Académique Documents
Professionnel Documents
Culture Documents
Y. Hou
1
PLAN DU COURS
2
PLAN DU COURS
Définition
un processus stochastique {X(t), t ∈ T} est une collection de
variables aléatoires indexées sur le temps,
c'est-à-dire, pour chaque t, X(t) est une variable aléatoire,
nous disons que X(t) (ou Xt) est l'état du processus
stochastique au temps t.
Qu'est qu'un processus stochastique ?
Les processus stochastiques
Exemple discret
Xn = nombre de composants défaillants au début du jour n,
Xn = détérioration de machine (aucune, minimale,
défaillante) à la fin de l'heure n,
Le nombre d’appels arrivant dans un central téléphonique
pendant un intervalle de temps [0, t],
La fortune du joueur après avoir joué n parties,
Le nombre de clients dans une file d’attente à un instant
donné.
Pourquoi étudier les processus stochastiques ?
Processus stochastique
Chaînes de Markov finies et homogènes à temps discret
Étude des chaînes de Markov à temps discret : comportement
transitoire et asymptotique
Chaînes de Markov à temps continu
Processus de naissance et mort
Les files d'attentes
Les réseaux de files d'attente
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
• La propriété de Markov
Un processus stochastique {Xt, t ≥ 0} défini sur un espace d’états S
satisfait la propriété de Markov si, pour tout instant t ≥ 0 et tout
sous-ensemble d’états I ∈ S, il est vrai que
12
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
13
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
14
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
15
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
• Graphes représentatifs
La matrice de transition P d’une chaîne de Markov peut être
représentée par un graphe orienté G = (V,E) dont les sommets
correspondent aux états de la chaîne et où un arc relie les sommets
associés aux états i et j si la probabilité de transition de i à j est
positive, c.-à-d. si pij > 0.
Le graphe ainsi défini est appelé le graphe représentatif, ou
graphe de transitions, de la chaîne de Markov.
REMARQUE. Les sommets du graphe représentatif G d’une chaîne
étant en bijection avec les états de cette dernière, nous parlerons
souvent de l’état i de G tout en gardant à l’esprit qu’une telle
expression désigne, en fait, le sommet de G associé à l’état i.
16
Graphe représentatif
• : un graphe orienté
• Sommets : les états de la chaîne
• Arcs : les transitions entre les états dont la probabilité est positive ( )
0,97
0,03
0 1 0,98
0,02
Révision : la théorie de graphe
A B C A B
• Graphe réduit
D E C D E
A,B
A,B C,D,E C D,E
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
0 1 4 3 4
P 0 1 2 1 2
1 3 0 2 3
3/4
2/3
1/4 1/2
0 1 2
1/2
1/3
20
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
• Exemple
21
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
• Matrices stochastiques
22
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
24
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
Pour , si et , on a .
26
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
27
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
28
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
1 3 1,3
2 4 5 2 4 5
29
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
Propriétés.
Une chaîne de Markov est irréductible si et seulement si son
graphe représentatif est fortement connexe.
Une chaîne de Markov est irréductible si et seulement si toutes
ses paires d’états communiquent.
31
CHAINES DE MARKOV FINIES ET HOMOGENES
A TEMPS DISCRET
• Période
Propriétés.
L’état i a pour période d si et seulement si d est le plus grand
commun diviseur des longueurs des circuits (pas forcément
élémentaires) passant par i dans le graphe représentatif G de la
chaîne.
• Période
Théorème 1.2 Les états d’une classe ont tous la même période.
33
PLAN DU COURS
Processus stochastique
Chaînes de Markov finies et homogènes à temps discret
Étude des chaînes de Markov à temps discret : comportement
transitoire et asymptotique
Chaînes de Markov à temps continu
Processus de naissance et mort
Les files d'attentes
Les réseaux de files d'attente
34
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
35
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
• Comportement transitoire
36
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
• Comportement asymptotique
L’étude du comportement à long terme d’une chaîne de Markov
cherche à répondre à des questions aussi diverses que :
la distribution p(n) converge-t-elle lorsque n → ∞ ?
si la distribution p(n) converge lorsque n → ∞, quelle est la
limite p* et cette limite est-elle indépendante de la distribution
initiale p(0) ?
si l’état i est persistant, quelle est la proportion du temps passé
dans cet état et quel est le nombre moyen de transitions entre deux
visites successives de cet état ?
si l’état i est transitoire, quel est le nombre moyen de visites de
cet état ?
