. 3ème Définition pratique
1er R.S.
temps
0 x
Soit la V.A. ( ) le nombre d‟événements (ou de renouvellements) dans
l‟intervalle de temps - - ( -
nombre de R.S. dans l‟intervalle de temps de longueur x.
Il va de soi que ( ) , et * ( ) + est un processus stochastique
continu dans le temps et discontinu dans l‟espace des états.

Théorème
On a que 1ère déf. de PRS, * + 2ème déf. de PRS, * n N + 3è
déf. de PRS, * ( ) +.
Nota : S ∑ , où les sont des VAC indépendantes en probabilité dans
leurs ensembles et équidistribuées sur le même espace ( ). Pour ,
le théorème central limite V.A. ( √ ) , (asymptotiquement)
Où ( ) i N , √ ( ), i N .
c.4. La fonction de renouvellement (du P.R.S.)
La fonction de renouvellement notée U(x) avec :
si
( ) {
, ( )- si
Est le nombre moyen de renouvellement dans l‟intervalle de temps .
En partant de la 3e déf. de PRS, on montre que :
(1) ( ) V.A. ( √ ) ; où ( ) et √ ( ), i N ,
avec x>> et fini.
(2) ( ) . /
Où . / est une fonction arbitraire de ; càd . / quand .

I.2. Processus Stochastique Markovien (P.M.)
Soit * ( ) + * + un processus stochastique continu dans le temps
et discret dans l‟espace des états sur un espace probabilisé ( ).
On dit qu‟un tel processus stochastique est markovien (no memory process) si et
seulement seules les réalisations présentes influencent les réalisations futures. (le
passé n‟a pas d‟effet sur le futur).
temps
0 tn tn-1 t1 t0 t
Instants passés Instant Instant

présent futur
Il va de soi que
Le processus stochastique * ( ) + est un processus markovien ssi
, ( ) ( ) ( ) ( ) ( ) -=

, ( ) ( ) - ( )
Où ( ) comme probabilité de transition.
Nota :
(1) La chaîne de Markov (CM) est un cas particulier de P.M., car c‟est une suite
stochastique Markovienne * ( ) +.
(2) Nous ne considérons que les P.M. homogènes, c'est-à-dire les PM à
probabilité de transitions stationnaires ssi ( ) ( ).
(c'est-à-dire ne dépendent pas des instants, mais de l‟intervalle de temps).
(3) L‟exemple important du processus stochastique Markovien, c‟est le
processus de vie et de mort. (I.3.).
I.3. Processus de vie et de mort ≡ Proc. de naissance et de décès (PVM)
I.3.1. Généralités
a) Définition
Un P.V.M. est un proc. markovien continu dans le temps, discontinu dans
l‟espace des états et vérifiant les axiomes suivants :
ax-1 : , ( ) ( ) - ( );
où ( ) taux instantané de naissance ( ≥ 0), .
(le nombre moyen de naissances par unité de temps à l‟instant t).
( )
( ) fonction arbitraire de telle que lim =0.
(Une fonction qui tend plus rapidement à 0 que , une fonction infiniment petit
d‟ordre supérieur à ).
ax-2 : , ( ) ( ) - ( );
où ( ) taux instantané de décès ( ≥ 0), .
( ) comme ci-haut.
ax-3 : , ( ) ( ) - ( ) ; où tq .
C'est-à-dire dans un intervalle de temps infiniment petit, il est pratiquement
impossible qu‟il se passe plus d‟un événement (décès ou naissance).
Conséquence des axiomes :
, ( ) ( ) - ( ) ( )
Il ne s‟est rien passé, ni naissance, ni décès.

b) Cas particuliers importants de PVM

1°) Si , alors on dit que le PVM est un processus de naissance pure.
(S‟il n‟y a pas de décès il y aura saturation).
2°) Si , alors on parle de processus de décès pur.
(S‟il n‟y a pas de naissance il y aura extinction).
3°) Si et , on dit que le PVM est homogène.
(Il y a indépendance du temps).
4°) Si et , on dit que le PVM est à accroissements
indépendants de la réalisation.
5°) Si et on dit que le PVM est homogène et linéaire
(avec ).
Nota : Dans ce cours, nous ne considérons que les PVM homogènes :
et . , ils sont encore appelés additifs et homogènes.
Problème (Décrire en termes de IP l‟évolution du PVM homogène dans le
temps).
Soit ( ) , ( ) ( ) - ou encore
( ) , ( ) ( )-
Il s‟agit de calculer { ( ) et fi d ns N} (1)
Ou encore calculer * ( ) + (1 bis)
Où ( ) est la probabilité d‟état du PVM homogène à l‟instant .
On veut voir si l‟ensemble (1) ou (1 bis) constitue une distribution de probabilité
en temps réel t ?
Nota : En général ∑ ( )
En effet : ∑ ( ) , * ( ) ( )+- ; en vertu de la σ-additivité de la
probabilité.
, en vertu de la normalité de la probabilité.
* Lorsque ∑ ( ) , on parle de l‟explosion du PVM.
En effet : ∑ ( ) , est la probabilité d‟explosion du PVM, càd
qu‟il y ait une infinité d‟individus présents dans le système considéré en un
temps fini.
* Il n‟y a pas explosion du PVM ssi ∑ ( ) , ssi
* ( ) + constitue une distribution en loi de probabilité.

I.3.2. Système d‟équations différentielles de Kolmogorov pour un PVM

homogène
Soit * ( ) + un PVM homogène. ( ) , ( ) ( )- ; .
Pour calculer les * ( ) +, on utilise la méthode de bilan des probabilités,
car un PVM est un processus markovien.
On montre que si * ( ) + est un PVM homogène et non explosif, alors les
probabilités d‟états ( ) sont solutions du système d‟équations différentielles
de Kolmogorov que voici :
( )
( ) ( ) ( ) ( ) ( )
( )
( )
( ) ( ) ( )
{
(I) est un système d‟équations différentielles de Kolmogorov en régime
transitoire (R.T.).
Nota : Pour résoudre ce système, on se donne explicitement les paramètres
( ) et ( ) .
Nous savons en R.T. qu‟il y a explosion s‟il y a une infinité d‟individus
indépendants du temps, et non explosion, si en R.T. il y a un nombre fini
d‟individus.
I.3.3. Théorèmes sur la non-explosion du PVM homogène * ( ) +
a) Théorème 1 (Critère de non-explosion de Feller – Lindberg)
Soit un PVM homogène et de naissance pure, càd processus de poisson ( )
Supposons ( ) , alors , on a que :
∑ ( ) ∑
b) Théorème 2
Soit * ( ) + un PVM homogène tel que ( ) , la condition
nécessaire et suffisante de la solution non-explosive du système d‟équations
différentielles de Kolmogorov est :
∑ ( ) ∑
Nota : c‟est un bon critère parce qu‟il fait intervenir aussi le taux de décès.
(Démonstration, voir le livre de Barucha – Reid).

I.3.4. Résolution du système d‟équations de Kolmogorov (I) dans 2 cas
particuliers
a) Cas d‟un processus de poisson : PVM homogène et de naissance pure tel que
et , .
Le système de Kolmogorov en R.T. s‟écrit :
( ) ( ) ( ) ( )
8
( ) ( ) ( )
Les conditions initiales : ( ) 2
( ) et ( ) , .
Critère de Feller – LindBerg : ∑ ( )
La solution existe et est unique.

Le système de Kolmogorov est récursif dans ce cas, c'est-à-dire on peut le
résoudre par récurrence et on trouve finalement :
( )
( ) ;
Nota : Il généralise la loi de Poisson de paramètre , c‟est en fait la loi de
Poisson de paramètre .
Où est le nombre moyen d‟événements qui se produisent dans
l‟intervalle de temps de longueur t.
b) Cas de PVM homogène et linéaire ( et ) avec ,
et .
Le système de Kolmogorov en R.T. devient :
( ) ( ) ( ) ( ) ( ) ( ) ( )
( )8
( ) ( ) ( )
Conditions initiales : ( ) si .
(*) Sous quelle condition, il existe une et une seule solution de (I) de non
explosion ?
Cfr. Le théorème 2 :
( )
∑
( )

∑. / . /
On résout (I) sous .

(*) Le système de Kolmogorov (I) n‟est pas récursif, et la résolution se fera par
la méthode des fonctions génératrices des probabilités.
Soit ( ) ∑ ( ) ; (1)
Une série entière absolument convergeant dans le disque unité ( ).
La méthode permet de ramener un système infini d‟équations différentielles à
une seule équation aux dérivées partielles (I bis) qui lui est équivalent :
( ) ( ) ( )( ) avec C.I. 2
La résolution de ce système par la méthode de Lagrange donne :

( ) ( ) ∑ , ( )-, ( )-, ( )- ; (2)
[ ( )
] [ ( )
]
Où ( ) ( ) ; ( ) ( )
Or on a :
( ) est donnée par la définition (1) et ;
( ) est obtenue par la résolution de l‟équation aux dérivées partielles (I bis).
Le développement d‟une série entière est unique, par conséquent (1) (2).
D‟où on développe (2) en série entière et on identifie ses coefficients aux
coefficients de (1).
D‟où on obtient :
( ) ( ); ( ) , ( )-, ( )-, ( )- ;
I.3.5. Régime Permanent (R.P.) du P.V.M.
a) Définition de R.P. pour un P.V.M. homogène
Un P.V.M. admet un R.P. si les conditions suivantes sont satisfaites :
1°) lim ( ) existe et indépendant du temps et des C.I. ( ) ;
2°) ∑
Nota : Le P.V.M. homogène * ( ) + possède un R.P. ou encore est stable
ssi * lim ( ) + constitue une distribution de probabilité
indépendante du temps et de X(0).

b) Théorèmes
Théorème 1 : Les probabilités d‟états (ou limites) lim ( ), quand
elles existent, satisfont au système infini d‟équations algébriques de
Kolmogorov avec 0 aux premiers membres :
( )
( ){
En effet, ce système (II) est obtenu par calcul de limite membre à membre de
système (I).
( )
lim 0 lim ( )1
lim ( ) est une constante indépendante de t.

Théorème 2 : Si , on a ∑ ( ) , alors lim ( ) existe
et indépendant de X(0), mais cela n‟entraine pas nécessairement qu‟on a une
distribution de probabilité (∑ ), car on peut avoir ∑ .
Commentaires :
(1) ∑ entraine la non existence de distribution des probabilités limites
et par conséquent la non existence de régime permanent.
(2) Lorsqu‟on est dans la condition du théo 2, si * ( ) + constitue
une distribution de probabilité en R.T., il y a possibilité d‟ajouter des
conditions supplémentaires pour qu‟il existe la série en R.P.
I.3.6. Propriétés relatives aux distributions (ou lois) de poisson et exponentielle
négative
a) Processus de poisson ( )
1°) Une variable aléatoire discrète X est distribuée suivant la loi de Poisson
( )
( ) ssi ( ) et , - ; .
2°) * ( ) + est un processus de Poisson de paramètre ssi c‟est un
P.V.M homogène de naissance pure tel que :
( )
( ) , ( ) ( )- ; .
Théorème : Le processus de poisson ( ) généralise la loi de Poisson ( ).
En effet, (2°) Processus de poisson ( ) est la loi de Poisson ( ) de paramètre
( ) qui représente le nombre moyen d‟événements dans ( , -, tandis que (1°)
est la loi de Poisson de paramètre ( ). Où est le nombre moyen d‟événements
par unité de temps.
b) Distribution (ou loi) exponentielle négative ( )

Si les événements obéissent à un processus de poisson ( ), alors les
interévénements sont les variables aléatoires indépendantes et équidistribuées
suivant la loi exponentielle négative ( ).
Une V.A.C. positive T est distribuée suivant la loi exponentielle négative ( )
ssi :
( ) , - {
̅ ( ) , - {
Pour t≥0, on a :
̅ ( ) ( )
, -
, v nement d ns ( )-
Pour t < 0, on a : Ev. Impossible car le temps est toujours positif

̅ ( ) , -
c) Propriété d‟oubli de la loi exponentielle négative

Soit T une V.A.C. distribuée suivant une loi exponentielle négative ( ).
T
temps
0 s t
V= Vie Y=Survie T=V+Y
Où V est le temps que la V.A.C. T a déjà vécu quand on se déplace de o à s.

c'est-à-dire V est la vie.
Y est la durée de survie de la V.A.C. T, à partir de l‟instant présent s.
La propriété d‟oubli affirme que la distribution de la survie Y égale à la
distribution exponentielle négative ( ) de l‟intervalle de tout entier T.
, - ( )
Nota : La technologie moderne fait un effort pour que tous les équipements
suivent la loi exponentielle négative, c'est-à-dire équipements qui ne vieillissent

pas (ex. tubes à diodes). L‟inconvénient de ces équipements est qu‟ils sont
irréparables.
d) Seule la distribution exponentielle négative possède le propriété d‟oubli.
D‟où : Propriété d‟oubli ssi distribution exponentielle négative.
e) Théorème liant la loi de poisson et la loi exponentielle négative.
Lorsque les événements se réalisent suivant une loi de Poisson de paramètre ( )
ou encore lorsque les événements suivent un processus de poisson de paramètre
, alors les interévénements sont des V.A. stochastiquement indépendantes et
équidistribuées obéissant à la loi exponentielle négative de même paramètre .
Réciproquement, lorsque les interévénements sont des V.A. stochastiquement
indépendantes et équidistribuées suivant à la loi exponentielle négative de
paramètre , alors les événements obéissent à la loi de poisson de même
paramètre .
Nota : pour poisson, est le nombre moyen d‟événements par unité de temps, et
pour la loi exponentielle négative, ( ) est la moyenne d‟interévénements.
I.4. Exemple
Considérons le PVM suivant :
( )
{
Déterminer sa distribution stationnaire ?

