Académique Documents
Professionnel Documents
Culture Documents
Créer un système informatique qui répond au mieux à l’exigence de son cahier des charges, nécessite sa
modélisation par des concepts formels sous forme de schémas et d’équations mathématiques. Et par la suite sa
validation a priori à travers le calcul d’un certains nombre de paramètres de performances. Parmi ces paramètres
nous pouvons citer :
- Le temps de réponse: c’est le temps séparant l’arrivée d’une requête de la fin de son traitement. C’est
un paramètre très important, puisqu’il mesure la qualité de service du système informatique.
Le calcul de ces paramètres lors de la conception du système, va permettre au concepteur d’envisager des solutions si les
Les valeurs obtenues ne répondent pas aux critères du cahier de charges.
Modélisation
Un modèle est l’abstraction formelle d’un système réel. En fonction du degré d’abstraction on obtient un modèle plus au
moins fidèle au système modélisé. Un modèle très fidèle a son système réel va être un modèle très compliqué et difficile à
analyser. Alors que le choix d’un modèle peu fidèle, va rendre l’analyse de modèle simple, mais les résultats obtenus sont
moins fiables. Donc il faut choisir un compromis entre la fidélité de modèle au système réel et sa simplicité formelle.
Un modèle peut vérifier un seul critère, parmi les critères cités ci-dessus, ou une hybridation entre ces critères
Variable aléatoire L’ensemble des états E d’une la fonction Random qui nous
variable aléatoire est un intervalle donne une valeur réelle a
continue ( V.A.C) de nombres réels, non chaque appel est une variable
dénombrable. aléatoire continue.
Probabilité d’état P(X=n), C’est la probabilité que la variable Dans notre exemple précédent
aléatoire discrète aura comme
noté P(n) résultat n, tel que:
P(X=1)=1/2
Car: x=1𝜔 ∈ *4,5,6} et
0≤ P 𝑥𝑖 ≤ 1 ∀𝑥𝑖 ∈ Ω puisque, dans un dé, la proba
d’avoir une valeur=1/6, donc
𝑃(𝑥𝑖 ) = 1 1 1 1 1
𝑥𝑖 ∈Ω + + =
6 6 6 2
Notion Signification Exemple
La densité de probabilité La proba que une variable aléatoire Loi exponentiel de paramètres 𝜆.
−𝜆𝑥
f(x) continue aura comme valeur a, 𝑓 𝑥 = 𝜆𝑒 𝑠𝑖 𝑥 ≥ 0
P(X=a)=0. car il y a une infinité de 0 𝑠𝑖 𝑥 ≤ 0
valeur.
La moyenne (l’espérance) d’une lois de Elle caractérise la position de l’ensemble - Loi exponentiel de paramètres 𝜆.
probabilité des valeurs possibles d’une variable 𝑓 𝑥 = 𝜆𝑒
−𝜆𝑥
𝑠𝑖 𝑥 ≥ 0
aléatoire. 0 𝑠𝑖 𝑥 ≤ 0
1
V.A.D: EX = 𝑥𝑖 𝑃(𝑥𝑖 ) sa moyenne: E X = 𝜆
𝑥𝑖∈Ω
+∞ - La lois de poisson de paramètres
V.A.C : EX = 𝑥𝑓 𝑥 𝑑𝑥 𝜆, est une lois discrète définie par:
−∞
𝜆
P(X=n)=𝑛! 𝑒 −𝜆 ,
sa moyenne : E X =𝜆
Quelques caractéristiques de lois de probabilité et leurs densités
+∞
Si 𝐵1 , 𝐵2 , 𝐵3 , … … . . , 𝐵𝑛 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑒 𝑢𝑛𝑒 𝑝𝑎𝑟𝑡𝑖𝑡𝑖𝑜𝑛 𝑡𝑜𝑡𝑎𝑙𝑒 𝑑𝑒 Ω, 𝑎𝑙𝑜𝑟𝑠: 𝑃 𝐴 = 𝑘=1 𝑃 𝐴 𝐵𝑘 𝑃(𝐵𝑘 )
LES CHAINES DE MARKOV
Les chaines de Markov discrètes
Un processus stochastiques (𝑋𝑡 )𝑡∈𝑇 est une famille de variables aléatoires définies sur le même espace de probabilité,
prenant des valeurs dans l’espace d’états E et indexées par le paramètre de temps t.
Par suite la variable aléatoire Xt correspond à l’état du phénomène à l’instant t. Si l’ensemble T est :
C’est un processus stochastique qui satisfait la propriété de perte de mémoire, annoncée comme suit:
Ceci vaut dire que l’évolution du processus à l instant n+1, ne dépend que de son évolution à l’instant n, et pas de celle
de l’historique du processus.
Lorsque l’ensemble d’états E d’un processus Markovien est discret, on appellera ce processus une chaine de Markov,
Et si:
- T est dénombrable ( finie ou infinie) on dira que c’est une chaine de Markov discrète ( CMTD)
- T est continu, on dira que c’est une chaine de Markov continue (CMTC)
Probabilité de transition
On appelle probabilités de transition les probabilités de passé de n’importe quel état 𝑖 ∈ 𝐸 , à un autre état j∈ 𝐸
Qui vaut dire qu’on doit définir les probabilité 𝑃 𝑋𝑛+1 = 𝑗 𝑋𝑛 = i et ceci ∀ 𝑖, 𝑗 ∈ 𝐸
Exemple:
si on a trois états: 𝑖, 𝑗, 𝑘, et supposant que le processus démarre à l’instant t=0 depuis l’état i, donc P(𝑋0 = 𝑖) = 1
on doit définir:
À l’instant 1: 𝑃 𝑋1 = 𝑖 𝑋0 = i , 𝑃 𝑋1 = 𝑗 𝑋0 = i , 𝑃 𝑋1 = 𝑘 𝑋0 = i
À l’instant 2: 𝑃 𝑋2 = 𝑖 𝑋1 = i , 𝑃 𝑋2 = 𝑗 𝑋1 = i , 𝑃 𝑋2 = 𝑘 𝑋1 = i
𝑃 𝑋2 = 𝑖 𝑋1 = j , 𝑃 𝑋2 = 𝑗 𝑋1 = j , 𝑃 𝑋2 = 𝑘 𝑋1 = j
𝑃 𝑋2 = 𝑖 𝑋1 = k , 𝑃 𝑋2 = 𝑗 𝑋1 = k , 𝑃 𝑋2 = 𝑘 𝑋1 = k
À l’instant 3:………………..