37
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
38
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
39
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
mi
où mi est l’espérance du nombre de transitions entre deux visites
successives de l’état i.
REMARQUE. Pour n suffisamment grand, on a p(n) ≈ p* et p*i
"est" la probabilité que la chaîne se trouve dans l’état i à un instant
quelconque. Cette valeur représente aussi la proportion du
temps passé dans l’état i.
41
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
k 0 iS
presque sûrement.
42
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
44
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
• Comportement asymptotique
En remplaçant la convergence ordinaire par celle au sens de
Cesàro, les chaînes de Markov irréductibles présentent toutes les
mêmes propriétés asymptotiques, indépendamment de leur
période.
En particulier, la suite des distributions p(n) converge, au sens de
Cesàro, vers une distribution p*, unique et indépendante de la
distribution initiale p(0).
REMARQUE. Si la chaîne a pour période d, chaque matrice Pi
définit une chaîne ergodique possédant une distribution
stationnaire unique pi*. On a alors
1
p " " p 0 """"p d 1 .
d
45
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
46
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
• Formes canoniques
La matrice de transition d’une chaîne de Markov réductible est
sous forme canonique si
47
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
• Formes canoniques
48
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
• Matrice fondamentale
n 0
49
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
50
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
• Probabilités d’absorption
B = NR = (I - Q)-1R.
51
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
52
ETUDE DES CHAINES DE MARKOV A TEMPS DISCRET
COMPORTEMENT TRANSITOIRE ET ASYMPTOTIQUE
Processus stochastique
Chaînes de Markov finies et homogènes à temps discret
Étude des chaînes de Markov à temps discret : comportement
transitoire et asymptotique
Chaînes de Markov à temps continu
Processus de naissance et mort
Les files d'attentes
Les réseaux de files d'attente
54
CHAÎNE DE MARKOV A TEMPS CONTINU
• Définitions
55
CHAÎNE DE MARKOV A TEMPS CONTINU
• Définitions
56
CHAÎNE DE MARKOV A TEMPS CONTINU
• Remarque
On peut considérer que le fonctionnement d’une chaîne de Markov
à temps continu a le fonctionnement suivant : dans un état, le
processus reste un temps aléatoire qui suit une loi exponentielle de
taux -aii. A la sortie de cet état, le processus choisi son état
destination suivant la probabilité : -aij/aii.
La matrice A ainsi construite est appelée matrice génératrice de la
chaîne de Markov.
On peut associer à chaque chaîne de Markov un graphe orienté
construit de la façon suivante : chaque état i du processus est
représenté par un noeud. Il y a un arc entre un noeud i et un noeud
j ≠i si et seulement si l’élément i, j de la matrice A est non nul. On
donne alors un poids à l’arc i, j : le taux de transition de l’état i à
l’état j. C’est l’élément i, j de la matrice A.
57
CHAÎNE DE MARKOV A TEMPS CONTINU
• Exemple
3 2 1
A 0 2 2
1 0 1
Sa représentation graphique est donnée figure ci-dessous :
2 2
2
1 1
1 3
58
CHAÎNE DE MARKOV A TEMPS CONTINU
59
CHAÎNE DE MARKOV A TEMPS CONTINU
60
PLAN DU COURS
Processus stochastique
Chaînes de Markov finies et homogènes à temps discret
Étude des chaînes de Markov à temps discret : comportement
transitoire et asymptotique
Chaînes de Markov à temps continu
Processus de naissance et mort
Les files d'attentes
Les réseaux de files d'attente
61
LES PROCESSUS DE NAISSANCE ET MORT
• Définition
62
LES PROCESSUS DE NAISSANCE ET MORT
• Matrice génératrice
Par exemple, pour n = 4, on trouve :
l0 l0 0 0 0
m1 l1 m1 l1 0 0
A 0 m2 l2 m 2 l2 0
0 0 m3 l3 m 3 l3
0 0 0 m4 m4
63
LES PROCESSUS DE NAISSANCE ET MORT
l0 l1 ln-1
0 1 2 …… n-1 n
m1 m2 mn
64
65
66
67
68
69
PLAN DU COURS
Processus stochastique
Chaînes de Markov finies et homogènes à temps discret
Étude des chaînes de Markov à temps discret : comportement
transitoire et asymptotique
Chaînes de Markov à temps continu
Processus de naissance et mort
Les files d'attentes
Les réseaux de files d'attente
70
LES FILES D’ATTENTE
71
LES FILES D’ATTENTE
73
LES FILES D’ATTENTE
• Hypothèses
Les clients arrivent les uns après les autres (i.e. pas d’arrivées
groupées) et les temps entre deux arrivées successives sont
indépendants et identiquement distribués (i.i.d.).