Solution
Le système d‟équations de Kolmogorov est :
( )
( ) ( ) ( ) ( ) ( )
( )
( )
( ) ( ) ( )
{
Remplaçons , par leurs valeurs dans le système (I).
( ) ( ) ( ) ( ) ( )
8
( ) ( ) ( )
En régime permanent (puisqu‟il s‟agit de déterminer la distribution stationnaire),

nous aurons :
( ) ( )
{
( )

De (2), nous avons : ( )
(*) Si n=1, alors de (1), nous avons :

( )
( ) (4)
(3) dans (4), on trouve : ( )
( )
( )
(**) Si n=2, alors de (1), nous avons :

( )
( )
( )
( )
(3) et (4) dans (6), on trouve :
( )
( )
Ainsi par récurrence, l‟exposant de q a alors la forme générale . D‟où :
( )
( )
Il nous reste à déterminer . Nous savons que les constituent une

distribution de probabilité. Par normalisation, nous avons :
∑ ∑
( )
∑( )
( )
( ∑( ) )
( )
( )
∑ . /

La distribution stationnaire est alors donnée par :

( )
. / , où est définie en ( ).
I.5. Exercices
1. Considérons le PVM suivant :
{
( )
Déterminer sa distribution stationnaire ?
2. Le processus de Yule est un cas particulier de processus de naissance pure

rencontrée en physique et en biologie. Supposer que chaque nombre dans une
population ait la probabilité ( ) ( ) de donner naissance à un
nouveau nombre dans un intervalle de temps de longueur k. On prendra
pour tel processus.
2.1. Déterminer ( ) , ( ) -
2.2. Calculer la fonction génératrice des probabilités.
2.3. En déduire l‟expression de ( ) et ( ).
3. Soit un processus de décès pur avec , pour n=1, 2, … c'est-à-dire

, ( ) ( ) - pour j > k (t et k entiers positifs).
Supposer que la population soit d‟effectif initial i ( ), déterminer :
3.1. ( ) , ( ) -
3.2. ( )
3.3. ( )
4. Un processus de vie et de mort est appelé processus de croissance linéaire si :
{ ; avec
Calculer ( ) pour tel processus. On suppose ( ) p.s.
5. Une chaîne de markov à temps continue comporte 2 états notés 0 et 1. Le

temps d’ ttente d ns l’ t t est distribu suiv nt e p ( ). Le temps
d’ ttente d ns l’ t t suit l loi e p ( ).
Déterminer ( ) , ( ) ( ) -.
6. Poser dans l'exemple 5. Définir par ( ) le nombre de fois que le

système ch ng d’ t ts u temps .
Trouver la distribution de probabilité de ( ).

II. CHAINES DE MARKOV

II.1. Généralités
Définition et notions générales
a) Une Chaine de Markov (C.M.) est une suite stochastique markovienne
{Xm=X(tm), m ∊ IN}. C‟est une suite aléatoire {Xm=X(tm), m ∊ IN}, définie
sur un espace de probabilité ( ) à valeurs dans un ensemble E fini ou
dénombrable, appelé espace des états, et qui jouit de la propriété de Markov.
Ici, nous ne considérons que les suites homogènes (à probabilités
stationnaires).
b) Espace des Etats et Espace des temps :
1. espace des Etats : E = {E1, E2,…, En, …} ∊ J IN
2. espace des temps : T= {to, t1, t2 … tm, …} ∊ I IN
Nota : Il faut comprendre une chaîne de Markov {Xm, m ∊ N} comme une
promenade dans l‟espace d‟états E, la variable Xm indiquant l‟état dans lequel on
est à l‟instant n. La v.a. X0 représente l‟état initial duquel démarre la chaîne.
Selon le contexte, X0 pourra être aléatoire ou déterministe.
La propriété de Markov signifie que, connaissant le dernier état visité (disons à
l‟instant n), la loi du prochain état visité (i.e. la loi de Xn+1) ne dépend pas des
états visités depuis l‟instant 0 jusqu‟à l‟instant n − 1.
Notion de « pas »
1 pas = long [tm, tm+1], m∊I N; c.-à-d. la longueur du chemin allant d‟un
état à un autre est 1.
n pas = long [tm, tm+n], m ∊ I N; de même la longueur du chemin allant
d‟un état à un autre est n.
c) Probabilité de transition (ou IP de passage) d‟un état Ei à un état Ej en n pas :
( )
[ ]= [ ( ) ( ) ]
, -
( )
Nota: lorsque n=1, =
d) Matrices des IP de transition (ou matrices des IP de passage)
1. Matrice des probabilités de transition en 1 pas : P= ( )

( ) ( )
2. Matrice des probabilités de transition en n pas : =. / ;
Ce sont des matrices carrées.

Nota : - Une C.M. est dite finie lorsque E est fini.
- Une C.M. est dite infinie lorsque E ↔ IN
e) Propriétés élémentaires des matrices carrées P et
( ) ( )
( ); . /, n ∊ IN*
( )
1°) i, j ∊ J, n ∊ N* : 0 ≤ ≤1
( )
2°) n ∊N* et i, j ∊ J, ∑ =1
( )
En effet : P [ Xm+n = j / Xm = i ]
or [ Xm+n = j / Xm = i ]= Ω (événement certain)
( ) ( )
* , -+ ⏞ ∑ 0 1
( ) ( )
=∑ 0 1 0 1;
Car C.M. donc processus stochastique sans mémoire, d‟où les événements
et sont indépendants en probabilité.
( ) ( )
=∑ ; (1)
Notons que est le terme g n r l de

( ) ( ) ( )
et ∑ est le terme g n r l de
}
Corollaire des Equations de CHAPMAN - KOLMOGOROV (2)
( )
n IN*, (3)
( ) ( ) ( )
En effet : ; avec
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
; m ∊ IN*

Conclusion :
( )
La connaissance de P = ( ) la connaissance de , n ∊ IN*
( ) ( )
Remarque : , mais , voire propriétés des matrices.
Nota : Notion de distribution de IP à l‟instant T.

( )
IP [C.M. soit dans l‟état Ej à l‟instant n], n ∊ IN, j ∊ J.
= IP [ X( )= Ej / X(0)]
( )
IP [C.M. soit dans l‟état Ej à l‟instant initial].
= IP [ X(0)= Ej]
( ) ( ) ( ) ( ) ( )
. / . /
( ) ( )
. /
Ce sont des vecteurs de probabilités ou mieux une distribution de IP à l‟instant

n∊IN.
( )
= distribution de probabilité de la C.M. à l‟instant initial.
( ) ( )
Par conséquent les , j ∊ J, n ∊ N sont des IP d‟état, tandis que les sont
des IP de transition.
( ) ( )
 Relation entre les IP d‟état et les P de transition
( )
n ∊ IN, IP [C.M soit dans l‟état Ej à l‟instant n]
P[ (t ) ( )]
( )
∑ on a des événements indépendants, car no memory process.
ou en écriture matricielle:
( ) ( ) ( ) ( )
(4.a); ( )
( ) ( )
; (4.b) n ∊ IN*.
Conclusion générale
Une C.M est complètement déterminée ou décrite par la connaissance de :
( )
: la distribution de IP à l‟instant initial.

et ( ), la matrice de probabilités de transition stationnaire en 1 pas.

g) Stationnarité, Ergodicité et Régularité
1° Stationnarité : une C.M. est dite stationnaire lorsque j J, on a que :
( )
lim , il existe dans R+
( )
Supposons une C.M. stationnaire et posons lim , j ∊ J.
( ) ( )est un vecteur de probabilité

Car , j ∊ J et ∑
Ce vecteur de probabilité ( )constitue une distribution de
IP ; appelée distribution de IP stationnaire.
En écriture matricielle u= ; existe lorsque la C.M. est stationnaire.
 Cfr (4.a) : = . P ; si la C.M. est stationnaire alors on a :

( ) ( )
lim lim
⏟ ⏟
(5) : lorsque la C.M. stationnaire.

C'est-à-dire, lorsque la C.M. est stationnaire, sa distribution de probabilité
stationnaire est un vecteur propre à gauche pour la valeur propre 1 de la matrice
des probabilités de transition en un pas P= (pij).
Nota :
1. (5) ouvre d‟autres voies d‟approche pour l‟étude d‟une C.M. (analyse
spectrale, cfr. analyse supérieure).
2. Problèmes : -Etant donné une C.M. Existe-t-il toujours une distribution de
probabilité stationnaire ? Il faut avoir une C.M. stationnaire (cercle vicieux).
- Etant donné une C.M (même stationnaire), il existe une distribution de
probabilité stationnaire ? (point d‟unicité).
La réponse est négative en général.
- Supposons que la C.M. stationnaire possède une seule distribution de
probabilité stationnaire. Celle-ci est-elle indépendante de ? (cfr. 4.b).
L‟étude de ces points se résume à l‟étude des conditions de stabilité des C.M.
2° Ergodicité : une C.M. est dite ergodique lorsque j ∊ J, on a :
( )
lim ( )
{
( ) ( )
lim
Nota : Dans beaucoup d‟ouvrages, la stationnarité et l‟ergodicité sont

confondues (ouvrages anciens).
3° Régularité : une C.M. est régulière si elle est stationnaire et que sa
distribution de P stationnaire est unique et indépendante de
Théorème (par interprétation probabiliste) : C.M. régulière ssi C.M.

stationnaire et ergodique.
II.2. Etude de la structure d’une C.M. par les graphes
a) Représentation d’une C.M. par un graphe (graphe associé à une C.M).
Une C.M. est entièrement connue en P par la donnée de :
 Un vecteur de IP initial
 Une matrice des IP transitoires en 1 pas : P= (pij)
Le graphe associé à la C.M : G = (X, ) ; où X E = {E1, E2,…,Ej,…} et une
relation définie sur E : i, j J ↔ E ; on a que i Γ j pij ≠ 0 (> 0).
Nota : Au lieu de considérer P= (pij), on peut considérer =( ), avec n

N*
Donc à une C.M., on peut associer une infinité dénombrable des graphes, mais
nous allons retenir seulement P= (pij) pour de raison de facilité et à cause des
équations de CHAPMAN-KOLMOGOROV.
Un graphe G = (X, Γ) considéré est un des graphes qu‟on peut associer à la
C.M.
Ex : Soit la C.M. d‟ordre n=5, (donc une C.M. finie) dont la matrice des IP
transitoires en 1 pas est donnée par :
( )

Le graphe associé à cette chaîne de Markov relativement à la matrice P est :

G = (X, Γ) = (X, U) ; où X = J = {1, 2, 3, 4, 5}
Γ relation sur X telle que i, j ∊ X ; i Γ j ssi pij 0.
U ={(1,1), (2,1), (2,3), (3,2), (3,4), (4,3), (4,4), (4,5), (5,5)} ; c'est-à-dire le
graphe :
1 2 4
D‟après ce graphe associé à la C.M. ( P), on voit que la C.M. est une
promenade aléatoire univariée sur un ensemble fini de 5 états, avec deux états
absorbants. (1 et 5).
Nota : on entend par état absorbant Ej, un état tel que pij=1. (quand on y entre,
on ne sort plus, on a la ruine pour le cas pratique).
b) Fermeture transitive d’un graphe (associé à la C.M. P)
Soit G=(X, Γ) = (X, U) un graphe, on appelle fermeture transitive associée à G,
le graphe ̂ ( ̂ ̂) ( ̂ ̂) ;
Où ̂ , ̂ = relation sur ̂ définie par :
i, j ∊ ̂ ; ̂ j ssi il e iste un chemin de longueur n (n ∊ N*) ll nt de i
à j.
̂ ; = ensemble des « Arcs » (ou chemins de longueur n ≥ 2) obtenu
par transitivité algébrique.
NOTA : ̂ ( ̂ ̂) ( ̂ ̂) ⋃ ;
Où G0 le graphe constitué des sommets X et des boucles de long. 0.
(X, Γ0) ; i Γ0j ssi i=j
(X,{boucles de longueur 0}) ; c.à.d. boucles non-orientées.
G1 G = (X, Γ) = ensemble des sommets X et de tous les circuits de long. 1 et

les chemins de longueur 1 ; (circuits de longueur 1 = boucles orientées).

