Chaîne de Markov

Et files d’attente
Optimisation

Sanae LAMACHI ET Achraf KACHAF

M2 API
 1. CHAINE DE MARKOV
A) VARIABLE ALEATOIRE

Une VA est une fonction X définie sur l'ensemble des éventualités Ω (l'ensemble des résultats
possibles) qui transforme les résultats de d'une expérience aléatoire en un nombre réel.

B) EXPERIENCE ALEATOIRE

Une expérience aléatoire est une expérience dont on ne connait pas le résultat à l’avance mais dont
on connait déjà l’ensemble des issues possibles.

C) LOI DE PROBABILITE D’UNE VARIABLE ALEATOIRE

Déterminer la loi de probabilité d’une variable aléatoire X c’est préciser :

- L’ensemble des valeurs possibles de la V.A (X)

- Calculer pour chaque xi la probabilité

Exemple :

Analyse de la variable aléatoire X qui à chaque résultat associe le nombre de faces (F) :

1
 D) PROCESSUS STOCHASTIQUE

Un processus stochastique est une suite de variables aléatoires définies sur un même espace d’état E
et sur un espace de temps T.

Les espaces d’état et de temps peuvent être discrets ou continus.

E) DEFINITION DES CHAINES DE MARKOV

Les chaines de Markov sont des modèles probabilistes utilisés pour prédire l’évolution et le
comportement à court et moyen terme d’un système.

Exemple :

Un insecte vit au milieu d'une rive. Il y a une pierre et une feuille. L´insecte ne peut rester que sur la
pierre ou sur la feuille.

2
Chaque matin l´insecte prend une décision, sur quelle objet (pierre ou feuille) restera tout au long de
la journée. Au début, l´insecte est sur la pierre. Si l´insecte est sur la pierre alors : Il peut rester dans la
pierre ou sauter à la feuille. Si l´insecte est sur la feuille alors : Il peut rester sur la feuille ou sauter sur
la pierre.

Un scénario de comportement du système pendant six jours :

Schéma pour ce scénario :

Le photographe décide d'étudier l´insecte pendant 5 jours de plus.

Schéma pour le scénario prolongé :

Après avoir étudié le comportement de l´insecte pendant 2 mois, le suivant est déduit :

Quand l´insecte était sur la pierre :

• Dans 33% des cas, la décision du lendemain matin était de passer à la feuille

• Dans 67% des cas, la décision le lendemain matin était de rester dans la pierre

En plus, la décision de chaque jour seulement était associée avec l'état actuel de ce jour et pas aux
états des jours précédents. C'est ce qu'on appelle PROPRIETE MARKOVIENNE.

3
Approche systémique de l’exemple :

La probabilité de transition de l'état "i" à l'état "j" en un jour est désignée par p(i, j):

Pour l'exemple de l´insecte, les probabilités sont définies par :

• p(P,F)=0.33 oú p(i=P, j=F)=0.33

• p(P,P)=0.67

• p(F,P)=0.90

• p(F,F)=0.10

Ces probabilités sont indépendantes du temps, c'est-à-dire, Ils sont stationnaires ou homogène (LOI
STATIONNAIRE).

F) MATRICE STOCHASTIQUE (aussi appelée matrice de Markov) :

Propriétés :

• Matrice carrée

• 0≤p(i,j) ≤1

• La somme des probabilités dans chaque ligne est 1

2. FILE D’ATTENTE :

INTRODUCTION

Les files d’attentes se forment lorsque les clients arrivent de façon aléatoire pour se faire servir. Les
exemples les plus courants de la vie de tous les jours sont les caisses des supermarchés, les
établissements de restauration rapide, les billetteries des aéroports, les cinémas, les bureaux de poste,
les banques. Toutefois, lorsqu’on parle d’attente, on pense souvent à des personnes. Or, les « clients
» en attente sont aussi des commandes en attente de traitement, des camions en attente de
chargement ou de déchargement, des machines en attente de réparation, des programmes
d’ordinateur qui attendent d’être exécutés, des avions qui attendent l’autorisation de décoller, des
bateaux qui attendent les remorqueurs pour accoster, les voitures aux panneaux d’arrêt, les patients
dans les salles d’urgence, etc.