Les temps de services des clients sont indépendants et
identiquement distribués.
Dans la notation simplifiée de Kendall, on suppose que :
la capacité de la file est infinie : K = ∞,
la population est de taille infinie : P = ∞,
la discipline de service D n’a pas d’impact sur les
performances du système ou est égale à FIFO.
74
LES FILES D’ATTENTE
(2) A l’exception des systèmes déterministes, par exemple la file D/D/1, qui sont stables même si = 1. 76
LES FILES D’ATTENTE
• Mesures de performances
• Formule de Little
78
LES FILES D’ATTENTE
• Formule de Little
• Formule de Little
• Règles opérationnelles
Un client étant soit en attente soit en traitement, on a les relations :
N = Q + mU et T = W + S
De plus, si on applique la formule de Little uniquement aux places
d’attente (au buffer ) ou uniquement au serveur, on obtient les
relations :
Q = lW et mU = lS
Pour une file A/S/m, le taux d’occupation de chaque serveur est
l
U m et la dernière relation s’écrit aussi
mm
mU = lS = lE(S) = m.
81
LES FILES D’ATTENTE
• La file M/M/1
Une file M/M/1 modélise un guichet unique où chaque client reçoit
un service dont la durée est une variable exponentielle de paramètre
µ (indépendante de tout autre élément affectant le système) et où
l’arrivée des clients correspond à un processus de Poisson de taux l
(les temps entre deux arrivées successives sont des variables
aléatoires i.i.d. selon une loi exponentielle de paramètre l).
82
LES FILES D’ATTENTE
l
1.
m
83
LES FILES D’ATTENTE
• Distribution stationnaire
Une file M/M/1 stable correspond à un processus markovien
ergodique et admet donc une distribution stationnaire unique
p*i = (1 – )i i ≥ 0
En particulier, on a p*0 = 1 – et la probabilité stationnaire (et
asymptotique) d’observer un système vide est 1 – . Cette
probabilité étant égale à la proportion du temps où le système est
vide, on retrouve bien l’interprétation de l’intensité du trafic en
terme de taux d’occupation du serveur :
84
LES FILES D’ATTENTE
• Mesures de performance
Nombre moyen de clients dans le système :
l
N ip *
1 m l
i
i 0
Q i 1p ip p i* N 1 p 0* N U
*
i
*
i
i 1 i 1 i 1
2 l2
1 m m l
85
LES FILES D’ATTENTE
• Mesures de performance
Temps moyen de réponse (de séjour) :
N 1 1 S
T
l l 1 m l m 1 1
Temps moyen d’attente :
Q 2 S
W
l l 1 m 1 m l 1
REMARQUES.
On a évidemment T = W + S.
Tous les développements et les résultats qui précèdent sont
indépendants de la discipline de service de la file (FIFO, LIFO,
SIRO : Serve In Random Order).
86
LES FILES D’ATTENTE
88
LES FILES D’ATTENTE
89
LES FILES D’ATTENTE
1 e m 1 t 1 e m l t
90
LES FILES D’ATTENTE
91
LES FILES D’ATTENTE
• La file M/M/m
92
LES FILES D’ATTENTE
93
LES FILES D’ATTENTE
94
LES FILES D’ATTENTE
• Distribution stationnaire
La solution des équations du bilan détaillé est :
1
m m
m
m 1 i
p
*
m!1 i 0 i!
0
et
* m i
p i 1, , m 1
0 i!
pi
*
p * m
i m
i m, m 1
0 m!