G2 (X, Γ2) ; où Γ2 relation sur X, telle que i, j X ; i Γ2 j ∃ un chemin de

long 2 de i à j.
Ensemble des sommets et de tous les chemins et circuits de long 2
k 2 ; Gk (X, Γk) ; où Γk relation sur X telle que i, j X ; i Γkj ∃ un
chemin de long k de i à j.
Ensemble des sommets et de tous les chemins et circuits de long k.
** Fermeture transitive associée à une C.M.

C‟est le graphe ̂ = ( , ) ; où = J ensemble des états de la C.M.
=⋃ ; où Gk = (J, Γk) ; comme précédemment.

Exemple : Cfr. Exemple précédent de CM (une promenade avec E1 et E5 comme
états absorbants).
Graphe associé.
3
u3 u6
u1 5
u9
u8
u2
1 2 u4 u5 4
u7
: chemin de longueur 2.
: chemin de longueur 3.
G0= (J, Γ0) = (J, tous les circuits de long 0) ; J = {1, 2, 3, 4, 5}
G1= (J, Γ1) = (J, Γ) = (J, U) ; U = {u1, u2, …, u9}
G2 = (J, {tous les chemins et circuits de long 2}) = (J, Γ2)
G3 = (J, {tous les chemins et circuits de long 3}) = (J, Γ3)
La fermeture associée à cette CM est :
̂ = (J, ) = G0 G1 G2 G3
** La fermeture transitive associée à la CM détermine 2 nouvelles

relations sur X = J : ensemble des états.

1°) Relation d’accessibilité : A

i, j J:iAj un chemin de longueur n IN* de i à j.
( )
∃
 On admet (réflexivité algébrique que tout état est accessible de lui-même
(circuit de long. 0 boucle non-orientée)
 Il va de soi que A est transitive.
2°) Relation de communicabilité (ou de communication) : E
i, j J, i E j i A j et j A i ∃ un circuit passant par i et j
( ) ( )
∃
- Il est clair que : E est réflexive, symétrique et transitive E est une relation
d‟équivalence sur J.
E partitionne ̂ (ou G) à la CM par la matrice P = (pij) en classes
̂
d‟équivalence ⁄ (ou ⁄ ).
 Une classe d‟équivalence modulo E est l‟ensemble des états de la CM qui

communiquent entre eux ; (c.à.d. un ensemble des états accessibles les uns
des autres).
- Reprenons l‟exemple
1 2 4 III
I
II
3 classes d‟équivalence
I = {1}, II = {2, 3, 4}, III = {5}
NOTA : La relation A définie précédemment sur G, considérée sur l‟ensemble
des classes d‟équivalence est une relation d‟ordre.
c) Classes finales et classes transitoires d’une CM
 Classe finale : on appelle classe finale, une classe d‟équivalence qui est un
élément maximal. (c.à.d. ne peut être inclus dans une autre classe
d‟équivalence (algèbre). C‟est une classe d‟équivalence telle que quand on y
entre on ne peut plus en sortir).
Ainsi dans l‟exemple précédent, I et III sont des classes finales.
 Classe transitoire : c‟est toute classe d‟équivalence qui n‟est pas un élément
maximal (ou classe finale). C‟est une classe d‟équivalence telle que quand
on en sort, on n‟est pas sûr d‟y revenir même après un temps infini.
NOTA :
1°) Les états d‟une classe finale sont appelés : états persistants (ou états
récurrents) ; c.à.d. un état tel que quand on le quitte, on est sûr avec probabilité
1, y revenir. On les distingue en persistants nuls (PN) et persistants non nuls
(PNN) (récurrents positifs).
Un état persistant non nul est un état tel que quand on le quitte, on est sûr avec
probabilité 1, y revenir après un temps fini (un nombre des pas fini) ; tandis
qu‟un état persistant nul, on y revient avec probabilité 1, après 1 temps infini (un
nombre des pas infini).
2°) Les états d‟une classe transitive sont appelés états transitoires ou états
transients, c.à.d. un état tel que quand on le quitte, on n‟est pas sûr d‟y revenir,
même après un temps infini (un nombre des pas infini).
3°) Les états les plus importants (intéressants) à étudier, ce sont les PNN. En
effet, si ∃ une distribution des probabilités stationnaires, celle-ci ne peut
concerner que les états persistants non nuls. (Quand on a plus d‟une classe
finale, on ne peut pas avoir la distribution des probabilités stationnaires)
d) Période d’une classe d’équivalence
Définitions :
- La période d‟une classe d‟équivalence est le p.g.c.d. des longueurs des
circuits dans cette classe.
- Une classe d‟équivalence est dite périodique, de période t, si t 2.
- Une classe d‟équivalence est dite non-périodique ou apériodique si t=1.
Conséquence : Toute classe d‟équivalence contenant une boucle orientée
(circuit de long 1) est une classe apériodique.
Exemples :

Exemple 1 : Cfr. Précédemment, les classes I et III sont des classes finales
apériodiques ou non-périodiques. La classe II est une classe transitoire
apériodique (à cause de la boucle) (s‟il n‟y avait pas de boucle, on aurait une
classe transitoire de période t=2).
Exemple 2 : soit la C.M de matrice des IP transitoires à 1 pas :
P=
Le graphe associé à cette CM ( à P=(pij))
I 3
5
1
2 4 II
6 7
III
(I) : classe transitoire périodique (t = 2)

(II) : classe finale périodique (t = 3)
(III) : classe finale apériodique.
e) Résumé (ou récapitulation) :
1°) Il existe 2 types d‟états dans une CM :
- Ceux à la classe transitoire, sont appelés états transitoires.
- Et ceux à la classe finale, sont appelés états persistants ou états
récurrents ou états finaux.
2°) Une C.M est dite primitive ou stationnaire, lorsque toutes les classes finales
sont apériodiques.
3°) Une C.M est dite irréductible lorsqu‟elle ne possède qu‟une seule classe
d‟équivalence (ou lorsque tous ses états communiquent entre eux).
4°) Une CM est dite ergodique lorsqu‟elle possède une seule classe finale qui
soit apériodique.
5°) Une C.M est dite régulière lorsqu‟elle est primitive et ergodique.
NOTA : Dans beaucoup d‟ouvrages quand on parle de C.M ergodique, on sous-
entend une chaine de Markov régulière.
f) Quelques exemples courants de CM
Exemple 1. Schéma de Bernoulli simple
succès vec P
Deux états : {
chec vec P
C‟est une CM à deux états car les réalisations futures sont indépendant du
passé (et même du présent).
 Matrice des IP de transition En 1 pas.
P= . / graphe associé :
0 1
CM irréductible, car tous les états communiquent ou une seule classe

d‟équivalence.
La C.M. est donc irréductible et apériodique.
Exercice : Etudier l‟existence de sa distribution de IP stationnaire ?
Exemple 2 : Schéma de Bernoulli généralisé.
C‟est une expérience aléatoire à 2 états :
- Echec (0) avec probabilité q 0
- k succès consécutifs avec probabilité p 0;k IN*, et on pose p + q = 1
C‟est une CM car le futur ne dépend tout au plus que du présent.

Nature : C‟est une CM infinie car k IN*

 Matrice des IP transitoires en 1 pas :

0 1 2 k-1 k k+1 k+2
[ ]
Trouvez le graphe associé à la matrice P. Déterminez la nature de cette chaîne de

Markov (lecteur) ?
Exemple 3 : Promenade aléatoire simple avec 2 barrières absorbantes. (C‟est un
problème classique de la ruine).
Description :
- On se déplace vers la gauche avec IP, q 0.
- On se déplace vers la droite avec IP, p 0.
- On doit à chaque pas se déplacer sauf si on est aux états 0 et k p+q=1.
 C‟est une C.M. car le futur est indépendant du passé et même du présent.
[ ]
Le graphe associé à la matrice P :
0
1 2 3 k-1 k
On a une C.M. finie avec 3 classes d‟équivalence :

 1 classe transitoire périodique (t=2) : {1, 2, 3, …, k-1}
 2 classes finales apériodiques : {0} et {k}.

La C.M. est primitive (car toutes les classes finales sont apériodiques).
II.3. Etude de la structure et des états d’une C.M. par Généralités
II.3.1. Généralités
Soit une C.M. finie ou infinie (C.M. homogène avec un nombre d‟états finis ou
dénombrables).
a) les probabilités transitoires en n pas (n∊ IN*)
( )
, ⁄ -, i, j ∊ J Ens. Des états.
(J⊆IN; J ↔ Ens. des états).

( )
: IP transitoire en 1 pas.
( )
b) IP d‟état ou IP à l‟instant n∊IN* est : ( )
c) L‟Equation de Chapman-Kolmogorov est :
( ) ( ) ( )
∑
Le second membre est obtenu grâce à l‟hypothèse fondamentale de « no

memory process ». On a sur le plan matriciel : ( )
( ) ( ) ( ) ( )
∑ ; où { , i ∊ J} est une distribution de probabilité
d‟états à l‟instant initial.
II.3.2. Classification et définition des types d’états
( )
a) P,p rtir de l t t j et d y revenir pour l première fois en n p s-
( ) ( )
Nota : P,p rtir de l t t j et d y revenir en n p s-
 On a d‟ailleurs :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
∑ ; avec , .
b) Soit l‟état Ej, on peut définir :
( ) ( )
1° ∑ 0⋃ j 1 ;
( )
Où j « partir de Ej et d‟y revenir pour la première fois en n pas »

est une probabilité au sens de Kolmogorov : 0 ≤ ≤ 1.

est donc la probabilité de retour (ou de revenir) à l‟état Ej.
Nota : Interprétation de la probabilité compte tenu de II.2.
- Si , alors Ej est récurrent (ou persistant) car alors on est sûr de revenir à
Ej) ;
- Si ; alors Ej est un état transitoire.
( )
2° ∑
( )
Lorsque 2 N*3 constitue une distribution de IP est le
temps moyen de retour à l‟état Ej.
 Classification des états persistants (ou récurrents) :
(1) Ej est récurrent positif (ou PNN) si :
(2) Ej est récurrent nul (ou P N) si
(3) Ej est transitoire si f

II.3.3. Périodicité et Ergodicité des états d’une C.M.
a. Périodicité
a.1. Définition de W. Feller
Un état Ej est dit périodique s‟il existe k ∊ IN* tel que :
( )
(1) , n ≢ (modulo k) c’est –à- dire, non multiple de k.
La période t le plus petit naturel k > 1 tel que (1) soit vérifiée.
a.2. Définition de CHUNG
Un état Ej est dit périodique et de période t > 1, si t = le p.g.c.d. des naturels n ∊
( )
IN* tel que .
Exercice : Montrer que les deux définitions sont équivalentes.
b. Ergodicité (ou définition probabilité de l‟ergodicité)

Un état Ej est ergodique s‟il est :

PNN et
{
non p riodique (ou p riodique)
Exercice : Faire liaison avec notion d‟ergodicité vue à la section II.2.
( ) ( )
lim existe > 0 et indépendante de .
II.3.4. Critères de détermination du type des états
a. Critère 1 :
( )
j est persist nt ∑
( )
j est tr nsitoire ∑ est converge ( )
{
b. Critère 2 :
( )
1° Si Ej est transitoire ou PN alors lim
2° Si Ej est PNN et apériodique alors :
( )
lim ; où = temps moyen de retour à l‟état Ej.
3° Si Ej est PNN et périodique (t > 1) alors :

≢ ( )
( )
lim { ( )
Réciproquement :
( )
 Si Ej est persistant et si lim , alors Ej est P.N. ;
( )
 Si lim , alors Ej est PNN ;
( )
 Si Ej n‟est pas persistant et si lim , alors Ej est transitoire.
II.4. Exemple
Un rat blanc est introduit dans un labyrinthe (Cfr schéma ci-dessous). Le rat se
déplace au hasard dans les différents compartiments : s‟il existe k issues pour
quitter un compartiment, il choisit l‟une d‟elles de manière équiprobable. Noter
qu‟à tout instant, le rat change le compartiment.

On considère comme état du système le numéro du compartiment dans lequel se

trouve le rat.
1 2 3
6 5 4
7 8 9
a. Montrer que le processus ainsi décrit constitue une C.M

b. Classifier les états et déterminer la nature de cette C.M.
c. Calculer si possible les probabilités de retour dans leurs états.
Solution
a) C.M processus stochastique :
a.1) Discret dans le temps, car les instants sont finis ou dénombrables ;
a.2) Discret dans l‟espace, car les cases (ou compartiments) sont finies.
a.3) Markovien, car retrouver le rat dans le compartiment ne dépend que du
compartiment présent.
b) Le graphe associé est :
2 3
4
1
9
5
6
8
7
La C.M. est irréductible et périodique (t= 2).