A) POURQUOI Y A-T-IL DE L’ATTENTE ?

Il est surprenant d’apprendre que des files d’attente se forment même dans les systèmes non
congestionnés. Par exemple, un établissement de restauration rapide qui peut traiter en moyenne 200
commandes à l’heure voit malgré tout se former des files d’attente avec un nombre moyen de 150
commandes à l’heure. L’expression clé est « en moyenne ». Le problème vient du fait que les arrivées

4
des clients ont lieu à intervalles aléatoires plutôt qu’à intervalles fixes. De plus, certaines commandes
requièrent un temps de traitement plus long. En d’autres termes, les processus d’arrivée et de service
ont un degré de variabilité élevé. Par conséquent, le système est soit temporairement congestionné,
ce qui crée des files d’attente, soit vide, parce qu’aucun client ne se présente. Donc, si le système n’est
pas congestionné d’un point de vue macro, il l’est d’un point de vue micro. Par ailleurs, en cas de
variabilité minimale ou inexistante (arrivée selon les rendez-vous et temps de service constant),
aucune file d’attente ne se forme.

B) L’OBJECTIF DE L’ANALYSE DES FILES D’ATTENTE

L’objectif de l’analyse des files d’attente est de minimiser le coût total, qui équivaut à la somme de
deux coûts : le coût associé à la capacité de service mise en place (coût de service) et le coût associé à
l’attente des clients (coût d’attente). Le coût de service est le coût résultant du maintien d’un certain
niveau de service, par exemple le coût associé au nombre de caisses dans un supermarché, au nombre
de réparateurs dans un centre de maintenance, au nombre de guichets dans une banque, au nombre
de voies d’une autoroute, etc. En cas de ressources inoccupées, la capacité est une valeur perdue, car
elle est non stockable. Les coûts d’attente sont constitués des salaires payés aux employés qui
attendent pour effectuer leur travail (mécanicien qui attend un outil, chauffeur qui attend le
déchargement du camion, etc.),

C) LES CARACTÉRISTIQUES DU SYSTÈME DE FILES D’ATTENTE

Dans le cadre de la théorie des files d’attente, on a conçu plusieurs modèles d’analyse.
Le succès de l’analyse des files d’attente repose surtout sur le choix du modèle approprié. Plusieurs
caractéristiques sont à prendre en considération :
1. La population.
2. Le nombre de serveurs.
3. Les tendances quant à l’arrivée et au service.
4. L’ordre de traitement des clients.

5
La population :
Dans la théorie des files d’attente, on appelle « population » la source de clients potentiels.
Il y a deux situations possibles. Dans le premier cas, la population est infinie, c’est-à-dire que le nombre
potentiel de clients est infiniment grand en tout temps.
C’est le cas des clients des supermarchés, des banques, des restaurants, des cinémas, des centres
d’appels, etc. De plus, les clients proviennent de toutes les régions possibles. Dans la deuxième
situation, la population est finie, ce qui signifie que le nombre de clients potentiels est limité.
Le nombre de serveurs :
La capacité de service dépend de la capacité de chaque serveur et du nombre de serveurs disponibles.
Le terme «serveur » représente ici la ressource et, en général, on suppose qu’un serveur ne traite
qu’un client à la fois. Les systèmes de files d’attente fonctionnent avec serveur unique ou serveurs
multiples (plusieurs serveurs travaillant en équipe constituent un serveur unique, par exemple une
équipe chirurgicale). Les exemples de systèmes de files d’attente avec serveur unique sont nombreux
: les petits magasins avec une seule caisse, tels que les dépanneurs, certains cinémas, certains lave-
autos et établissements de restauration rapide avec guichet unique. Les systèmes à multiples serveurs
sont les banques, les billetteries d’aéroports, les garages et les stations-service.