95
LES FILES D’ATTENTE
• Formule C d’Erlang
Un client arrivant dans une file M/M/m en régime stationnaire doit
attendre uniquement si les m serveurs sont déjà occupés. La
probabilité d’un tel événement est :
z p p* m
*
.
m
m!1
i 0
i m
96
LES FILES D’ATTENTE
• Mesures de performance
Nombre moyen de clients présents et en attente :
z z
N m Q
1 1
97
LES FILES D’ATTENTE
• La file M/M/m/K
La file M/M/m/K est une file markovienne composée de m serveurs
et disposant de K places au total. Le nombre maximal de clients en
attente est donc K - m. Si un client arrive alors que le système est
plein, il ne peut y entrer et doit repartir.
L’évolution du nombre de clients dans un tel système est encore et
toujours un processus de naissance et de mort dont le graphe
représentatif est :
98
LES FILES D’ATTENTE
l lp k* l 1 p K* .
K 1
k 0
Ayant calculé N et Q, c’est ce taux effectif l’ qu’il faut utiliser pour
calculer T et W à l’aide de la formule de Little.
99
LES FILES D’ATTENTE
• La file M/G/1
100
LES FILES D’ATTENTE
• La formule de Pollaczek-Khinchin
S 1 CS2
W
1 2
où C2S est le carré du coefficient de variation du temps de service S
Var S
C
2
.
S
E S 2
2 1 CS2
Q lW
1 2
S 1 CS2
T W S S
1 2
2 1 C S2
N lT .
1 2
102
LES FILES D’ATTENTE
103
LES FILES D’ATTENTE
Exercice 106
LES FILES D’ATTENTE
m=7.5 clients/h
m
0
Exercice 109
LES FILES D’ATTENTE
m=30 avions/h
• facteur d’utilisation :
Processus stochastique
Chaînes de Markov finies et homogènes à temps discret
Étude des chaînes de Markov à temps discret : comportement
transitoire et asymptotique
Chaînes de Markov à temps continu
Processus de naissance et mort
Les files d'attentes
Les réseaux de files d'attente
112
LES RESEAUX DE FILES D’ATTENTES
113
LES RESEAUX DE FILES D’ATTENTES
114
LES RESEAUX DE FILES D’ATTENTES
p x p x1 xn p *j x j
n
* *
j 1
115
LES RESEAUX DE FILES D’ATTENTES
116
LES RESEAUX DE FILES D’ATTENTES
117
LES RESEAUX DE FILES D’ATTENTES
118
LES RESEAUX DE FILES D’ATTENTES
1/ 4 1/ 2 1/ 4 0
R 0 0 2 / 3 r.0 1 / 3
4/5 0 0 1 / 5
119
LES RESEAUX DE FILES D’ATTENTES
Conditions de stabilité
Sans surprise :
l g lR l I R g
120
LES RESEAUX DE FILES D’ATTENTES
Conditions de stabilité
121
LES RESEAUX DE FILES D’ATTENTES
Exemple
122
LES RESEAUX DE FILES D’ATTENTES
Exemple
Exemple
l1 g1 l1 / 4 4l3 / 5
l2 g2 l1 / 2
l l1 / 4 2l2 / 3
3
60 32
l1
17
g1
17
g2
30 33
l2 g1 g2
17 17
l 35 30
g1 g2
3 17 17
Le réseau est donc stable si g1, g2, µ1, µ2 et µ3 sont tels que :
l1 l2 l3
1 1 2 1 3 1
m1 m2 m3
124
LES RESEAUX DE FILES D’ATTENTES
Distribution stationnaire
p * x p * x1 xn p *j x j .
n
j 1
où pj*(xj) est égal à la probabilité stationnaire d’observer xj clients
dans une file M/M/mj.
Un tel système se comporte donc comme n files M/M/mj
indépendantes d’intensité respective l1 , ln
m1m1 mn m n
1 n
125
LES RESEAUX DE FILES D’ATTENTES
126
LES RESEAUX DE FILES D’ATTENTES
Stabilité du réseau
Première file stable 75
l1 8 75 5
1 1 1 1
m1m1 1.15 120 8
Deuxième file stable
15
l2 2 15 3
2 1 2 1
m2 m 2 1.10 20 4
le réseau est stable et possède une distribution stationnaire unique
et à forme produit : x1 x2 x1 x2
35 1 3 3 5 3
p x1 , x2 1 1 1 1 2 2
* x1 x2
88 4 4 32 8 4
où x1 ≥ 0 et x2 ≥ 0 représentent, respectivement, le nombre de
clients dans la première et la deuxième file.