……
Une chaîne de Markov est dite homogène, si les probabilités de transition entre états ne dépendent pas du temps. Qui
vaut dire elles dépendent pas de l’instant dans la quelle la transition se réalise, mais seulement de l’état depuis lequel
elle s’est produit. ∀𝑛 ∈ 𝑇: 𝑃 𝑋 =𝑗𝑋 =i =𝑃 𝑋 =𝑗𝑋 = i = ⋯.= 𝑝
𝑛+1 𝑛 𝑛+2 𝑛+1 𝑖𝑗
Dans la suite nous supposons toujours que la chaîne de Markov est homogène. Dans ce cas nous pouvons associer
à la chaine de Markov une matrice de transition entre états (MT). Une telle matrice est stochastique, qui vaut que
la somme des valeurs de chaque ligne est égal à 1:
𝒑𝒊𝒋 = 𝟏
𝒋∈𝑬
Une chaine de Markov discrète est complètement définie par:
- Un graphe orienté, dans lequel chaque nœud représente un état de la chaine. Les transitions entre les états
sont pondérées par les probabilités de transition d’un état de la chaine à un autre, ou sont représenté par une matrice
de transition.
(0)
- Le vecteur de probabilité d’états initiaux 𝜋 (0) = 𝜋𝑖 , i ∈ 𝐸, Qui vaut dire la probabilité d’être dans un état i
à l’instant initiale 0
Exemple :
Considérons un système (processeur) pouvant se trouver à deux états possibles, en un jour n. L’état
en marche (M), et l’état en panne (P). Et soit les probabilités suivantes:
3
- La probabilité d’être en marche et de rester en marche le jour suivant est 5.
2
- La probabilité d’être en marche et puis de tomber en panne le jour suivant est 5.
1
- La probabilité d’être en penne et de rester en panne le jour suivant est 2.
1
- La probabilité d’être en panne et puis d’être en marche le jour suivant est 2.
- Ce système peut être modélisé par une variable aléatoire 𝑋𝑛 , qui peut prendre la valeur: en mache (M), ou en panne (P),
le jour n.
- Le fait que la valeur de 𝑋𝑛+1 (X au jour n+1), ne dépend que de 𝑋𝑛 (X au jour précédent n), vaut dire que le modèle vérifie
la propriété de Markov.
- L’espace des états E={ en panne(P), en marche(m)}, 𝐸 = 2 et donc on peut appelé ce modèle une chaine de Markov.
- Le temps est discret, puisque on parle de jours, et donc c’est une chaine de Markov à temps Discret (CMDT)
1
2
1 P M 3
- Graphe d’une chaine de Markov discrète
2 5
2
1 1
5
2 2
- Matrice de transition MT= 2 3
5 5
(0) (0)
- Probabilité initial: 𝜋 (0) = 𝜋𝑃 , 𝜋𝑀 = (1,0) ou (0, 1)
Qui vaut dire que initialement on est soit:
- en marche ( donc la probabilité d’être en mache=1, et la probabilité d’être en panne =0)
ou
- en panne ( donc la probabilité d’être en panne=1, et la probabilité d’être en marche =0)
Avec une chaine de Markov discrète, on s’intéresse a deux types d’analyses:
- Une analyse transitoire: elle s’intéresse a prédire l’état du modèle, à une instant n, qui vaut dire calculer
le vecteur de probabilité pour une instant n.
- Une analyse stationnaire: elle s’intéresse à prédire l’état du modèle lorsque il atteint sa stabilité, après un
un fonctionnement très long (𝑛 → +∞). ( la propriété de stationnarité n’est pas atteinte par tous les modèles).
1) Analyse transitoire
𝑛
On s’intéresse à calculer le vecteur de probabilité d’états à l’instant n, 𝜋 (𝑛) = *𝜋𝑖 , 𝑖 ∈ 𝐸+, tel
𝑛
que 𝜋𝑖 = 𝑃 𝑋𝑛 = 𝑖 , on a:
𝜋 (𝑛) = 𝜋 (𝑛−1) ∗ 𝑀𝑇 = ⋯ … . . = 𝜋 0 ∗ 𝑀𝑇 𝑛
j
⋯ ⋯
⋮
𝑛 (𝑛)
Tel que: 𝑀𝑇 = 𝑖 𝑝𝑖𝑗 ⋱ ⋮
⋮
⋯
(𝑛)
La probabilité 𝑝𝑖𝑗 qui représente la valeur qui se situe à la i éme ligne et j ème colonne dans la matrice 𝑀𝑇 𝑛 ,
désigne la probabilité d’atteindre l’état j depuis l’état i, après n étapes, qui vaut dire:
(𝑛)
𝑝𝑖𝑗 = 𝑃 𝑋𝑚+𝑛 = 𝑗 𝑋𝑚 = 𝑖
n 0 1 2 3 4 5
(𝑛) 1 0.5 0.45 0.445 0.4445 0.4445
𝜋𝑝
(𝑛) 0 0.5 0.55 0.555 0.555 0.555
𝜋𝑀
On peut calculer la probabilité de transition de l’état P en M après 3 étapes comme suit:
(3)
- On calcul 𝑀𝑇 3 = 𝑀𝑇 × 𝑀𝑇 × 𝑀𝑇 et puis 𝑝𝑃𝑀 désigne la valeur qui se trouve à la ligne P et la colonne M .