6
E) LES TENDANCES QUANT A L4ARRIVEE ET AU SERVICE

Les files d’attente résultent de la variabilité des tendances d’arrivée et de service. Elles se forment
parce que le degré élevé de variation dans les intervalles entre les arrivées et dans les temps de
service cause des congestions temporaires. Dans plusieurs cas, on peut représenter ces variations par
des distributions théoriques de probabilités. Dans les principaux modèles utilisés, on suppose que le
nombre d’arrivées dans un intervalle donné suit la loi de Poisson, alors que le temps de service suit
une loi exponentielle.

G) LES MESURES DE PERFORMANCE

Les gestionnaires ont à leur disposition cinq outils de mesure ou indices pour évaluer la performance
d’un système de production de biens ou de services existant ou celle d’un système qu’ils veulent
concevoir. Ces mesures sont :

1. Le nombre moyen de clients qui attendent en file ou dans le système.

2. Le temps moyen d’attente en file et dans le système.

3. Le taux d’utilisation du système, c’est-à-dire le pourcentage de la capacité utilisée.

4. Le coût associé au niveau de service (capacité) mis en place.

5. La probabilité qu’un client potentiel attende pour être servi.

7
 H) LOI DE LITTLE

La gestion des files d’attente est mise en évidence par la loi de Little, une théorie mathématique
élaborée en 1961 par John Little, professeur émérite au Massachussets Institute of Technology (MIT)
de Boston.

La loi de Little affirme que le nombre moyen de clients dans un système stable est égal à leur fréquence
moyenne d’arrivée, multipliée par le temps passé dans le système. D’un point de vue mathématique,
elle s’exprime ainsi.

Plus simplement, si on connaît le nombre idéal de clients qui doivent se trouver dans un commerce
pour maintenir une stabilité et permettre une circulation régulière et rapide, on arrive à réduire les
files d’attente. En plus de diminuer le délai d’attente pour le client, cette loi contribue à augmenter la
capacité d’accueil et à améliorer l’expérience client.

8
 CONCLUSION :

L’analyse des files d’attente peut être un aspect important de la conception des systèmes. Les files
d’attente ont tendance à se former, bien que, d’un point de vue macro, les systèmes ne soient pas
congestionnés. Les arrivées aléatoires des clients combinées à la variabilité des temps de service créent
temporairement des congestions dans le système, d’où la création de files d’attente. Dans certains cas,
il arrive également que les serveurs soient inactifs. Pour analyser des files d’attente, il est important
de définir si la population de clients potentiels est infinie ou bien si elle se limite à un nombre fini de
clients. Il existe cinq modèles de base pour analyser les files d’attente ; quatre pour une population
infinie et un pour une population finie. En général, les hypothèses émises dans le cadre de ces modèles
sont que les taux d’arrivée des clients sont distribués selon une loi de Poisson, alors que les temps de
service suivent une loi exponentielle.

9
 BIBLIOGRAPHIE

https://webmail.partage.renater.fr/service/home/~/?auth=co&loc=fr&id=18388&part=2

https://docplayer.fr/814069-Chapitre-19-les-files-d-attente.html

file:///C:/Users/lamachis/AppData/Local/Temp/Temp2b133c8d-acd7-4e94-aa0c-
60f100293cd8_pi%C3%A8ces%20jointes%20(1).zip/transp_files.pdf

file:///C:/Users/lamachis/AppData/Local/Temp/Temp7e98ca35-e852-4804-af68-
7ff7cfd95ea8_pi%C3%A8ces%20jointes%20(1).zip/These_TN.pdf

https://campuslean.com/gerer-efficacement-les-files-d-attente-grace-au-lean-management/

https://fr.wikipedia.org/wiki/Th%C3%A9orie_des_files_d%27attente

10