Tous les états sont P.N.N fi=1, la probabilité de retour.
( ) ( )
c) ∑ ; où ,retour { l t t i près n p s-
II.5. Exercices
1. Considérons la promenade aléatoire suivante avec 2 barrières absorbantes :
(les états 0 et k sont tels que quand on y entre, on ne sait plus en sortir).
Description :
 On a (k+1) états, k fixé dans IN*.
 Etant à l‟état i :
- On se déplace vers la gauche avec probabilité qi 0 ;
- On se déplace vers la droite avec probabilité pi 0.
- On peut rester à l‟état où on est avec probabilité ri ≥ 0 et on doit avoir
Ei : pi + qi + ri =1.
Questions :
a. Vérifier que c‟est une C.M. ?
b. Trouver la matrice de IP de transition en 1 pas.
c. Trouver le graphe associé et la nature de cette C.M.
2. Considérer l‟exercice précédent avec (k+1) états où seul l‟état 0 est un état
absorbant mais pk=0 c'est-à-dire qk 0.
Etudier la C.M. qui en résulte.
3. Même exercice que précédent, mais avec q0 0 (ici l‟état n‟est plus un état
absorbant). Aucun état n‟est absorbant, cependant pk= q0 = 0, mais p0 = 0.
- Etudier la nature complète de la C.M. qui en résulte.
- Quelles sont les conditions que doivent satisfaire les réels ri (0≤ ri ≤1) pour
que la C.M. soit régulière ? Dans ce cas, calculer la distribution de
probabilité stationnaire, par exemple en utilisant la méthode matricielle ou
bien en sachant que :
Si { j k} est la distribution de probabilité stationnaire alors
elle satisfait au système d‟équations suivant :
∑ ( fr ons quence de h pm n olmogorov)
∑ condition de norm lis tion

{
Trouver une application numérique et la résoudre (k donné ≥ 4).
4. Trois chars participent à un duel. Le char A atteint sa cible avec une

probabilité de 2/3 ; le char B avec une probabilité de ½ et le char C avec une
probabilité de 1/3. Les obus sont lancés simultanément, et dès qu‟un char est
atteint, il est hors de combat.
On suppose qu‟à chaque étape, chaque char lance l‟obus en direction de son
adversaire le plus fort. On désigne par état, l‟ensemble des chars qui sont
encore en activité.
4.1. Montrer que le processus ainsi décrit est une C.M.
4.2. Déterminer la matrice des IP de transition de cette C.M.
4.3. Classifier les états et déterminer la nature de cette C.M.
5. Une suite de chiffres {0, 1, 2,…..9} est générée au hasard. On considère les
états suivants :
S1 : « si le chiffre 0 apparait »
S2 : « si chiffre 1 ou 2 apparaissent »
S3 : « si 3, 4, 5, ou 6 apparaissent »
S4: « si 7 ou 8 apparaissent »
S5 : « si 9 apparait »
5.1. Trouvez la matrice de transition de cette C.M. Déterminez-en la structure.
5.2. Calculez le temps moyen de retour dans les états.
5.3. Cette C.M est-elle ergodique ? Déterminer sa distribution stationnaire si
possible.
6. Soit une C.M. sur les états tels que P00 = 1, , j > 0,
(n)
avec p+q=1. Calculer fj j .
7. Une urne contient 2 boules non peintes. A chaque instant n, on sélectionne
une boule au hasard. On la peint soit avec la couleur rouge, soit avec la
couleur noire. Puis on la remet dans l‟urne. Si la boule tirée est non peinte, le
choix de la couleur se fait au hasard. Si elle est peinte, on la change de
couleur. On désigne par état la tribu (x, y, z).
Où : x : le nombre de boules non peintes ;
y : le nombre de boules rouges
z : le nombre de boules noires présentes dans l‟urne à l‟instant n.

7.1. Déterminer la matrice de transition de cette C.M.

7.2. Classifier les états et déterminer la structure de cette C.M.
7.3. Calculer la IP d‟obtenir une boule rouge et une boule noire dans l‟urne après
3 tirages.
7.4. Calculer la IP qu‟à la longue, on ait une boule rouge et une boule noire dans
l‟urne.
8. Considérons une promenade aléatoire (dont l‟espace des états ⊆ ) telle que
Pi, i+1 = p ; Pi, i-1 = q (0 < p < 1, p+q = 1). Calculer .
9. On marque 5 points sur un cercle. A chaque instant un point matériel se
déplace d‟un point quelconque vers un autre avec une IP de ½. (Noter que le
point matériel ne reste jamais en place).
1°) Montrer que le processus ainsi décrit, est une C.M. puis déterminer sa
matrice de transition P.
2°) Calculer les IP de retour dans les états.
3°) Cette C.M. est-elle ergodique ? Calculer sa distribution stationnaire dans
l‟affirmative.
4°) Examiner le comportement asymptotique de Pn (si n→∞)
10) la matrice des P de transition d‟une C.M est donnée par :
[ ]
On donne la distribution de probabilités initiales (1/2,1/3, 1/12, 1/12).

10.1) Déterminer p2, p3, p(2), p(3).
10.2) Cette C.M. admet-elle une distribution stationnaire ? Justifier.

III. INTRODUCTION AUX SYSTEMES D’ATTENTE

III.1. Généralités sur les phénomènes d’attente
III.1.1. Définitions
1. File d‟attente
C‟est l‟ensemble des clients qui attendent d‟être servis à l‟exclusion de celui ou
de ceux qui sont en train d‟être servis.
2. Système d‟attente
C‟est l‟ensemble des clients attendant d‟être servis plus ceux qui sont en train
d‟être servis.
File d‟attente Service

(Centre d‟attente) (Centre de service)
3. Principaux types de systèmes d‟attente

a) Le système ouvert : est un système où le nombre de clients potentiels est très
élevé à tel point qu‟on peut considérer qu‟il est illimité. Par exemple :
- Station de service (distribution de carburant)
- Chambre froide, Internet …
b) Le système fermé : est un système dans lequel le nombre de clients est limité.
Par exemple :
- Cabinet médical
- Salon de coiffure
4. Notion de nombre de guichets ou de stations
Ce nombre fait référence au nombre de stations parallèles pouvant servir les
clients simultanément.
Système d‟attente avec une seule station
Service
Entrées Sortie
(Input) (Output)
Système avec une seule file et plusieurs stations
Sortie 1
Service
Sortie 2
Service
Entrées
Sortie 3
Service

Système avec plusieurs files et plusieurs stations

Sortie 1
Service
Sortie 2
Service
Entrées
Sortie 3
Service
Système avec services en cascade

Station 1 Station 2
Nota : Une variante de ce système est « le système en cascade avec recyclage »
III.1.2. Notation générale d’un système d’attente
On note un système par :

X|Y|Z|U|W
Où X : type de loi (ou distribution) des arrivées ou des inter-arrivées
Y : type de loi des durées de service
Z : Nombre de serveurs en parallèle, (Z ≥ 1)
U : Capacité de la salle d‟attente
W : Disciple adoptée.
- FIFO : “ First in First out”
- LIFO : “ Last in First out”
- SIRO : “ Service in Random Order”
- PRI : “ Priority service”
o 2 types : Priorité absolue et priorité relative.
III.1.3. Quelques cas particuliers de système d’attente
a) M | M | C
M : arrivées suivant la loi de poisson
M : durées de service suivant la loi exponentielle négative
C : serveurs en parallèle
* capacité de la salle d‟attente infinie
b) M | M | C | K
Mêmes hypothèses qu‟en a), mais capacité finie (=K)

c) M | G | C
M : arrivées suivant la loi de poisson
G : durées de service suivant une loi quelconque
d) M | G | C | K
Mêmes hypothèses qu‟en c), mais capacité finie (=K)
e) G | M | C
G : arrivées suivant une loi quelconque
f) G | M | C | K
Mêmes hypothèses qu‟en e), mais capacité finie (=K)
g) GI | M | C
GI : inter arrivées suivant une loi quelconque
h) GI | M | C | K
Mêmes hypothèses qu‟en g), mais capacité finie (=K)
i) G | G | C
G : arrivées suivant une loi quelconque
j) G | G | C | K
Mêmes hypothèses qu‟en i), mais capacité finie (=K)
k) GI | G | C
GI : inter arrivées suivant une loi quelconque


l) GI | G | C | K
Mêmes hypothèses qu‟en k), mais capacité finie (=K)
m) Ek | M | C
Ek : inter arrivées suivant une loi d‟Erlang d‟ordre k
n) M | Ek | C
M : arrivées suivant une loi de Poisson
Ek : durées de service suivant une loi d‟Erlang d‟ordre k
o) M | D | C
M : arrivées suivant une loi de Poisson
D : durées de service constantes
p) M | D | C | K
Mêmes hypothèses qu‟en o), mais capacité finie (=K)
III.1.4. Système d’attente markovien et système d’attente non markovien
Soit X(t) le nombre de clients présents dans un système à l‟instant (t ≥ 0), d‟où
* ( ) +est un processus stochastique continu dans le temps et discret dans
les états.
Considérons deux instants t et t‟ tels que t < t‟
X(t) X(t‟)
temps
t t‟
On a l‟équation suivante :
( ) ( ) ( - ( -

Où ( - : nombre des clients arrivés entre t et t‟.

( - : nombre des clients servis entre t et t‟.
Le système d‟attente est markovien si ( ), ( - et ( - sont connus en
probabilité.
Exemples des modèles markoviens :
M|M|C;M|M|C|K
Exemples markovisables :
M | G | 1 ; G | M | 1 ; M | G | 1 ; GI | M | 1 ; M | GI | 1 ; M | G | 1 | K ;
G|M|1|K
III.2. Modèles d’attentes markoviens à un serveur
III.2.1. Modèle d’attente M | M | 1
III.2.1.1. Caractéristiques du modèle
- Les arrivées suivant une loi de poisson ( )

- Les durées de services suivant une loi exponentielle négative (µ)
- Il y a un serveur
- La capacité de centre d‟attente est infinie
- La discipline est FIFO
III.2.1.2. Résolution du modèle
On va l‟assimiler à un P.V.M. les clients qui arrivent sont des « naissances », les
clients servis sont des « décès ».
Les paramètres du modèle sont :
Le système d‟équations de Kolmogorov est le suivant :

( ) ( ) ( ) ( ) ( )
8
( ) ( ) ( )
En remplaçant par et par , on a :
( ) ( ) ( ) ( ) ( ) ( )
8
( ) ( ) ( ) ( )
En régime permanent, ( )
D‟où les équations (1) et (2) deviennent :

( ) ( )
{
( )
Le nouveau système étant récursif, on obtient de (4) :
( )
Pour n=1, (3) s‟écrit :

( )
D‟où ( )
On obtient . / ( )
On montre par récurrence que :
( ) ( )
Partant de la normalité de la suite * + , on déduit la valeur de .

∑ ssi ∑
Tenant compte de (7), on a :
∑( )
Ce qui se traduit par :
∑( )
Partant de ∑ . / si
(Convergence d‟une série géométrique)
Dès lors 4 5
Ce qui entraine :
( )

Par suite :
( ) ( ) ( )
NOTA
1. Posons
Alors : intensité du trafic
La condition exprime le non-engorgement (pas
d‟embouteillage) du système d‟attente.
2. [0 client dans le système]
peut être interprété comme la probabilité qu‟un client soit immédiatement
servi à son arrivée.
III.2.1.3. Utilisation de la fonction génératrice des probabilités
Soit ( ) ∑
Considérons le système d‟équations de Kolmogorov ci-dessus en remplaçant

par .
( ) ( )
{
( )
Multiplions (10) par dans les deux membres
( )
Ce qui permet d‟écrire :
( )
En sommant cette dernière équation pour n ≥ 1 :
∑ ( )∑ ∑ ( )
En additionnant (12) et (11), on a :
∑ ( )∑ ∑
Ce qui est équivalent à :
[∑ ] ∑ ∑ ∑

∑ ∑ ∑
( ) ( )∑
( ) ( ) ( )
Si on pose n+1 = k, on aura :
[∑ ] ( ) ( ) ( )
D‟où , ( ) - ( ) ( ) ( )
( ) ( ) ( ) ( )
( ), ( ) - ( )
( ) ( )
( )
( ) ( ). / . /
D‟où ( ) ( )
NOTA :
1. On sait que ( ) ∑ (14 b)
D‟où ( ) ∑ ( )
(15) dans (14) ⇒

( )
( ) ( ) ( )
( )
2. L‟expression de * + sera trouvée en utilisant le développement en série de

puissance de ( ) , -
On a ( ) , ( ) -
∑( ) ∑( ) ( )
Par identification entre (14 b) et (17), on a :

( )

III. 2.1.4. Détermination de quelques paramètres du modèle M | M | 1
1. Nombre moyen des clients dans le système ( ̅ )
̅ ∑ ∑ ( )
( )∑
( ) ∑ (1)
Considérons la série ∑
En utilisant la dérivation d‟une série des puissances, on a :
(∑ ) . /| .( /| (2)
) ( )
Dans (1) ⇒ ̅
( )
( )
(3)
2. Nombre moyen des clients dans la file ( ̅ )
̅ ∑ ( ) ∑ ∑
∑ ,∑ -
D‟où ̅ ̅ ( ) ̅ confère (3)
D‟où ̅ ( )
3. Temps d‟attente moyen d‟un client dans la file

NOTA : chaque client passe un temps moyen de en service
D’où ̅ ̅ (5)
( )
4. Temps d‟attente moyen dans le système

( )
̅ ̅
( ) ( ) ( )
, confère (5)
D’où ̅
( )
(6)
III.2.1.5. Distribution du temps d’attente
Notons par Tq la variable aléatoire « temps passé en attente dans la file » et par
Wq(t) sa fonction de répartition.