89/200 111/200 (3)
𝑀𝑇 3 = donc 𝑝𝑃𝑀=111/200=0,555
111/250 0139/250
1
- Ont peut utiliser l’équation de Chapman Kolmogorov 2
1 P M 3
(3) (𝑚) (3−𝑚) 2 5
𝑝𝑃𝑀 = 𝑝𝑃𝑘 . 𝑝𝑘𝑀 , 0<𝑚<3
2
𝑘∈𝐸
5
3
𝑝𝑃𝑀 = 𝑝𝑃𝑃 × 𝑝𝑃𝑃 × 𝑝𝑃𝑀 +𝑝𝑃𝑃 × 𝑝𝑃𝑀 × 𝑝𝑀𝑀 + 𝑝𝑃𝑀 × 𝑝𝑀𝑀 × 𝑝𝑀𝑀 + 𝑝𝑃𝑀 × 𝑝𝑀𝑃 × 𝑝𝑃𝑀
3 1 1 1 1 1 3 1 3 3 1 2 1
𝑝𝑃𝑀 = × × + × × + × × + × ×
2 2 2 2 2 5 2 5 5 2 5 2
=0,555
2) Analyse stationnaire:
- On s’intéresse à calculer le vecteur de probabilité 𝜋, lorsque 𝑛 → +∞, qui vaut dire:
𝜋 = lim 𝜋 (𝑛)
Exemple: 𝑛→+∞
On remarque l’évolution de vecteur d’états tend vers une distribution constante indépendante de vecteur de
probabilité initial
la propriété de stationnarité n’est pas atteinte par tous les modèles, et donc il faut vérifier a chaque
fois, avant de passer a son calcule si elle existe et si elle est unique?
Pour répondre a cette question il faut étudier quelques propriétés des états de la chaine de Markov.
Une CMTD est dite irréductible ssi de tout état i on peut atteindre tout état j, en un nombre fini d’étapes.
Et on note ceci ij.
(𝑚)
∀𝑖, 𝑗 ∈ 𝐸 𝑖 → 𝑗 ∃𝑚 ≥ 1 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑝𝑖𝑗 ≠ 0
Si ij et ji on dira que i communique avec j et on le notera: 𝑖 ↔ 𝑗
Exemple : 1
1 e3 1
2
2 5
1 3 1 e1 e2 3
e1 e2
2 5 2 5
2 1
5 5
e1e2 et e2e1, donc tous les états communique De e3 on peut pas atteindre le e2 ou le e1, et donc la CMTD est
Et donc la CMTD est irréductible. non irréductible.
- 2) Une CMDT apériodique:
𝑘
La périodicité d’un état i, est : d(i) = 𝑃𝐺𝐶𝐷 𝑘 ≥ 1, 𝑡𝑒𝑙𝑞𝑢𝑒 𝑝𝑖𝑖 > 0
C’est le plus grand commun diviseur des longueurs des circuits allant de i à i.
La période d’une CMTD égale au PGCD de la période de chacun de ses états. Elle est égale au PGCD de la longueur
de tous les circuits du graphe.
Une CMTD est dire apériodique si sa période =1, sinon elle est dite périodique.
0,5
Exemple
1
2 e1 e2
0,5
1 e1 e2 3
0,5 0,5 0,5 0,5
2 5
2 e4 e3
5 0,5
Une chaine de Markov à temps discret finie, est ergodique si et seulement si elle est :
- apériodique
- Irréductible
Une chaine de Markov admet une distribution stationnaire unique sur ses états, si elle est ergodique.
Ceci vaut dire que le vecteur de probabilité d’état d’une CMTD ergodique se stabilise après l’écoulement d’un temps
Infini, ce vecteur 𝜋 est indépendant de la distribution initiale et il se calcule en résolvant le système d’équations
Suivant:
𝜋. 𝑀𝑇 = 𝜋
𝜋𝑖 = 1
𝑖∈𝐸
Les probabilités d’états dans le cas stationnaire, peuvent être interprétées comme la proportion de temps passée
dans ces états.
Exercice:
Soit la matrice de transition d’une CMTD:
1- Représenter la matrice de transition sous forme d’un graphe avec 3 états {1,2,3}
3- Est ce que sa distribution de probabilité est stationnaire? Si oui calculer son vecteur de probabilité
Les paramètres de performance d’une CMTD
(𝑛)
𝑓𝑖𝑗 : la probabilité d’aller d’un état i et d’arrivé pour la première fois en état j après n étapes.
(1)
𝑓𝑖𝑗 = 𝑝𝑖𝑗
Calculer par la relation suivante: (𝑛) (𝑛−1)
𝑓𝑖𝑗 = 𝑘≠𝑗 𝑝𝑖𝑘 𝑓𝑘𝑗 𝑝𝑜𝑢𝑟 𝑛 > 1
Qui exprime simplement le fait que pour aller de i et d’arriver pour la première fois en j après n étapes, il
suffit d’aller en une étape à un état k différent de j, puis d’aller de k et d’arriver pour la première fois en j
après n-1 étapes (sans repasser par j).
𝑓𝑖𝑗 : la probabilité d’aller de i en j pour la première fois, en un nombre quelconque d’étapes (probabilité
d’atteindre j en partant de i)
Notons que dans une CMD irréductible les probabilités fij sont toutes égales à 1. Car tous les états
communiques entre eux, et donc en démarrant d’un état i il est sur qu’on va arrivé à n’importe quel
autre état j.
𝑀𝑖𝑗 : le temps moyen de premier passage de l’état i à l’état j.
