Académique Documents
Professionnel Documents
Culture Documents
________________________
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.
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
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 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
xi
xk= xh+xi+xj
xj
xk
xk
xk
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
1 1
x1 x3
x2 x1 x3 (4)
(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.
Prof. BATUBENGA J.D. 9
Graphes de Fluence, L2 Génie Informatique
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 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
- 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
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 :
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
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
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.
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
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
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) xn 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)
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.
Espace
générateur
d) Le test système
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
If : Until :
Exemple 1 :
Supposons un programme représenté par l'organigramme suivant:
Début
4
6
5
8 7
11 9
10
R4 2 R1
6 4
R2
8 7 5
R3
9
11 10
Entrées possibles
Ie
PROGRAMME
Sorties possibles Oe
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 :
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.
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.
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
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.
PROBABILITES
APPLIQUEES
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
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) ( ) . /
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) 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.
Prof. BATUBENGA J.D. 53
Graphes de Fluence, L2 Génie Informatique
( ) et ( ) , .
Critère de Feller – LindBerg : ∑ ( )
Conditions initiales : ( ) si .
(*) Sous quelle condition, il existe une et une seule solution de (I) de non
explosion ?
Cfr. Le théorème 2 :
( )
∑
( )
∑. / . /
( ) ( ) ( )( ) avec C.I. 2
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
( ) , - {
̅ ( ) , - {
Pour t≥0, on a :
̅ ( ) ( )
, -
, v nement d ns ( )-
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 :
( )
{
( )
( )
( )
( )
Ainsi par récurrence, l‟exposant de q a alors la forme générale . D‟où :
( )
( )
∑ ∑
( )
∑( )
( )
( ∑( ) )
( )
( )
∑ . /
I.5. Exercices
1. Considérons le PVM suivant :
{
( )
{ ; avec
( ) ( )
2. Matrice des probabilités de transition en n pas : =. / ;
( ) ( )
( ); . /, 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)
( ) ( ) ( ) ( )
; m ∊ IN*
Conclusion :
( )
La connaissance de P = ( ) la connaissance de , n ∊ IN*
( ) ( )
Remarque : , mais , voire propriétés des matrices.
( ) ( )
. /
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.
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 :
Prof. BATUBENGA J.D. 65
Graphes de Fluence, L2 Génie Informatique
( )
lim ( )
{
( ) ( )
lim
( )
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.
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
- 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 ⁄ ).
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
Prof. BATUBENGA J.D. 69
Graphes de Fluence, L2 Génie Informatique
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=
I 3
5
1
2 4 II
6 7
III
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
[ ]
[ ]
Le graphe associé à la matrice P :
0
1 2 3 k-1 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.
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 »
- 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 :
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)
( )
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.
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.
1 2 3
6 5 4
7 8 9
2 3
4
1
9
5
6
8
7
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 :
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.
[ ]
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.
Sortie 2
Service
Entrées
Sortie 3
Service
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
C : serveurs en parallèle
* capacité de la salle d‟attente infinie
d) M | G | C | K
Mêmes hypothèses qu‟en c), mais capacité finie (=K)
e) G | M | C
G : arrivées suivant une loi quelconque
M : durées de service suivant la loi exponentielle négative
C : serveurs en parallèle
* capacité de la salle d‟attente infinie
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
M : durées de service suivant la loi exponentielle négative
C : serveurs en parallèle
* capacité de la salle d‟attente infinie
h) GI | M | C | K
Mêmes hypothèses qu‟en g), mais capacité finie (=K)
i) G | G | C
G : arrivées suivant une loi quelconque
G : durées de service suivant une loi quelconque
C : serveurs en parallèle
* capacité de la salle d‟attente infinie
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
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 :
( ) ( ) ( - ( -
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 nouveau système étant récursif, on obtient de (4) :
( )
On obtient . / ( )
( ) ( )
∑( )
∑( )
Partant de ∑ . / si
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 ( ) ∑
( )
∑ ( )∑ ∑ ( )
∑ ( )∑ ∑
[∑ ] ∑ ∑ ∑
∑ ∑ ∑
( ) ( )∑
( ) ( ) ( )
Si on pose n+1 = k, on aura :
[∑ ] ( ) ( ) ( )
D‟où , ( ) - ( ) ( ) ( )
( ) ( ) ( ) ( )
( ), ( ) - ( )
( ) ( )
( )
( ) ( ). / . /
D‟où ( ) ( )
NOTA :
1. On sait que ( ) ∑ (14 b)
D‟où ( ) ∑ ( )
( )
∑( ) ∑( ) ( )
̅ ∑ ∑ ( )
( )∑
( ) ∑ (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 ̅ ( )
D’où ̅ ̅ (5)
( )
D’où ̅
( )
(6)
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).