On a ( ) [ ] ; par définition
En particulier pour t=0 :
( ) [ ]
[ ]
, -
, (1)
Déterminons ( )
 Rappel sur la distribution d’Erlang d’ordre n et de paramètre λ.
La densité : ( ) 8( )
Proposition (rappel) :
La somme de n variables aléatoires exponentielles négatives
stochastiquement indépendantes et équidistribuées suit une loi d‟Erlang (n, λ).
Supposons maintenant qu‟un client trouve n unités dans un service à son

arrivée. Pour que le client entre en service dans un temps compris entre 0 et t, il
faudrait que toutes les unités soient servies au temps t.
La distribution de chaque service étant exponentielle négative la

distribution du temps requis pour achever les n services suit la loi d‟Erlang
d‟ordre n.
 Rappel formules des probabilités totales
Soit * + une suite d‟événements formant un système complet, i.e. tel que :
Soit B un événement réalisé en combinaison avec l‟un des Ai, i = 1, …, n

Alors , - ∑ , - , ⁄ - ( )
( ) , -
∑ Des probabilités de n services soient achevés en un temps ≤ t
tq un client arrivé trouve n unités dans le système x Pn

( )
∑ ( ) ∫ ( )
( )
( )
( ) ∫ ∑ )
( )
Rappel (Cfr Au I)
∑
Dès lors :
( ) ( ) ∫ ( )
( ) ( )
∫
Posant ( ) ( )
( )
D‟où
( ) ( ) ∫ ( )
( )
( )
∫ ( )
( )
( )
, - ( ) [ ] ( )
( )
[ ] ( )
( )
( )
( )
Finalement
( ) { ( )
NOTA : On peut déterminer le temps d‟attente moyen d‟un client dans la file
moyennant (2) :
̅ [ ] ∫ ( ) , par définition
( )
∫ ( )
( )
( )∫
En intégrant par partie, on a : I

( )
( )
( )
( ) ( )
∫
( ) ( )
( ) ( )
( ) ( )
∫
( )
( )
6 7
( ) ( )
̅ ( ) ( )
0 1
( )
D‟où ̅ ( )
(3)
III.2.1.6. Formules de LITTLE
Elles établissent un lien entre le nombre des clients et le temps d‟attente

moyen.
On montre que
a) ̅ ̅
b) ̅ ̅
Conséquences
a) ̅ ̅
( ) ( ) ( )
b) ̅ ̅
( ) ( ) ( )
III.2.2. Modèle d’attente M/M/1/N
III.2.2.1. Caractéristiques du modèle
Mêmes hypothèses que le modèle M/M/1 mais de capacité limitée à N

clients.
On va l‟assimiler à un P.V.M. dont les paramètres sont donnés par :

{
{
Le système d‟équations de Kolmogorov en régime permanent est donné par :

( ) ( )
{
( )
De (2), on a :
( )
(3) dans (1) pour n = 1

( )
D‟où , d‟après (3)
. / ( )
( ) ( )
Pour n = N - 1 ; (1) s‟écrit :

( )
D‟où ,( ) -
[( ). / . / ] ; d‟après (5)
6 7
D‟où . / ( )
Dès lors . / (7)

 Détermination de
∑( )
( )
∑ . /
Avec le rappel et en posant
( )
{
D‟où pn devient
0 1
{ d’après 7 et 9
III.2.2.3. Paramètres de base
̅ ∑( )
Cas 1 :
̅ ∑( ) ∑( )
( )
∑ 4 5

( )
D‟où ̅ ( )
( )
Cas 2 :
̅ ∑( ) [ ]
( ) ∑( )
Posons k = n – 1
D‟où
( )
̅ ( ) ∑ ∑
( )
̅ ∑
( )
6 7 [∑ ]|
( )
6 76 7|
( ) ( ) ( ) ( )
6 76 7|
( )
( )
6 76 7|
( )
( )
6 76 7
( )
, ( ) -
̅ ( )
( )( )


d
̅ ∑
Cas 1 :
On sait que
D‟où
( )
̅ ∑
̅ ( )
Cas 2 :
( )
̅ ∑ ∑ [ ] ( ) ∑
( ) ∑
( ) ∑
[∑ ]| 6 7|
( ) ( ) (
6 7|
( )
6 7|
( )
(13)
( )
(13) dans (12)

( )
̅ [ ]6 7
( )
, -
̅ ( )
( )( )
3. Temps d’attente moyen dans la file
Soit ‟ = , -
Le taux réel d‟entrée dans la salle d‟attente
∑ [∑ ]
D‟où ( ) (15)
Appliquons la formule de LITTLE
̅ ̅
̅
( )
Cas 1 :
( )
On sait que ̅
( )
( )
Dés lors ̅ (16)
( )( )
Cas 2 :
[ ( ) ]
On sait que ̅
( )( )
̅
On a ̅
( )
[ ( ) ]
D‟où ̅ (17)
( )( )( )
4. Temps d’attente moyen dans le système ( ̅ )

Cas 1 :
On sait que ̅
̅
D‟où ̅ , (18)
( ) ( )
Cas 2 :
[ ( ) ]
On sait que ̅
( )( )

̅ [ ( ) ]
Dès lors ̅
( ) ( )( )( )
III.2.2.4. Distribution du temps d’attente

Soit Tq la variable aléatoire « temps d‟attente d‟un client dans la file » et soit
Wq(t) sa fonction de répartition.
On a : ( ) , -
Cfr modèle M | M | 1
∑, { } -
è
Où qn : probabilité d‟avoir n clients dans le système et qui tient compte de la

capacité (finie) du système.
NOTA :
Pour trouver qn, nous devons renormaliser les pn en excluant pN. On prend un
facteur de proportionnalité k tel que :
( )
∑ ∑ ∑
D’où ( )
∑ ∑
( ) ( )
Dès lors la fonction de répartition du temps d‟attente est donnée par :

( )
( ) ∑ ∫ ( )
( )
Posons n – 1 = k; on a :
( )
( ) ∑ ∫ ( )
( ) ( )
∑ 6∫ ∫ 7 ( )

( )
∫
∫
En intégrant par parties (poser ), on aboutira à
une suite. On peut alors montrer par récurrence que .
On a ainsi :
( )
( ) ∑ 6 ∫ 7 ( )
( )
∑ ∑ ∫
Avec ( ) [ ]
( )
∫
Posons encore ̂ ∫ ̂
En continuant le raisonnement on trouve :

( )
∑ ( )
De sorte que :
( )
( ) ∑ ∑ ∑
Or ∑ ∑ ∑ en pos nt n k
o ∑ ( )
(9) dans (8)

( )
( ) ∑ (∑ )

Finalement, on a :
( )
( ) ∑ [∑ ] ( )
Exercice
Montrer que le temps d‟attente dans la file ( ̅ ) peut être déterminé à partir de
l‟expression (10), pour le modèle M|M|1|N.
III.3. Modèles d’attente à plusieurs serveurs (en parallèle)

III.3.1. Modèle d’attente M/M/S
III.3.1.1. Caractéristiques du système
- Les arrivées suivent la loi de Poisson ( )
- Les durées de service suivent la loi exponentielle négative (𝛍)
- On a S serveurs en parallèle
- Discipline de service : FIFO
- Capacité du centre d‟attente : infinie.
NOTA : Tant que les stations ne sont pas occupées, il n‟existe pas de file
d‟attente. Le client qui arrive est immédiatement servi dans l‟une des stations
encore libre.
D‟où les possibilités de traitement pour le système d‟attente sont :
𝛍 : s‟il y a un guichet occupé
2𝛍 : s‟il y a 2 guichets occupés
…
S𝛍 : s‟il y a S guichets occupés.
La durée de service est donc proportionnelle au nombre des guichets occupés.
On peut assimiler ce système à un P.V.M. dont les paramètres sont données par :
{ (1)
{
Le système d‟équations de Kolmogorov en régime permanent s‟écrit :

( ) ( )
{
( )
Tenant compte de (1), on a :
( )
{ ( ) ( ) ( )
( ) ( )
e ( ) on trouve ( )
(7) dans (5) pour n = 1 ;

( )
D’où ,( ) -
0( ) 1
D’où
Ou encore :
. / ( )
( ) ( )
(9) dans (6) pour n = s donne :

( )
D‟où :
,( ) -
[( ) . / ( )
. / ] d près ( )
6 7
( ) ( )
Dès lors :

. / (10)
. / (11)
(*) Détermination de
∑ ∑
Tenant compte de (9) et (11), on a :
∑ ( ) ∑ ( )
[∑ ( ) ∑ ( ) ] ( )
Evaluons
∑ ( )
Posons k = n-s
∑ ( )
( ) ∑( ) ( )
La série en (13) converge ssi
( ) ( )

En posant (taux d‟intensité du trafic), (14) devient :
( )
De sorte que (12) devient :
[∑ ( ) ( ) ( )] ( )
III.3.1.3. Paramètres du système

̅ ∑( )
̅ ∑( ) ( ) è ( )
[∑ ( ) ( ) ]
̅ [∑ ( ) ]
( ) ∑ ( )
( ) ∑
( ) ∑
( ) { [∑ ]}

( ) [ ( )]
( ) [ ]
( )
ès lors
̅ ( )
( )
( )
( )
̅ . / (16)
( )
2. Nombre moyen des clients dans le système
̅ ∑ ∑ ∑
NOTA
En soit que :
̅ ∑( ) ∑ ∑
̅ ∑ ∑ ∑
̅ ̅ ∑ ∑
è ̅ ̅ ∑ ∑
Calculions β* :
∑ [∑ ∑ ]

∑ ( ∑ )
∑( )
∑( ) ∑( )
[∑ ( ) ∑( ) ]
[ ∑ ∑ ∑( ) ]
Continuer les calculs jusqu‟à obtenir :
̅ ( ) ( )
( )
Ou bien, plus simplement.
NOTA
On peut remarquer que ̅ ̅
è ( ) ̅ ( ) ( )
( )
3. Temps d’attente moyen dans la file ( ̅ )
On a, en vertu de la formule de LITTLE :
̅
̅ ( ) ( )
( )
4. Temps d’attente moyen dans le système
̅
̅ ( ) ( )
( )

5. Nombre moyen des serveurs inoccupés (θ)
∑( )
∑( ) ∑( )
∑ ∑ ∑( )
̅ ̅
∑ ̅ ̅
(̅ ̅)
D’où ( )
III.3.1.4. Distribution du temps d’attente en file

Soit Tq la variable aléatoire « temps passé en attente dans la file » et soit Wq(t) la
fonction de répartition.
Pour t = 0, Wq(o) = [Tq = 0]
, - ∑
Tenant compte de (10) :
( ) ∑ ( ) ( )
[∑ ( ) ( ) ]
( )
Pour t > 0, on a :
( ) [ ] [ ] [ ]

NOTA
Lorsque n ≥ S, le taux de traitement des clients est poissonnier de
paramètre S , de sorte que la durée de temps séparant deux services consécutifs
est négative de moyenne .
Ainsi la distribution de temps pour achever n – s+1 services est Erlang

d‟ordre n – s + 1 (signalons que les attentes commencent si n – s + 1 clients sont
en services).
Dès lors :
(n – S + 1) services achevés en un temps ≤ t tel
( ) ∑ [ qu‟un client arrivé trouve n unités dans ce service ] x pn + Wq(0)
D‟où
. / ( )
( ) ∑ ∫ ( )
( ) ( )
. / . /
∫ ∑ ( )
( ) ( )
( )
Poser = n – S
On a :
. / ( )
( ) ∫ (∑ ) ( )
( )
. /
( )
∫ ( )
( )
Après intégration, on trouve :
( )
6 7
( ) ( ) ( )
( ) . /
Finalement, on a :

. /
. /
( ) ( )
( )
6 7
( )
( ) . /
{
III.3.2. Modèle d’attente M/M/S/N
III.3.2.1. Hypothèses du modèle
Mêmes hypothèses que le système M | M | S mais à capacité finie.
On peut l‟assimiler à un P.V.M. dont les paramètres sont donnés par :
Le système d’équations de Kolmogorov s’écrit :