(𝑛)
Calculer par l’équation: 𝑀𝑖𝑗 = +∞𝑛=1 𝑛𝑓𝑖𝑗
Si la CMDT est irréductible, on peut utiliser 𝑀𝑖𝑗 = 1 + 𝑘≠𝑗 𝑝𝑖𝑘 𝑀𝑘𝑗
𝑃 𝑆𝑖 = 𝑚 𝑋0 = 𝑖 = 𝑃(𝑋1 = 𝑖, 𝑋2 = 𝑖, … , 𝑋𝑚−1 = 𝑖, 𝑋𝑚 ≠ 𝑖)
= 𝑃(𝑋𝑚 ≠ 𝑖|𝑋𝑚−1 = 𝑖)* 𝑃(𝑋𝑚−1 = 𝑖|𝑋𝑚−2 = 𝑖)*… 𝑃 𝑋1 = 𝑖 𝑋0 = 𝑖
1 − 𝑝𝑖𝑖 𝑖 ≠j
= (1 − 𝑝𝑖𝑖 ) (𝑝𝑖𝑖 ) 𝑚−1
𝑖 1 − 𝑝𝑖𝑖 𝑖 ≠j
𝑝𝑖𝑖 𝑖 1 − 𝑝𝑖𝑖 𝑖 ≠j
𝑝𝑖𝑖 𝑖
𝑝𝑖𝑖 𝑖
Le temps moyen de séjour dans un état i, est la moyenne de la lois géométrique 𝑆𝑖 et il est donné par
1
𝐸 𝑆𝑖 𝑋0 = 𝑖 = 1−𝑝
𝑖𝑖
Classifications des états
une classe est un ensemble d’états qui communiquent entre eux. Une CMDT peut être constituée d’une ou
plusieurs classes. Les états d’une même classe sont de même nature.
Nature des états
Un état i Un état i
Propriété:
- Une CMDT finie ne peut comporter que des états transitoires ou récurrents non nul. Ainsi un état récurent nul ne peut
donc exister que dans une CMTD infinie
- Tous les états d’une CMTD irréductible finie sont récurrents non nuls
Dans le cas ou la CMTD n’est pas irréductible, il est utile de la partitionner en des sous ensembles
dont les éléments ont les mêmes comportements.
- Une classe est dite absorbante si une fois rentrer dans cette classe on ne peut plus sortir de celle-ci.
- Une classe est dire transitoire, si une fois on sorte de cette classe on peut plus rentrer a celle-ci.
Exemple:
Propriété
L’existence de plus d’une classe absorbante, vaut dire que la CMTD n’est pas irréductible et donc non ergodique,
Probabilité d’absorbtion
Si on a deux classes, une classe récurrente C, et une classe transitoire T, alors la probabilité qu’un état i de la classe T,
sera absorber par un état j de classe C, est :
Puisque c’est une chaine de Markov, donc elle va vérifier la contrainte de perte de mémoire
𝑃 𝑋𝑡𝑛+1 = 𝑗 𝑋𝑡𝑛 = 𝑖𝑛 , 𝑋𝑡𝑛−1 = 𝑖𝑛−1 , … . . 𝑋𝑡1 = 𝑖1 , 𝑋𝑡0 = 𝑖0 = 𝑃(𝑋𝑡𝑛+1 = 𝑗 𝑋𝑡𝑛 = 𝑖𝑛 , ∀𝑡0 < 𝑡1 … . < 𝑡𝑛+1
Les transition entre états se font à des instants quelconque non dénombrable, tandis que l’ensemble d’états E est
toujours dénombrable (finie ou infini).
On va se limiter aux CMTC homogènes, qui vaut dire que la probabilité 𝑃(𝑋𝑡𝑛+1 = 𝑗 𝑋𝑡𝑛 = 𝑖𝑛 , ne dépond pas des instants
𝑡𝑛+1 et 𝑡𝑛 , mais plutôt de la durée (𝑡𝑛+1 - 𝑡𝑛 ) qui sépare les deux observations.
Ceci va nous permettre de définir la probabilité 𝑝𝑖𝑗 𝑡 = 𝑝𝑖𝑗 𝑠 + 𝑡, 𝑠 = 𝑃 𝑋𝑠+𝑡 = 𝑗 𝑃(𝑋𝑠 = 𝑖 , ∀𝑡 ≥ 0.
= 𝑃 𝑋𝑡 = 𝑗 𝑃(𝑋0 = 𝑖
Taux de transition
Dans les CMTC, on considère les taux de transissions au lieu des probabilité de transition d’états.
Un taux de transition est défini par :
𝑝𝑖𝑗 (𝑡, 𝑡 + ℎ)
𝜆 𝑖𝑗 (𝑡) = lim
ℎ→0 ℎ
𝑜(ℎ)
𝑝𝑖𝑗 𝑡, 𝑡 + ℎ = 𝜆 𝑖𝑗 𝑡 ∗ ℎ + 𝑜(ℎ) tel que lim =0
ℎ→0 ℎ
peut être interprétée comme la probabilité de transition de l’état i vers l’état j au cours d’un
intervalle infiniment petit t, t h .
Pour les CMTC homogènes, on aura 𝜆 𝑖𝑗 𝑡 = 𝜆 𝑖𝑗
Le taux de transition 𝜆 𝑖𝑗 peut être interprété comme le nombre moyen de fois que le processus passe de i à j par unité de
temps.
Définition
𝜆𝑖𝑗 𝑠𝑖 𝑖 ≠ 𝑗
𝑞𝑖𝑗 = − 𝜆𝑖𝑘 𝑠𝑖 𝑖 = 𝑗
𝑘≠𝑖
𝑘∈𝐸
La somme des éléments sur chaque ligne dans la matrice Q est nulle.