128
LES RESEAUX DE FILES D’ATTENTES
Mesure de performance
Le nombre moyen de clients présents dans la première file est :
N1 x1p * x1 , x2 x1 1 1 1x1 1 2 2x2
x1 0 x2 0 x1 0 x2 0
x1 1 1 1 1 2 2
x1 x2
x1 0
x2 0
1 5/8 5
.
1 1 1 5 / 8 3
De même, le nombre moyen de clients dans la deuxième file est
2 3/ 4
N2 3.
1 2 1 3 / 4
129
LES RESEAUX DE FILES D’ATTENTES
Mesure de performance
Le temps moyen de séjour d’un client dans le système est :
N sys N1 N 2 5 / 3 3 7
T h
lsys g1 6 9
où lsys est le taux global d’arrivée dans le système (ici, simplement
g1).
131
LES RESEAUX DE FILES D’ATTENTES
132
LES RESEAUX DE FILES D’ATTENTES
Distribution stationnaire
Distribution stationnaire
Dans l’expression :
x1 x2
1 l1 l2
p x1 , x2
*
G 10 m1 m2
qui n’est applicable que pour
Constante de normalisation
La constante G(10) est une constante de normalisation assurant
que la somme des probabilités stationnaires est égale à 1 :
x1 10 x1 10 10 x1
10
1 1 1 10
G 10
x1 0 15 10 10 x1 0 15
2 11
10 10 x1 10 1
1 2 1 3
.
10 x1 0 3 10 1 2
3
135
LES RESEAUX DE FILES D’ATTENTES
n
x x1 , , xn S K x1 , , xn IN x j K .
n
j 1
Même pour des valeurs modérées de n et K, l’ensemble SK est
énorme :
n K 1 n K 1!
S K
K K !n 1!
le calcul de la constante G(K) constitue l’une des principales
difficultés lors de l’étude d’un réseau de Jackson fermé.
136
LES RESEAUX DE FILES D’ATTENTES
Réseaux BCMP
Les réseaux de Jackson ne sont pas les seuls réseaux possédant une
distribution stationnaire à forme produit. Une classe importante de
tels réseaux, englobant ceux de Jackson, sont les réseaux BCMP
dont le nom fait référence à leurs "inventeurs " : Baskett, Chandy,
Muntz et Palacios.
Ces réseaux généralisent ceux de Jackson et sont formés
a) de files exponentielles -/M/m - FIFO
b) de centre de délai -/M/ ou -/G/
c) de files -/G/1 - LIFO - RR
d) de files -/G=1 - PS
137
LES RESEAUX DE FILES D’ATTENTES
Réseaux BCMP
Round Robin (RR) : on définit un "quantum de temps de service" :
le serveur traite à tour de rôle chaque client pour une portion du
temps égale au quantum ; il accomplit ainsi une sorte de cycle sur
les clients en attente. Dès qu'un client a reçu, en plusieurs fois, le
service qu'il réclame, il quitte le serveur.
138
LES RESEAUX DE FILES D’ATTENTES
Exercice
139
LES RESEAUX DE FILES D’ATTENTES
Exercice
Puis déterminer :
140
LES RESEAUX DE FILES D’ATTENTES
Exercice / corrigé
141
LES RESEAUX DE FILES D’ATTENTES
Exercice / corrigé
1 / 5 2 / 5 2 / 5 0
0 1/ 5 0 4/5
R
0 0 1 / 10 9 / 10
0 0 0 0
et le vecteur l des taux effectifs d'arrivée dans les files est donné par
l'unique solution du système l = g + lR où g = (1 0 0 0) est le
vecteur des taux d'arrivée externes.
Après calcul, on trouve :
l = (5/4 5/8 5/9 1).
142
LES RESEAUX DE FILES D’ATTENTES
Exercice / corrigé
Exercice / corrigé
p * x1 , x2 , x3 , x4 1 j j
4
xj
j 1
144
LES RESEAUX DE FILES D’ATTENTES
Exercice / corrigé
145
LES RESEAUX DE FILES D’ATTENTES
Exercice / corrigé
4
En conséquence : N Ni
i 1
1520
T N
g 1 561 s
146