Soit * + une suite d‟événements formant un système complet, i.e. tel que :
( )
∑ ( ) ∫ ( )
( )
( )
( ) ∫ ∑ )
( )
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
( )
∫ ( )
( )
( )∫
( )
( )
( )
( ) ( )
∫
( ) ( )
( ) ( )
( ) ( )
∫
( )
( )
6 7
( ) ( )
̅ ( ) ( )
0 1
( )
D‟où ̅ ( )
(3)
On montre que
a) ̅ ̅
b) ̅ ̅
Conséquences
a) ̅ ̅
( ) ( ) ( )
b) ̅ ̅
( ) ( ) ( )
{
{
( )
. / ( )
( ) ( )
D‟où ,( ) -
[( ). / . / ] ; d‟après (5)
6 7
D‟où . / ( )
Détermination de
∑( )
( )
∑ . /
( )
{
D‟où pn devient
0 1
{ d’après 7 et 9
̅ ∑( )
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
( )
, ( ) -
̅ ( )
( )( )
Cas 1 :
On sait que
D‟où
( )
̅ ∑
̅ ( )
Cas 2 :
( )
̅ ∑ ∑ [ ] ( ) ∑
( ) ∑
( ) ∑
[∑ ]| 6 7|
( ) ( ) (
6 7|
( )
6 7|
( )
(13)
( )
, -
̅ ( )
( )( )
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)
( )( )( )
On sait que ̅
̅
D‟où ̅ , (18)
( ) ( )
Cas 2 :
[ ( ) ]
On sait que ̅
( )( )
̅ [ ( ) ]
Dès lors ̅
( ) ( )( )( )
∑, { } -
è
∑ ∑ ∑
D’où ( )
∑ ∑
( ) ( )
( ) ( )
∑ 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 ̂ ∫ ̂
De sorte que :
( )
( ) ∑ ∑ ∑
Or ∑ ∑ ∑ en pos nt n k
o ∑ ( )
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.
{ (1)
{
( ) ( )
{
( )
Tenant compte de (1), on a :
( )
{ ( ) ( ) ( )
( ) ( )
e ( ) on trouve ( )
D’où ,( ) -
0( ) 1
D’où
Ou encore :
. / ( )
( ) ( )
,( ) -
[( ) . / ( )
. / ] d près ( )
6 7
( ) ( )
Dès lors :
. / (10)
. / (11)
(*) Détermination de
∑ ∑
∑ ( ) ∑ ( )
[∑ ( ) ∑ ( ) ] ( )
Evaluons
∑ ( )
Posons k = n-s
∑ ( )
( ) ∑( ) ( )
( ) ( )
( )
[∑ ( ) ( ) ( )] ( )
̅ ∑( )
̅ ∑( ) ( ) è ( )
[∑ ( ) ( ) ]
̅ [∑ ( ) ]
( ) ∑ ( )
( ) ∑
( ) ∑
( ) { [∑ ]}
( ) [ ( )]
( ) [ ]
( )
ès lors
̅ ( )
( )
( )
( )
̅ . / (16)
( )
̅ ∑ ∑ ∑
NOTA
En soit que :
̅ ∑( ) ∑ ∑
̅ ∑ ∑ ∑
̅ ̅ ∑ ∑
è ̅ ̅ ∑ ∑
Calculions β* :
∑ [∑ ∑ ]
∑ ( ∑ )
∑( )
∑( ) ∑( )
[∑ ( ) ∑( ) ]
[ ∑ ∑ ∑( ) ]
̅ ( ) ( )
( )
Ou bien, plus simplement.
NOTA
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
̅
̅ ( ) ( )
( )
∑( )
∑( ) ∑( )
∑ ∑ ∑( )
̅ ̅
∑ ̅ ̅
(̅ ̅)
D’où ( )
, - ∑
( ) ∑ ( ) ( )
[∑ ( ) ( ) ]
( )
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 .
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.
III.3.2.2. Résolution du modèle
On peut l‟assimiler à un P.V.M. dont les paramètres sont donnés par :
( )
[( ) ] d près ( )
4 5 ( ) ( )
On montre que :
( ) ( )
( )
[( ) . / ( )
. / ] d près ( )
6 ( ) ( ) ( ) 7
( ) ( )
ès lors ( ) ( ) ( )
( ) ( )
Détermination de
On p rt de ∑
[∑ ( ) ∑ ( ) ] ( )
∑ ( ) ∑ ( )
Posons l = n – S
∑ ( )
( ) ∑( ) ( )
Posons
(10) devient :
( ) ∑
( ) ( )
Si
( ) ( ) ( )
[∑ ( ) ] ( )
Cas 1 :
[∑ ( ) ( ) ( )] ( )
Cas 1 :
[∑ ( ) ( ) 4 5] ( )
̅ ∑( )
∑( ) ( ) d près ( )
̅ ∑ ( )
o ̅ ( ) ∑ ( )
Rappel
( ) ( ) ( )
(∑ ) 4 5
( )
( ) ( )
( )
( )
( )
( )
( )
(15) devient :
̅ ( ) (∑ ) ( ) (∑ ) ( )
̅ ( ) ∑
( )( )
̅ ( ) 4 5 ( )
̅ ∑ ∑ ∑
∑ ( ) ∑( ) ∑ d près ( )
∑ ( )
( )
Poser k = n – 1
∑ ( ) ( )
∑ (∑ ∑ )
( ∑ )
[ ∑ ( ) ] [ ∑ ( ) ] ( )
̅ ∑ ( ) ̅ ∑ ( )
( ) ∑ ( ) ̅ ( )
( )
o [( ) ]
4 5
( ) ( )
( ) ( )
Détermination de
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 :
̅ ∑
̅ ⁄
∑ ( )
⁄ ⁄
∑ ( ) ∑ ( ) ( )
( )
⁄
∑ ( )
( )
Posons k = n – 1
̅ ⁄ ⁄ ⁄
∑ ( )
̅ ( )
̅ ̅
̅ ( )
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
̅ =5 ouvriers
1.2. ̅ ̅
̅ 4 ouvriers
̅ et ̅ ̅
1.3. C‟est
D‟où 0 1 0 ( )1
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) ̅
Prof. BATUBENGA J.D. 120
Graphes de Fluence, L2 Génie Informatique
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
Question 5
Soit l‟équation aux différences finies suivante :
1 L
y ( n) xn 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)
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.
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.
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
{
– 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.