Les équations d’états dites aussi les équations de Chapman Kolmogorov:
𝑑𝜋𝑖 𝑡
= 𝑗≠𝑖 𝜆𝑗𝑖 𝑡 𝜋𝑗 𝑡 −𝜋𝑖 𝑡 𝑗≠𝑖 𝜆𝑖𝑗 𝑡
𝑑𝑡
𝑑𝜋 𝑡
= 𝜋 𝑡 𝑄(𝑡)
𝑑𝑡
𝜋𝑄 = 0
𝑛
𝜋𝑖 = 1
𝑖=1
𝑑𝜋𝑖 𝑡
Dans le cas stationnaire, puisque il n’y aura pas de changement d’états ( = 0, ∀𝑖 ∈ 𝐸), on aura:
𝑑𝑡
le flux entrain = flux sortant
X(t) = 0 si inoccupé
1 sinon
On suppose les périodes de temps durant lesquelles le processeur est inoccupé (resp. occupé) sont distribués selon une loi
exponentielle avec le paramètre λ (resp. μ)
𝜆𝑖𝑗 𝑠𝑖 𝑖 ≠ 𝑗
Soit la CMTC définie par le générateur infinitésimal Q , et dont les termes 𝑞𝑖𝑗 = − 𝜆𝑖𝑘 𝑠𝑖 𝑖 = 𝑗
𝑘≠𝑖
𝑘∈𝐸
On appelle la CMTD incluse dans cette CMTC, la chaine définie par les probabilité de transitions:
𝜆𝑖𝑗 𝜆𝑖𝑗
𝑝𝑖𝑗 = =
𝜆𝑖 𝑘≠𝑖 𝜆𝑖𝑘
𝜆𝑖𝑗 𝑝𝑖𝑗 j
𝑘∈𝐸 j
i i
𝜆𝑖𝑘 k 𝑝𝑖𝑘 k
un processus de naissance et de mort est un processus de Markov continu, dont les seules transitions possibles,
à partir un état i, sont vers ses voisins i-1 et i+1.
Ces processus ont de nombreuses applications en dynamique des populations et dans la théorie des files d'attente.
Le processus est spécifié par les taux de naissance 𝑞𝑖𝑗+1 = 𝜆𝑖 et les taux de mortalité 𝑞𝑖𝑗−1 = 𝜇𝑖
𝜇𝑖 𝜆𝑖
i-1 i i+1
- Lorsque le système à un instant donné t est dans l'état i, on dit que la population à l'instant t est de taille i.
- La transition de l’état i vers i+1, s’appelle une naissance, et 𝜆𝑖 représente le taux de naissance (le nombre de naissance
par unité de temps ∆𝑡).
- La transition de l’état i vers i-1, s’appelle une morte et 𝜇𝑖 représente le taux de mort (le nombre de mort par
unité de temps ∆𝑡).
La loi de naissance ( la lois des arrivées)
La loi de naissance (d’arrivée) dans le cas d’un processus de naissance de mort suit une loi de poisson car elle vérifie
les caractéristiques suivantes:
- Le processus commence à l'instant 0 avec l'état 0.( personne n’est encore né)
- La seule transition directe admise est la transition de i a i+1, appelé naissance ou arrivée.
- A tout instant t, la probabilité d'une arrivée dans l'intervalle [t, t + h[ est λℎ + 𝑜(ℎ), et ceci quelle que soit
l'évolution du processus avant l'instant t et l'état du système à cet instant.
Soit T la durée de temps qui sépare deux arrivées consécutives, la loi de la variable T est dite loi des inter-arrivées.
théorème
Si la loi des arrivées suit un processus de poisson de paramètres λ , donc les lois des inter-arrivées consécutives sont
indépendantes, et chacune suit une loi exponentielles de même paramètre λ.
Si les inter-arrivées forment des variables aléatoires indépendantes, chacune suivant une loi exponentielle de paramètre λ
.
et si les arrivées ont lieu une par une alors le processus d'arrivée est de Poisson
𝑓 𝑡 = λ𝑒 −λ𝑡
Les équations d’états de Chapman Kolmogorov:
𝑑𝜋𝑖 𝑡
𝑑𝑡
= 𝜆𝑖−1 𝜋𝑖−1 𝑡 + 𝜇𝑖+1 𝜋𝑖+1 𝑡 −(𝜆𝑖 + 𝜇𝑖 )𝜋𝑖 𝑡
𝜆0 𝜇𝑖 𝜆𝑖
0 1 i-1 i i+1
𝜇1 𝜆𝑖−1 𝜇𝑖+1
Régime stationnaire
Si la chaine est ergodique, alors elle admet une distribution stationnaire qui est solution du système d’équations:
𝜋𝑖 (𝑡) = 1
𝑖=1
La résolution par récurrence d’un tel système se fait ainsi:
𝜆
𝜇1 𝜋1 𝑡 −𝜆0 𝜋0 𝑡 = 0 𝜇1 𝜋1 𝑡 = 𝜆0 𝜋0 𝑡 𝜋1 𝑡 = 𝜇0 𝜋0 𝑡
1
𝜆 𝜆
𝜋2 𝑡 = 𝜇0𝜇1 𝜋0 𝑡
1 1
𝜆0 𝜆1………𝜆𝑖 𝑖 𝜆𝑘
𝜋𝑖 𝑡 = 𝜋 𝑡 = 𝜋0 (𝑡)
𝜇1 𝜇2 ……𝜇𝑖+1 0 𝑘=0 𝜇
𝑘+1
𝑛
1
On remplaçant ceci dans 𝜋𝑖 𝑡 = 1 , on obtient 𝜋0 (𝑡) = 𝑛 𝑖 𝜆𝑘
𝑖=0 𝑘=0𝜇
𝑖=1 𝑘+1
Condition d’existence d’un régime stationnaire
Un processus de naissance et de mort est stationnaire, si et seulement si, :
De nombreux systèmes d'attente peuvent être modélisés par un processus de naissance et de mort. Ces systèmes ont
comme particularités communes un processus d'arrivée de type poissonnien et une durée de service suivant une loi
exponentielle. L’arrive représente la naissance et le service représente la mort.
Ces caractéristiques de files d’attente, peuvent être notés grâce a la notation de Kendel, comme suit
X/Y/s/k/type
Arrivé d’utilisateurs
Départ des utilisateurs
K est le nombre total d’utilisateurs que le système peut admettre suivant des contraintes d'espace et d'accueil. Dans le
cas où il est absent, ce nombre n'est pas limité
La notation peut inclure aussi la discipline de service : FIFO = PAPS (Premier Arrivé, Premier Servi), LIFO = DAPS (Dernier Arrivé,
Premier Servi), ou P (Prioritaire).