( )
{ ( ) ( ) ( )
( ) ( )
De (1), on obtient :
( )
(4) dans (2) pour n = 1 donne :

( )
[( ) ] d près ( )
4 5 ( ) ( )
On montre que :
( ) ( )
(6) dans (3) pour n = S conduit à :

( )
[( ) . / ( )
. / ] d près ( )
6 ( ) ( ) ( ) 7
( ) ( )
ès lors ( ) ( ) ( )
( ) ( )
On p rt de ∑
(6) et (8) entrainent :
[∑ ( ) ∑ ( ) ] ( )
∑ ( ) ∑ ( )
Posons l = n – S
∑ ( )
( ) ∑( ) ( )
Posons
(10) devient :
( ) ∑
( ) ( )

Si
( ) ( ) ( )
[∑ ( ) ] ( )
Cas 1 :
[∑ ( ) ( ) ( )] ( )
Cas 1 :
[∑ ( ) ( ) 4 5] ( )
III.3.2.3. Paramètres du modèle

̅ ∑( )
∑( ) ( ) d près ( )
̅ ∑ ( )
o ̅ ( ) ∑ ( )
Rappel
( ) ( ) ( )
(∑ ) 4 5
( )
( ) ( )
( )
( )

( )
( )
( )
(15) devient :
̅ ( ) (∑ ) ( ) (∑ ) ( )
En prenant dans (16‟) et , (17) s‟écrit :

( ) ( )
̅ ( ) 6 7 ( )
( )
 Cas où
Avec l‟expression (15), on a :
̅ ( ) ∑
( )( )
̅ ( ) 4 5 ( )
̅ ∑ ∑ ∑
∑ ( ) ∑( ) ∑ d près ( )
∑ ( )
( )
Poser k = n – 1
∑ ( ) ( )
∑ (∑ ∑ )

( ∑ )
Avec (6), on trouve :
[ ∑ ( ) ] [ ∑ ( ) ] ( )
(21) et (22) dans (20) donne :
̅ ∑ ( ) ̅ ∑ ( )
( ) ∑ ( ) ̅ ( )
3. Temps d’attente moyen dans la file ( ̅ )

̅
̅
( )
̅
̅
( )
III.4. Modèles avec un nombre illimité des serveurs
III.4.0. Note introductive
Ce modèle est aussi appelé « modèle à service souple » est un système
où un nombre illimité des serveurs sont disponibles.
III.4.1. Hypothèses du modèle
Mêmes hypothèses que pour M | M | S sauf qu‟ici S = +∞
III.4.2. Résolution du modèle
On peut l‟assimiler à un P.V.M. de paramètres :
Le système d‟équations de Kolmogorov s‟écrit :

( ) ( ) ( )
{
( )
De (2), on trouve :

( )
(3) dans (1) pour n = 1 :

( )
o [( ) ]
4 5
( ) ( )
( ) ( )
P rt nt de ∑ on
∑ ( )
[∑ ( ) ]
⁄
( )
(6) dans (5) conduit à :
⁄
( ) ( )

NOTA
a) (7) donne un nombre des clients dans le système suivant une loi de
poisson de paramètre ⁄ .
b) Il n‟existe pas de condition d‟engorgement du système, car :
III.4.3. Paramètres de base du système

̅ ∑
Tenant compte de (7),
̅ ⁄
∑ ( )
⁄ ⁄
∑ ( ) ∑ ( ) ( )
( )
⁄
∑ ( )
( )
Posons k = n – 1
̅ ⁄ ⁄ ⁄
∑ ( )
̅ ( )
2. Nombre moyen de clients dans la file

On sait que :
̅ ̅
Avec (8), on trouve :

̅ ( )

̅
̅ ; d‟après (8)
4. Temps d’attente moyen dans la file

̅
̅ ; d‟après (9)
III.4.4. Distribution du temps d’attente

( ) , -

III.5. Exemple
Dans une usine existe un bureau de la sécurité sociale, auquel les ouvriers ont
accès pendant les heures de travail. Le chef du Personnel, qui a remarqué
l‟affluence des intéressés au guichet, demande qu‟une étude relative au
fonctionnement de ce service lui soit présentée.
Un analyste est désigné pour déterminer le temps moyen d‟attente des ouvriers
dans la file et la durée moyenne de l‟entretien que chacun a avec le préposé, lors
du dépôt des dossiers de maladie. Voici les résultats obtenus :
a) Etudes des arrivées b) Etude des durées de service
Nombre d‟ouvriers Fréquences Durée des services Nombre des
arrivant pendant une observées (en min) services observés
période de 5 min
0 29 0 – 1 min 23
1 34 1 – 2 min 20
2 24 2–3 14
3 9 3–4 12
4 1 4–5 9
5 3 5–6 5
6 0 6–7 4
n=100 7–8 5
8–9 3
9 – 10 2
10 – 11 2
11 – 12 1
n=100
On suppose que les arrivées suivent la loi de Poisson et que les durées de service
obéissent à la distribution exponentielle négative.
1°) Déterminer :
1.1. Le nombre moyen des clients dans la file et dans le système.
1.2. Le temps d‟attente moyen d‟un client dans la file et dans le système.
1.3. La probabilité qu‟un client soit immédiatement servi à son arrivée.
°) lculer l prob bilit pour un client d’ ttendre pend nt plus d’un qu rt
d’heure

°) Le chef du Personnel d cide d’ ccroître le nombre des pr pos s (tout u

plus trois) On suppose que le coût de l’in ctivit des employ s est de
24Fc/h et que le temps perdu en attente par les ouvriers est de 100Fc/h. Le
nombre d’heures d’une journ e de tr v il est de h
terminer le nombre optim l d’ouvriers { eng ger en vue de r duire le
coût d’in ctivit du service
Solution
l s’ git d’un modèle M M terminons d’ bord les p r mètres et :
a) Arrivées b) Durées de service
Durée en min Centre

0 29 0 0 – 1 min 0,5 23 11,5
1 34 34 1 – 2 min 1,5 20 30
2 24 48 2–3 2,5 14 35
3 9 27 3–4 3,5 12 42
4 1 4 4–5 4,5 9 40,5
5 3 15 5–6 5,5 5 27,5
6 0 0 6–7 6,5 4 26
n=100 Ʃ=128 7–8 7,5 5 37,5
8–9 8,5 3 25,5
9 – 10 9,5 2 19
10 – 11 10,5 2 21
11 – 12 11,5 1 11,5
n=100 Ʃ=327
=128/100=1,28 ouvriers/5 minutes

Et =15,36 ouvriers /heure
On a : 327/100=3,27 minutes/ ouvrier =18 ouvriers /heure.
1.1. ̅ ∑ ; où
̅ =5 ouvriers
1.2. ̅ ̅
̅ 4 ouvriers

̅ et ̅ ̅
1.3. C‟est
2°) On sait que , - 0 ( )1
D‟où 0 1 0 ( )1
3°) Le coût d‟inactivité du service est donné par , où est le coût

du temps perdu par les clients et le coût du temps perdu par les serveurs.
Pour un seul serveur :
On a : ̅ x nombre d‟heures x Coût unitaire
Alors que (S ) x nombre d‟heures x Coût unitaire

( )
c
Pour 2 et 3 serveurs, on fait les mêmes calculs.
III.6. Exercices
) ns un ph nomène d’ ttente les rriv es sont poissonnières et le
service exponentiel. Un seul employé dessert un guichet ouvert de 04h00 à
13h00, sans interruption. Le nombre moyen des clients est de 54 par jour,
la durée moyenne du service, 5 minutes.
1) On demande de déterminer :
1.1. Le nombre moyen ̅ des clients dans le système.
1.2. Le nombre moyen ̅ des clients dans la file.
1.3. Le temps d’ ttente moyen d ns l file ( ̅ ).
2) Quelle est la prob bilit d’ ttendre plus d’une demi-heure ?
) n m decin observ que l dur e moyenne d’une consult tion est de
minutes l se dit qu’en convoqu nt ses m l des { des heures fi es
s p r es p r un interv lle de min il verr d croitre l’e cessive
occupation de son salon.

n f it l dur e des consult tions suit une loi e ponentielle et l’ rriv e des
clients, qui ont toujours une bonne excuse (encombrements, difficultés à
trouver un st tionnement etc ) pour se pr senter l toirement peut être
assimilée à une loi de poisson.
°) lculer le temps moyen d’ ttente d ns le s lon et les prob bilit s
sup rieures { % pour qu’il y it n personnes chez le m decin
°) Quelle est l prob bilit pour qu’un m l de ttende plus d’une heure
plus de 2 heures ?
3°) le médecin décide de ne convoquer ses malades que toutes les 30 min ?
Quel serait le temps moyen au-delà duquel moins de 10% des clients
attendent.
°) le m decin s’ djoint un jeune confrère qui n’ pporte p s de clientèle ;
aussi admettra nous que la clientèle est désormais « banalisée » c'est-à-dire
ccepter d’être reçu indiff remment p r l’un ou l’ utre des m decins
4.1. Pendant quelques jours, des rendez-vous t nt d j{ pris l’interv lle de
20 mn entre convocations est maintenu.
A) c lculer le temps moyen d’ ttente les prob bilit s qu’il y it n
personnes dans le système
B) Montrer que l d’ ttente plus d’une heure est devenue n glige ble
4.2. Pour que chacun des médecins assure trois consultations par heure, en
moyenne, il faudrait convoquer les malades à des intervalles de 10mn.
Quels seraient alors :
A) le temps moyen d’ ttente ?
B) L P pour que l’ ttente d p sse heure?
’un commun ccord les deu pr ticiens d cident de ne p s imposer
aux malades une attente moyenne supérieure à 10mn.
A) Combien doivent-ils convoquer des clients par heure?
B) Quelle est lors l d’ ttente plus d’une heure?
III) Un particulier a observé que les entrées chez son coiffeur suivent une
loi de Poisson et que l’unique op r teur exécute les services demandés par
les clients selon une loi exponentielle. La moyenne des arrivées est 3/heure.
La durée moyenne du service est de 12mn.
n dmett nt que l file d’ ttente est ussi longue qu’on le veut
calculer :
A) ̅ , B) ̅ , C) ̅

M is chez ce coiffeur il n’y que trois f uteuils les clients qui rrivent
lorsque les f uteuils sont occup s n’ ttendent p s : ils reviennent plus
tard et concourent au phénomène de Poisson dont il est question plus haut.
A) Calculer les qu’il y it clients chez le coiffeur
B) Evaluer ̅ ̅ ̅
C) Quelle est la de trouver au moins un fauteuil libre ?
) Quelle est l d’ ttendre plus de mn ?
3.3. Le client passe devant la boutique et remarque que les trois fauteuils
sont occup s Quelle est l qu’il d’être servi imm di tement s’il revient
au bout de 20mn?
V) u poste de contrôle des b g ges de l’ roport le nombre de voy geurs
se présent nt p r heure de et le temps n cess ire d’ ccomplissement
des formalités est de 6mn/voyageur.
4.1. En admettant que les arrivées sont distribuées selon la loi de Poisson,
d terminer le nombre minimum d’employ s { eng ger pour viter tout
engorgement du trafic ?
L’ dministr tion tudie l mise en pl ce d’un service proportionnel u
nombre des voyageurs.
) Quelle est l pour qu’il y it n voy geurs d ns l file?
B) Montrer que le nombre moyen des voyageurs dans le système en R.P est
à peu près égal à 2.
C) Le nombre de douaniers exécutant ce service proportionnel est limité à
Quelle est l pour que le chef de brig de qui ne f it p rtie des
précédents, participe au service ?
V) L s lle d’ ttente conduis nt u bure u de m decins comprend 15
places. Les malades y arrivent suivant une loi de Poisson de paramètre et
la consultation de chaque médecin suit une loi expo-négative de paramètre
. Les paramètres et sont tels que =0,2
Déterminer :
5.1. L d’ voir n m l des d ns le système vec n
5.2. Le nombre moyen des clients
a) Dans l s lle d’ ttente
b) Dans le système
5.3. Déduire de 5.2.
a) ̅
b) ̅
5.4. Calculer le nombre moyen de médecins inoccupés.
VI) La S.T.I (Société des Transports Informatiques) désire engager un
technicien parmi 2, pour la maintenance de ses ordinateurs, ainsi que ceux
de ses nombreux clients.
Le premier technicien peut réparer les machines suivant un service
exponentiel de taux 4(par heure) et demande 500 FC/heure de
service ;
Le deuxième, plus expérimenté que le premier, répare selon un service
expo. Négatif de taux 5 et taxe 750 FC/heure.
En admettant que la journée de travail est de 8h, aidez la S.T.I dans le choix
du technicien.
NB. Les machines tombent en panne avec une moyenne de 3/h
VII) Un atelier compte Six machines, chacune ayant un taux de panne
poissonnier de 1/6 (par unités de temps). Deux mécaniciens sont chargés
de l’entretien L dur e des r p rtitions qui s’ t blit en moyenne { suit une
loi exponentielle.
La production rapporte 800 FC/jour et par machines. Le salaire et les
charges des ouvriers mécaniciens se montent, respectivement, à 240 FC et
320 FC et par personne.
7.1.) Calculer ̅ ̅ ̅ ̅ .
) Quel est le nombre optim l d’ouvriers qu’il f ut ffecter { cette
batterie de machines ?
) Même question si l’on ugmente le nombre de m c niciens
VIII) De 7.2 Calculer la qu’une m chine en p nne n’ ttend p s pour être
réparé.