Le système M/M/1
Processus des arrivées poisonien, processus de service exponentiel, 1 seul serveur, le nombre d’utilisateur est infini, et la
discipline de service est FIFO
Supposons que Le processus d'arrivée d’utilisateur est de Poisson de taux 𝜆, et la durée de service est exponentielle de
paramètre 𝜇 .
Le diagramme associé a ce type de file d’attente est un processus de naissance et de mort, schématisé comme suit:
𝜆 𝜇 𝜆
0 1 i-1 i i+1
𝜇 𝜆 𝜇
𝜆
le processus est ergodique si et seulement si <1
𝜇
Puisque on a : ∀ 𝑖: 𝜆𝑖 = 𝜆 et 𝜇𝑖 = 𝜇. Les équations des probabilités stationnaires deviennent alors :
𝑖
𝜆𝑘 𝜆
𝜋𝑖 (𝑡) = 𝜋0 (𝑡) 𝜋𝑖 (𝑡) = 𝜋0 (𝑡)𝜌𝑖 Tel que: 𝜌 = 𝜇
𝜇𝑘+1
𝑘=0
1 1
𝜋0 (𝑡) = 𝜋0 (𝑡) = ∞
∞ 𝑖 𝜆𝑘 𝑖=0 𝜌
𝑖
𝑖=0 𝑘=0 𝜇
𝑘+1
Condition d’existence d’un régime stationnaire
∞ 𝑖 𝜆
- pour que la chaine soit ergodique il faut que 𝑖=0 𝜌 < ∞, ceci va être vérifié si 𝜌= 𝜇 < 1
𝝀
Interprétation de la condition𝝁 < 𝟏
Cette condition garantie que le taux des arrivés sont inferieure aux taux de service et donc ceci granite que de n’importe quel
état i je vais aller a un état i+k, et puis un jour je vais revenir, et donc la chaine sera irréductible.
1 1
𝜋0 𝑡 = ∞ 𝑖 =
𝑖=0 𝜌 1/(1 − 𝜌) 𝜋0 𝑡 = 1 − ρ
𝝀
En régime stationnaire, lorsque 𝝁 < 𝟏:
𝜋𝑖 (𝑡) = 𝜋0 (𝑡)𝜌𝑖 𝜋𝑖 (𝑡) = (1 − 𝜌)𝜌𝑖
Les paramètres de performances
∞ ∞ ∞ 𝜌 𝜌
Car: 𝑁 = 𝑖=0 𝑖𝜋𝑖 = 𝑖=0 𝑖(1 − 𝜌)𝜌𝑖 = (1 − 𝜌) 𝑖=0 𝑖𝜌
𝑖 = 1−𝜌 1−𝜌 2
= 1−𝜌
𝑁 1
- Le temps moyen d’attente dans le système ( file d’attente+ serveur): 𝑉= =
𝜆 𝜇−𝜆
1 unité de temps 𝜆 clients
Car:
𝑉 unité de temps 𝑁 clients
𝜌2
- Le nombre moyen d’utilisateur en attente dans la file 𝑄 = 1−𝜌
∞ 𝜌2
Car: 𝑄 = 𝑖=0 𝑖 − 1 𝜋𝑖 = On peut le calculer aussi comme 𝑄 = 𝑁 − 𝐷
1−𝜌
𝑄
- Le temps moyen d’attente 𝑊 = 𝜆
1
on peut le calculer aussi par 𝑊 = 𝑉 − 𝜇
Le temps moyen
Le temps moyen de séjour de service d’un utilisateur
dans le système
- Le débit absolue qui représente le nombre d’utilisateurs servis par unité de temps 𝐴 = 𝜇𝐷 = 𝜆
- Le débit relatif qui représente la probabilité qu’un utilisateur qui arrive dans le système sera servi
𝐴 𝜆
𝐴= = =1
𝜆𝑒𝑓𝑓 𝜆
Tel que 𝜆𝑒𝑓𝑓 représente le taux réelle des arrivé dans le système. Dans le cas ou la file d’attente est bornée,
ce taux va être différent du paramètres 𝜆 de la loi de poisson qui modélise les arrivés, car il y aura des utilisateurs qui arrivent
et qui vont trouver la fille bornée, donc il vont quitter immédiatement le système
Le système M/M/s
Processus des arrivées poisonien, processus de service exponentiel, s serveurs, le nombre d’utilisateur est infini, et la
discipline de service est FIFO
Supposons que Le processus d'arrivée d’utilisateur est de Poisson de taux 𝜆, et la durée de service est exponentielle
de paramètre 𝜇 .
Le diagramme associé a ce type de file d’attente est un processus de naissance et de mort, schématisé comme suit:
𝜆 𝜆 𝜆 𝜆 𝜆
0 1 2 i-1 i i+1 s-1 s s+1
𝜇 2𝜇 𝑖𝜇 𝑠𝜇 s𝜇
(𝑖 + 1)𝜇 s𝜇
𝜆 ∗ 𝜆 ∗ ⋯∗ 𝜆 𝜌𝑖
𝑖 𝜋0 (𝑡) 𝑠𝑖 𝑖 < 𝑠 𝜋0 (𝑡) 𝑠𝑖 𝑖 < 𝑠
𝜆𝑘 𝜇 ∗ 2𝜇 ∗ 3𝜇 ∗ ⋯ (𝑖𝜇) 𝑖!
𝜋𝑖 (𝑡) = 𝜋0 (𝑡) = 𝜋𝑖 (𝑡) =
𝜇𝑘+1 𝜆 ∗ 𝜆 ∗ ⋯……∗ 𝜆 𝜌𝑖
𝑘=0 𝜋0 (𝑡) 𝑠𝑖 𝑖 ≥ 𝑠 𝜋0 𝑡 𝑠𝑖 𝑖 ≥ 𝑠
𝜇 ∗ 2𝜇 ∗ 3𝜇 ∗ ⋯ 𝑠𝜇 … 𝑠𝜇 𝑠! 𝑠 𝑖−𝑠
𝜆
Tel que : 𝜌 =
𝜇
1 1
𝜋0 (𝑡) = 𝜋0 (𝑡) =
∞ 𝑖 𝜆𝑘 𝑠−1 𝜌
𝑖
+∞ 𝜌
𝑖
𝑖=0 𝑘=0 𝜇 𝑖=0 𝑖! + 𝑖=𝑠 𝑠! 𝑠 𝑖−𝑠
𝑘+1
1
𝜋0 (𝑡) = 𝑖
𝑠−1 𝜌 𝜌𝑠 +∞ 𝜌
𝑖−𝑠
𝑖=0 𝑖! + 𝑠! 𝑖=𝑠 𝑠 𝑖−𝑠
1
𝜋0 (𝑡) = 𝑖
𝑠−1 𝜌 𝜌𝑠 𝑠
𝑖=0 𝑖! + 𝑠! (𝑠 − 𝜌)
Les paramètres de performances
𝜆 𝜌
- La charge du système 𝜑 = 𝑠𝜇 = 𝑠
- La probabilité stationnaire pour que le système soit occupé, calculée comme 1 − 𝜋0
∞ 𝜌 𝑠+1
𝑁= 𝑖=0 𝑖𝜋𝑖 =𝜌+ 𝜋
𝑠−1 !(𝑠−𝜌) 0
𝑁
- Le temps moyen d’attente dans le système ( file d’attente+ serveur): 𝑉=
𝜆
1 unité de temps 𝜆 clients
Car:
𝑉 unité de temps 𝑁 clients
𝑄 =𝑁−𝐷
𝑄
- Le temps moyen d’attente 𝑊 = 𝜆
- Le débit absolue qui représente le nombre d’utilisateurs servis par unité de temps 𝐴 = 𝜆
- Le débit relatif qui représente la probabilité qu’un utilisateur qui arrive dans le système sera servi
𝐴 𝜆
𝐴= = =1
𝜆𝑒𝑓𝑓 𝜆
Tel que 𝜆𝑒𝑓𝑓 représente le taux réelle des arrivé dans le système. Dans le cas ou la file d’attente est bornée,
ce taux va être différent du paramètres 𝜆 de la loi de poisson qui modélise les arrivés, car il y aura des utilisateurs qui arrivent
et qui vont trouver la fille bornée, donc il vont quitter immédiatement le système
Le système M/M/1/K
Processus des arrivées poisonien, processus de service exponentiel, 1 seul serveur, la file d’attente est borné a K places, et la
discipline de service est FIFO
Supposons que Le processus d'arrivée d’utilisateur est de Poisson de taux 𝜆, et la durée de service est exponentielle
de paramètre 𝜇 .
Le diagramme associé a ce type de file d’attente est un processus de naissance et de mort, schématisé comme suit:
𝜆 𝜆 𝜆 𝜆
𝜆 𝜆
0 1 2 i-1 i i+1 K-1 K
𝜇 𝜇 𝜇 𝜇 𝜇
Le système admet une distribution stationnaire sans aucune condition, car la chaine est finie et
irréductible.
Probabilités d’états dans le cas stationnaire
𝑖
𝜆𝑘 𝜋0 (𝑡)𝜌𝑖 𝑠𝑖 𝑖 ≤ 𝐾
𝜋𝑖 (𝑡) = 𝜋0 (𝑡) 𝜋𝑖 (𝑡) =
𝜇𝑘+1 0 𝑠𝑖 𝑖 > 𝐾
𝑘=0
1 1
𝜋0 (𝑡) = 𝜋0 (𝑡) = 𝐾 𝑖
∞ 𝑖 𝜆𝑘 𝑖=0 𝜌
𝑖=0 𝑘=0 𝜇
𝑘+1
1−𝜌
𝜋0 (𝑡) =
1 − 𝜌𝐾
Les paramètres de performances
- Le débit absolue qui représente le nombre d’utilisateurs servis par unité de temps 𝐴 = 𝜆 1 − 𝜋𝐾 = 𝜆𝑒𝑓𝑓
- Le débit relatif qui représente la probabilité qu’un utilisateur qui arrive dans le système sera servi
𝐴 = 1 − 𝜋𝐾
- Probabilité de refus: 𝜋𝐾
𝜆𝑒𝑓𝑓
- La charge de système ρ = 𝜇
∞ 𝐾 𝑖 𝜌 (𝐾+1)𝜌 𝐾+1
𝑁= 𝑖=0 𝑖𝜋𝑖 = 𝑖=0 𝑖𝜌 𝜋0 = −
1−𝜌 1−𝜌 𝐾+1
- Le nombre moyen d’utilisateur dans la file
𝑄 =𝑁−𝜌
𝑁
- Le temps moyen de séjour dans le système: 𝑉 =
𝜆𝑒𝑓𝑓
𝑄
− Le temps moyen d’attente ∶ 𝑊 = 𝜆
𝑒𝑓𝑓
Les réseaux de pétrie
Introduction
Le modèle des réseaux de Petri a été créé en 1962 par Carl Adam Petri, pour modéliser des systèmes en
communication.
Ce modèle permet d’exprimer les caractéristiques des systèmes parallèles, telles que la synchronisation, la concurrence,
et l’allocation de ressources.
Représentation graphique
Dans un modèle:
- Si la condition est vraie, la place contient au moins un jeton (ou marque).
- Les événements (actions) sont représentés par des transitions.
Place P1
Transition t1
Transition t1
Place P1
- Les arcs reliant les places aux transitions modélisent les conditions requises pour le déclenchement d'une action (
Précondition)
- Les arcs joignant les transitions aux places représentent les effets d’une action sur l'état du système ( pos-
condition).