ANNEXES :
Annexes
Examens, Interrogations passés et TDF

QUESTIONS (Graphes de Fluence)

Question 1
Soit le Graphe ci-dessous,
Réduire et Calculer la fonction de transfert e/s tout en le décrivant au préalable

Question 2
Concevoir un graphe d‟ordre 10, ayant 4 cascades et 6 boucles ; et donner
l‟expression de son gain de transfert. Le graphe contient une entrée et une sortie.
Question 3
Soit à résoudre par la règle de Mason, le système d‟équations :
 dx1
 dt  x 2

 dx 2  x
 dt 3

 dx3
  x4
 dt
 dx 4
 dt  x5

 dx5
 dt  4 x1  2 x 2  5 x3  3 x 4  x5
Où x1, x2, x3, x4, x5 et t sont des inconnues.

Question 4
Concevoir un graphe relatif au système d‟équations suivant :

 dx1   3 x2 dt


 dx3   (2 x1  5 x2 )dt

 dx4  2 x  4 x où x , x , x , x et t sont des inconnues

 dt
1 3 1 2 3 4

Question 5
Soit l‟équation aux différences finies suivante :
1 L
y ( n)   xn  i 
2 L  1 i  L
a) Ce système est-il récursif ou pas ? Justifiez votre réponse.
b) Définissez la structure sous-jacente.
c) Donnez la séquence correspondant à sa réponse impulsionnelle.
Question 6
a) Soit un système numérique linéaire invariant donné par l‟équation aux
différences finies suivante :
y (n)  y (n  3)  y (n  2)  y (n  1)  x(n)
Où y ( 4)  2 , y (3)  6 , y ( 2)  1 , x (1)  3 , x (5)  5 et x (6)  2 .
a.1.) Donner la figure relative à la structure de l‟équation de y(n).

a.2.) Donner l‟ensemble de ses réponses impulsionnelles d‟au moins vingt
éléments.
b) Considérons le système de Fibonacci et supposons que le propriétaire de
l‟enclos y apporte, un couple de lapins le premier mois, trois couples le
troisième mois, deux couples le cinquième mois, six couples le septième mois
et un couple le dixième mois. On demande combien de couples de lapins se
trouveront dans l‟enclos dans vingt mois ?
Question 7
a) Donner le graphe donnant une vue panoramique du cycle de développement
de test.
b) Donner la différence entre le test alpha et le test beta. Donner un exemple
d‟illustration.
c) Donner la différence entre le système numérique et le système analogique.
d) Donner trois relations des systèmes qui soient linéaires, invariants et stables.
e) Donner trois relations des systèmes qui soient non linéaires, invariants et
instables.
Question 8
a) Proposer un algorithme de recherche linéaire.
b) Dessiner le graphe de flot associé à cet algorithme en numérotant ses nœuds.
c) Calculer son nombre cyclomatique et lister tous les chemins minimaux.

d) Le test de la boîte noire peut-il s‟appliquer à ce programme ? Justifiez votre

réponse.
e) Qu‟entendez-vous par « boîte grise » ?
Question 9
a) Proposer un algorithme de recherche dichotomique.
b) Dessiner le graphe de contrôle correspondant en numérotant les nœuds.
c) Calculer son nombre cyclomatique et lister tous les chemins.
Question 10
a) Ecrire un algorithme permettant, à partir de deux tableaux d‟entiers T et R
contenant chacun N entiers non triés, de modifier les tableaux de telle sorte
que T contienne tous les entiers pairs contenus à l‟origine dans T et R et que
R contienne tous les entiers impairs contenus à l‟origine dans T et R. On a
pour hypothèse de départ que T et R réunis contiennent N entiers pairs et N
entiers impairs (hypothèse à vérifier au départ de l‟algorithme).
b) Construire le graphe de commande de l‟algorithme ci-avant.
c) Calculer son nombre cyclomatique, en précisant la formule utilisée. Quel sera
le nombre maximum de chemins nécessaires pour effectuer la couverture
totale des arcs du graphe ?
d) Définir un ensemble de chemins permettant une couverture exhaustive des
arcs (ou liens) du graphe de commande.
e) Que concluez-vous du nombre de chemins par rapport au nombre
cyclomatique?
Question 11
Soit l‟algorithme de comparaison de chaînes de caractères suivant :
Début
Var ch1, ch2 : Chaînes de caractères
Lire ch1, ch2
Si (ch1.length ≠ ch2.length) alors aller à 10
i←1
Tant que i ≤ ch1.length et ch1.char [i] = ch2.char [i]
Faire
i←i+1
Fin faire
Si i ≠ ch1.length + 1 alors aller à 10
Afficher « chaînes égales »
Aller à 20

10 Afficher « chaînes inégales »

20 Fin
a) Dessiner le graphe de contrôle correspondant en numérotant les nœuds.
b) Calculer son nombre cyclomatique et lister tous les chemins.
c) Donner un jeu d‟essai couvrant tous les chemins possibles.
(La fonction length retourne la longueur de la chaîne et char [i], le i ème caractère
de la chaîne).
Question 12
Considérons l‟algorithme suivant :
Début
Pour i allant de 1 à N faire
P(i) ← -1
Fin Pour
Π(1) ← 0
Π(i) ← +∞
Fin Pour
Pour i allant de 2 à N Faire
Pour j  i Faire
 
(i)  min (i), min ( j)  Cij 
Fin Pour
Si  (i) modifié alors
P(i) ← j
Fin Si
Fin Pour
Répéter
Pour i allant de 2 à N Faire
Pour j  i Faire
 
(i)  min (i), min ( j)  Cij 
Fin Pour
Si  (i) modifié alors
P(i) ← j
Fin Si
Fin Pour
Jusqu‟à ce que  (i) devienne stable
Afficher P(i)
Fin Pour
a) Tracer le graphe de flot relatif à cet algorithme.

b) Donner le nombre cyclomatique ainsi que tous les chemins minimaux.

c) Tester toutes les possibilités du programme avec le test de boîte blanche.
d) Est-il possible de tester ce programme avec la boîte noire ? Justifiez votre
réponse.
Question 13
Soit le programme suivant :
public static void main (String[] args)
throws IOException
{
boolean EstTriangle;
System.out.print("Entrez les côtés : ");
int a = IOEasy.readInt();
int b = IOEasy.readInt();
int c = IOEasy.readInt();
System.out.println("A est " + a + ", B est " + b + ", C est " + c);
if ((a < b+c) && (b < a+c) && (c < a+b))
EstTriangle = true;
else EstTriangle = false;
if (EstTriangle) {
if (((a==b) || (a==c) || (b==c)) &&!((a==b) && (a==c)))
System.out.println( "Le triangle est isocèle");
if ((a==b) && (b==c))
System.out.println( "Le triangle est équilatéral");
if ((a!=b) && (a!=c) && (b!=c))
System.out.println("Le triangle est scalène");
}
else System.out.println("Ce n‟est pas un triangle");
}
}
a) Tracer le graphe de flot associé à ce programme en numérotant ses nœuds.
b) Calculer son nombre cyclomatique. Quel sera le nombre maximum de
chemins nécessaires pour effectuer la couverture totale des arcs du graphe ?
c) Définir un ensemble de chemins permettant une couverture exhaustive des
arcs (ou liens) du graphe de flot.
d) Que concluez-vous du nombre de chemins par rapport au nombre
cyclomatique?

QUESTIONS (Probabilités appliquées)

Question 1
a) Qu‟entend-t-on par PRS ? Illustrer cela par un exemple concret personnel.
b) Quelles les hypothèses supplémentaires pour qu‟un PRS devienne un PM ?
c) Donner l‟interprétation pratique des formules de LITTLE dans le cas d‟un
système d‟attente M | M | 1.
d) Résoudre, au choix, l‟un des Exercices d‟application des Files d‟Attente
donnés au Cours.
e) - Qu‟entend-on par un PVM homogène et linéaire ?
- Déterminer la distribution stationnaire du processus de croissance linéaire
(de type vie et mort) avec ⋋/ .
Question 2
a) Décrire mathématiquement un système d‟attente Markovien à capacité finie.
Possède-t-il un R.P. ? Justifier.
b) - Qu‟entend-on par un PVM homogène ?
- Quand dira-t-on qu‟un PVM homogène est non-explosif ?
c) Etablissez l‟équivalence de la définition de la périodicité d‟un état d‟une CM
suivant W. Feller et suivant Chung ?
Question 3
a) Qu‟entendez-vous par une fonction de renouvellement simple ? Décrivez une
fonction de renouvellement simple définie dans un horizon x=5 ans, avec la
moyenne d‟inter-renouvellements T de 4 mois et un écart-type de 1 mois.
b) Que devient le système d‟équations de Kolmogorov dans le cas d‟un R.P.
pour P.V.M. homogène ? Justifier.
Question 4
Un particulier a observé que les entrées chez son coiffeur suivent une loi de
Poisson et que l‟unique opérateur exécute les services demandés par les clients
selon une loi exponentielle. La moyenne des arrivées est 4/heure. La durée
moyenne du service est de 10mn.
4.1. En admettant que la file d‟attente est aussi longue qu‟on le veut, calculer :
a) ̅ ,
b) ̅ , C) ̅

4.2. Mais, chez ce coiffeur, il n‟y a que quatre fauteuils, les clients qui arrivent
lorsque les 4 fauteuils sont occupés n‟attendent pas : ils reviennent plus tard et
concourent au phénomène de Poisson dont il est question plus haut.
a) Calculer les qu‟il y ait 0, 1, 2, 3 clients chez le coiffeur.
b) Evaluer ̅ ̅ ̅
c) Quelle est la de trouver au moins un fauteuil libre ?
d) Quelle est la d‟attendre plus de 20mn ?
4.3. Le client passe devant la boutique et remarque que les quatre fauteuils sont
occupés. Quelle est la qu‟il a d‟être servi immédiatement s‟il revient au bout
de 20mn?
Question 5
Soient deux types de files d'attente constitués de deux serveurs :
Dans le premier cas, les clients forment une seule file et choisissent le premier
serveur qui se libère. On suppose que les clients arrivent selon un processus de
Poisson de taux λ, et qu'ils sont servis pendant un temps exponentiel de
paramètre µ=λ.
1. Déterminer la distribution stationnaire P de la file.

2. Quelle est la probabilité qu'un client ne doive pas attendre avant d'être servi?
3. Quel est le temps d'attente moyen avant d'être servi?
Dans le second cas, il y a une file distincte devant chaque serveur. Les clients
choisissent une file ou l'autre avec probabilité 1/2.
2
4. Expliquer pourquoi, du point de vue du client, ce cas est équivalent à un
processus markovien à un serveur, avec taux λ/2 et λ. Donner la notation de
Kendall et interpréter chaque lettre.
5. Déterminer le graphe associé à cette file d‟attente. Faites son étude par
rapport à une chaîne de Markov.
6. Déterminer la distribution stationnaire P du système.
7. Quelle est la probabilité qu'un client ne doive pas attendre avant d'être servi?
8. Quel est le temps d'attente moyen dans le système?
9. Comparer les deux systèmes.

T.D.F. SUR LES GRAPHES DE FLUENCE
1. Soit un système défini par les équations suivantes :


 dx1   3 x2 dt

 dx3   (2 x1  5 x2 )dt

 dx4  2 x  4 x où x , x , x , x et t sont des inconnues
 dt 1 3 1 2 3 4
a. Donnez le graphe de fluence correspondant à ce système d‟équations.

b. Résoudre ce système par la méthode de réduction du graphe avec des
boucles et les propriétés.
c. Résoudre ce système (trouver la fonction de transfert) en utilisant la règle
de Mason.
d. Comparez les deux méthodes précédentes ?
2. Soit l‟algorithme de DIJKSTRA sur la recherche du plus court chemin (Cfr.

Théorie des graphes).
a) Appliquez à cet algorithme le test de la boîte noire, en proposant le
partitionnement du domaine d‟entrées qu‟il faut et un jeu de tests
possibles.
b) Appliquez ensuite à l‟algorithme le test de la boîte blanche.
3. Avec exemple pratique personnelle, expliquez le modèle exponentiel de
fiabilité logicielle ?
4. Quelles sont les difficultés que vous avez rencontrées en résolvant les
questions ci-dessus ? Décrire les parties du syllabus ou de la documentation
qui vous ont aidées à résoudre chaque question.

T.D.F. SUR LES PROBABILITES APPLIQUEES

Exercice I. (Processus Stochastique)
Un atelier comprend m = 3 machines automatiques qui sont entretenues par un
opérateur qui ne peut réparer qu‟une machine à la fois. La durée de bon
fonctionnement de chaque machine suit une distribution exponentielle de
paramètre , et le temps de réparation une distribution exponentielle de
paramètre . Pour = ⁄
I.1 Calculer :
 la probabilité que l‟opérateur soit libre ;
 le nombre moyen de machines qui fonctionnent.
I.2 Désignons par {X(t), t≥0} le processus de croissance linéaire si
vec
{
Avec la condition initiale ( )

M(t) la taille moyenne de la population à l‟instant t.
a. Montrer que M(t) satisfait l‟équation différentielle suivante :
M( ) M( )
b. Déduire la solution de cette équation soumise à la condition initiale ci-
dessus.
c. Déterminer le comportement asymptotique de M(t).
I.3.Trouver, si possible, la distribution stationnaire d‟un tel processus.
Exercice II. (CHAINE DE MARKOV)

Un trader de Goldman Sachs investit dans la dette des états européens. Son
portefeuille d‟actions contient un nombre fixe d‟actions partagées entre des
obligations allemandes et grecques. Chaque semaine, en fonction des notes
attribuées à ces états par Standard and Poor‟s, Moody‟s et Fitch il va modifier
son portefeuille en échangeant des obligations grecques contre des allemandes et
vice-versa.
On notera Xn la proportion d‟obligations grecques dans son portefeuille
d‟actions, Xn prenant ses valeurs dans l‟ensemble {0%, 10%, 20%,… , 90%,
100%}. On définit une variable représentant la note de la Grèce à la semaine
n, on suppose que ( ) est une suite de variables aléatoires indépendantes et
identiquement distribuées de loi uniforme sur [0, 1]. Durant la semaine n notre
trader va échanger 10% d‟obligations allemandes contre 10% d‟obligations

grecques si la note de la Grèce est supérieure à la proportion Xn d‟obligations
grecques déjà détenues, dans le cas contraire il échange 10% d‟obligations
grecques contre des obligations allemandes.
1. Montrer que Xn est une chaîne de Markov, déterminer son espace d‟états, sa
matrice de transition et tracer son graphe.
2. Déterminer les états transitoires et les classes de récurrence, X n est-elle
irréductible ? Apériodique ? Fortement irréductible ?
3. Déterminer toutes les probabilités invariantes de la chaîne X n (indice : lois
classiques)
4. On suppose X0 = 50%, déterminer IP[X4≥50%]
5. Chaque semaine notre trader fait des bénéfices en fonction de son portefeuille
d‟actions, déterminer son gain moyen asymptotique par semaine dans les cadres
suivants :
5.a. A la fin de chaque semaine il gagne 100 francs par pourcentage
d‟obligations grecques détenues et 50 francs par pourcentage d‟obligations
allemandes.
5.b. (Facultatif) A la fin de chaque semaine il gagne 100 francs par pourcentage
d‟obligations grecques détenues et 50 francs par pourcentage d‟obligations
allemandes, échanger 10% d‟obligations grecques contre des obligations
allemandes rapporte 400 francs et échanger 10% d‟obligations allemandes
contre des obligations grecques coûte 400 francs.
Exercice III. (FILE D’ATTENTE)

On considère un réseau d‟entreprise composé de deux LANs, l‟un constituant le
réseau de production (LAN 1) et l‟autre hébergeant la base de données de
l‟entreprise (LAN 2). Ces deux sous-réseaux sont connectés par un lien à 1,5
Mbits/seconde. On suppose que :
– Les requêtes provenant du réseau de production pour la base de données
arrivent au routeur d‟interconnexion selon un processus de Poisson d‟intensité
égale à 15 requêtes par seconde.
– Les documents hébergés par la base de données ont une taille aléatoire de
distribution exponentielle, de moyenne 100 kbits.

– Les délais de propagation et de traitement sont négligés, de sorte que les temps
de transferts de ces documents entre les deux sites sont proportionnels à la taille
des documents demandés.
– Les temps de traitement par la base de données sont négligés.
III.1. La taille des requêtes est négligeable devant la taille des documents
demandés.
1. En supposant les buffers de taille infinie, montrer que le processus d‟arrivée
des documents au routeur d‟interconnexion du LAN 2 vers le LAN 1 peut être
modélisé par une file M/M/1. Calculer ses taux d‟arrivée et de service.
2. Le système est-il stable ? Décrivez l‟évolution asymptotique du temps de
réponse.
3. On suppose que l‟on augmente le débit du lien d‟interconnexion a 3
Mbits/seconde. Calculer la taille du buffer du routeur (mise en attente des
requêtes) afin de garantir une probabilité de perte inférieure à .
III.2 On dispose de deux serveurs Web : un serveur principal et un serveur
miroir. Les requêtes arrivent à un routeur qui doit essayer de répartir le travail
entre le serveur principal ou son miroir, qui est supposé moins performant. Le
routeur ne connaissant pas les charges respectives des deux serveurs, il décide
d‟envoyer chaque requête au serveur principal avec probabilité p ou au serveur
miroir avec probabilité 1- p. On cherche à optimiser le choix de p.
On suppose que les arrivées suivent une loi de Poisson de paramètre . Les
temps de service des serveurs sont exponentiels de paramètres respectifs pour
le serveur principal et pour le miroir.
1. Montrer que les arrivées des paquets dans les files du serveur principal et de
son miroir sont des processus de Poisson de paramètres respectifs p et (1-p) .
2. Quelles sont les conditions de stabilité du système ?
3. Calculer le nombre de requêtes dans le serveur principal et dans le miroir à
l‟état stationnaire.
4. Donnez le temps de réponse moyen dans le système global.
5. Déterminez la valeur optimale de p.

Table des matières

Partie I : GRAPHES DE FLUENCE ........................................................ 2
CHAPITRE I : GRAPHES DE FLUENCE ET LA REGLE DE MASON ............... 4
I.1 Définition ...................................................................................................................... 4
I.2 Exemples ....................................................................................................................... 5
I.3. Règles Elémentaires ..................................................................................................... 5
I.4. Quelques propriétés ..................................................................................................... 6
I.5 Réduction des graphes de fluence avec des boucles ..................................................... 7
I.6 Remarque ...................................................................................................................... 8
I.7. La règle de Mason ........................................................................................................ 9
I.8. Exemples .................................................................................................................... 11
I.9. Exercices .................................................................................................................... 14
CHAPITRE II. INTRODUCTION AUX SYSTEMES NUMERIQUES LINEAIRES
ET INVARIANTS ....................................................................................................... 17
II.1. Systèmes numériques ............................................................................................... 17
II.2. Systèmes récursifs et non récursifs ........................................................................... 18
II. 3. Réponse impulsionnelle ........................................................................................... 20
II. 4. Convolution numérique - Réponse forcée à une entrée quelconque ....................... 22
CHAPITRE III. APPLICATION DE GRAPHES DE FLUENCE ET METRIQUE
LOGICIEL .................................................................................................................. 23
III.1. Introduction ............................................................................................................. 23
III.2. Principes de base de réalisation des tests ................................................................ 24
III.3. Cycle de développement de test .............................................................................. 24
III.4. Techniques de Test .................................................................................................. 28
III.5. Les niveaux de test basés sur la structure de l‟objet................................................ 29
III.6. La construction des jeux de Tests ........................................................................... 30
III.7. Fiabilité du logiciel (software reliability) ................................................................ 40
Partie II : PROBABILITES APPLIQUEES ............................................ 46
I. PROCESSUS STOCHASTIQUES......................................................................... 48
I.1. Généralités ................................................................................................................. 48
I.2. Processus Stochastique Markovien (P.M.) ................................................................ 50
I.3. Processus de vie et de mort ≡ Proc. de naissance et de décès (PVM) ....................... 51
I.4. Exemple ..................................................................................................................... 58
I.5. Exercices .................................................................................................................... 60
II. CHAINES DE MARKOV...................................................................................... 62
II.1. Généralités ................................................................................................................ 62
II.2. Etude de la structure d‟une C.M. par les graphes ..................................................... 66
II.3. Etude de la structure et des états d‟une C.M. par Généralités .................................. 74
II.4. Exemple .................................................................................................................... 76
II.5. Exercices ................................................................................................................... 78
III. INTRODUCTION AUX SYSTEMES D’ATTENTE ........................................ 81

III.1. Généralités sur les phénomènes d‟attente ............................................................... 81

III.2. Modèles d‟attentes markoviens à un serveur .......................................................... 85
III.3. Modèles d‟attente à plusieurs serveurs (en parallèle) ........................................... 100
III.4. Modèles avec un nombre illimité des serveurs ..................................................... 112
III.5. Exemple ................................................................................................................. 116
III.6. Exercices ............................................................................................................... 118
Annexes ............................................................................................. 122
Table des matières ............................................................................ 134

Cours de Graphe de Fluence 2020-2021-11

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours de Graphe de Fluence 2020-2021-11

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DE MBUJIMAYI

FACULTE DES SCIENCES APPLIQUEES

ANNEE ACADEMIQUE 2020-2021

Prof. BATUBENGA J.D. 1

Prof. BATUBENGA J.D. 2

INTRODUCTION AUX GRAPHES DE FLUENCE

Prof. BATUBENGA J.D. 3

CHAPITRE I : GRAPHES DE FLUENCE ET LA REGLE DE

Les puits sont des nœuds où tous les arcs arrivent.

Prof. BATUBENGA J.D. 4

Prof. BATUBENGA J.D. 5

2) La fluence à un nœud est égale à la somme algébrique de toutes les fluences

3) La fluence à un nœud est appliquée à chaque branche de sortie de ce dernier.

I.4. Quelques propriétés

Prof. BATUBENGA J.D. 6

2) t12 t23 t12t23

Il vient de plus que :

Prof. BATUBENGA J.D. 7

En effet, à partir du (I.3) et (I.4), ce graphe de fluence, représente la relation

b) Soit une autre structure classique de boucle suivante :

Prof. BATUBENGA J.D. 8

Où P1 = abc qui représente le gain de la source à la Sortie (la cascade)

k  le disjoint de la cascade k.

Prof. BATUBENGA J.D. 11

La lecture de ce graphe par le règle de Mason permet d‟obtenir les expressions

D‟où la lecture du graphe nous donne les informations suivantes :

Il n‟y a pas de boucles disjointes 2 à 2   1  G1  G2  G3  G4  G5 

Entre le nœud d‟entrée

Prof. BATUBENGA J.D. 12

Remarque : dans le graphe précédent, on a introduit la source 1 ; on aurait pu

G1 et G2 sont disjoints   1  G1  G 2  G3  G1G2  4

Prof. BATUBENGA J.D. 13

Entre le nœud d‟entrée 1  T  ade  hcde  hf 1  bd   31  3  1  G1

Prof. BATUBENGA J.D. 14

2. Soit le graphe de fluence ci-dessous, calculer sa fonction de transfert ou gain

Prof. BATUBENGA J.D. 15

Où x1, x2, x3, x4, x5 et t sont des inconnues.

Prof. BATUBENGA J.D. 16

Chapitre II. INTRODUCTION AUX SYSTEMES NUMERIQUES

Un système numérique est linéaire et invariant, s‟il répond en outre aux

x1(n)+ x2(n) Syst. numérique y1(n)+ y2(n)

x (n - n0) Syst. numérique y (n - n0)

Prof. BATUBENGA J.D. 17

N.B. : On peut également définir des signaux vectoriels (séquence de vecteurs)

De tels systèmes sont dits récursifs étant donnée le caractère récursif de

De tels systèmes sont dits non récursifs.

Prof. BATUBENGA J.D. 18

 L‟additionneur, symbolisé par  , qui additionne les signaux à ses entrées.

 Le multiplieur, symbolisé par a , qui multiplie un signal par un scalaire a.

Fig. Structure du SLI correspondant au calcul des intérêts composés

Prof. BATUBENGA J.D. 19

II. 3. Réponse impulsionnelle

Prof. BATUBENGA J.D. 20

Au contraire des systèmes analogiques, le calcul de la réponse

Prof. BATUBENGA J.D. 21

II. 4. Convolution numérique - Réponse forcée à une entrée quelconque

Prof. BATUBENGA J.D. 22

CHAPITRE III. APPLICATION DE GRAPHES DE FLUENCE ET

Prof. BATUBENGA J.D. 23

Un objet ne peut être testé que si on peut déterminer précisément le

Prof. BATUBENGA J.D. 24

(acceptation ou rejet du produit). Des défauts peuvent être tolérés et de toute

L'activité de test d'un logiciel utilise différentes techniques pour vérifier