- L’exécution d’une action va consommer un certain nombre de jeton des places entrantes et produit d’autres jeton
Place P1
dans les places
Place P1 sortante les Place P1 Place P1
2 2 Transition t1
Transition t1 Transition t1 Transition t1
transition t1 transition t1
Transition t1 Transition t1
Exécution de t1
Modéliser avec un réseau de pétrie, un cabinet médical, avec un médecin, et une fille d’attente à l’infinie
Exemple
𝑃 = 𝑠𝑎𝑙𝑙𝑒 𝑑 ′ 𝑎𝑡𝑡𝑒𝑛𝑡𝑒 𝑝1 , , 𝑚𝑒𝑑𝑐𝑖𝑛 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 𝑝2 , 𝑠𝑎𝑙𝑙𝑒 𝑑 ′ 𝑒𝑥𝑎𝑚𝑒𝑛 (𝑝3)+
𝑀 = ,2,1,0] 𝑀 = ,2,2,0]
t est non franchissable car M(q)<2 t est franchissable et M′ = ,1,0,1]
Séquence de franchissements
Soit (R, 𝑀0 ) un réseau de Petri marqué. Une séquence de franchissements 𝜍 ∈ 𝑇 ∗ est une séquence ordonnée
de transitions 𝑡1 , 𝑡2 , … . . , 𝑡𝑛 tel que : ∃n marquages 𝑀1 , 𝑀2 , … . . , 𝑀𝑛 e et ∀𝑖 ∈ 1, 𝑛 : 𝑀𝑖−1 ,𝑡𝑖 > 𝑀𝑖
Marquage accessible
Soit (R, 𝑀0 ) un réseau de Petri marqué. Un marquage M est accessible si et seulement si : il existe
une séquence de franchissements 𝜍 ∈ 𝑇 ∗ , telle que 𝑀0,𝜍 > 𝑀.
Ensemble d’accessibilité
Soit (R, 𝑀0 ) un réseau de Petri. L'ensemble des marquages accessibles ou ensemble d'accessibilite
d'un réseau, noté A(R, 𝑀0 ), est l'ensemble de tous les marquages atteints par une séquence de
franchissement à partir de marquage initial.
Exemple
Analyse comportementale des réseaux de Petri
1) Bornitude
Une place p d’un réseau marqué (R, 𝑀0 ), est dite borné si:
∃ 𝑘 ∈ ℕ: ∀𝑀 ∈ 𝐴 𝑅, 𝑀0 , 𝑀 𝑝 ≤ 𝑘
un réseau de pétrie est borné si:
∀ 𝑝 ∈ 𝑃, ∃ 𝑘 ∈ ℕ: ∀𝑀 ∈ 𝐴 𝑅, 𝑀0 , 𝑀 𝑝 ≤ 𝑘
- On peut dire qu’un réseau de pétrie est borné si il admet un nombre fini de marquages accessibles.
Example
Sur l'Example précédent le réseau de pétrie est borné car il admet un nombre
fini de marquages, qui est 4.
2) Absence de blocage
Un réseau de pétrie est sans blocage si à partir de tout marquage accessible, il existe au moins une
transition franchissable
∀ 𝑀 ∈ 𝐴 𝑅, 𝑀0 , ∃ 𝑡 ∈ 𝑇: 𝑀,𝑡 >
Un marquage depuis lequel on ne peut tirer aucune transition est dit marquage mort.
Example
Sur l'Example précédent le réseau de pétrie est sans blocage car, depuis
n’importe quel marquage, il existe une transition franchissable.
3) quasi-vivacité:
Un réseau de pétrie est quasi-vivant si chacune de ses transitions apparaissent au moins dans une séquence
franchissable.
∀ 𝑡 ∈ 𝑇, ∃ 𝑀 ∈ 𝐴 𝑅, 𝑀0 : 𝑀,𝑡 >
On s’intéresse au fait que les actions spécifiques peuvent être exécuter au moins une fois.
Example
Sur l'Example précédent le réseau de pétrie est quasi-vivant car toutes les
transitions apparaissent dans le graphe de marquage.
4) vivacité
Un réseau de pétrie est vivant si pour tout marquage 𝑀 le réseau est quasi-vivant.
∀ 𝑀 ∈ 𝐴 𝑅, 𝑀0 , ∀ 𝑡 ∈ 𝑇, ∃ 𝜍 ∈ 𝑇 ∗ : 𝑀,𝜍. 𝑡 >
On s’intéresse à vérifier si on va perdre des fonctionnalités au cours de vie. Cette propriété garantie qu’aucune
Action ne peut devenir définitivement inaccessible.
Example
Sur l'Example précédent le réseau de pétrie est vivant car, depuis n’importe
Marquage, il existe une séquence qui contient toutes les transitions possibles
5) Etat d’accueil
Un marquage accessible M, est dit un état d’accueil s’il est accessible à partir de n’importe quel
autre marquage accessible.
∀ 𝑀′ ∈ 𝐴 𝑅, 𝑀0 , ∃ 𝜍 ∈ 𝑇 ∗ : 𝑀′,𝜍 > 𝑀
Cette propriété caractérise le fait le système, peut se trouver toujours, dans un état donné.
Si le marquage initial est un état d’accueil, ceci signifie, qu’on peut toujours réinitialiser le système.
Example
Lorsque le réseau de pétrie est non borné, on peut pas construire le graphe de marquage, et donc on utilise le graphe
de couverture.
Example:
Un producteur dépose des objets dans un entrepôt. Une fois il termine la phrase de production, le
consommateur peut commencer la phase de consommation.
Construction de graphe de couverture
Example
Les propriétés de graphe
Partie
TD
TD1
. Montrez que ce système se modélise par une chaîne de Markov à 3 états.
Dessinez le graphe associé à cette chaîne et donnez sa matrice de
transition.
Si l’imprimante est en attente à un instant donné, quelle est la probabilité de se trouver à l’état d’interruption au bout de 2
étapes ? puis après 3 étapes ?
Quel est le temps moyen d’une interruption ?
2) Quel serait cet état au bout d’une seconde campagne de publicité de 15 jours ?
5) Y a-t-il une limite à l’état du marché au bout d’un grand nombre de campagnes de publicité ?
1. Quel est le modèle adapté pour la modélisation de ce système ? Justifier.
1. Donner la représentation graphique et matricielle correspondante, ainsi que les probabilité d’états
initiale ?
2) Quelle est la probabilité que le robot soit dans la salle 2 après 4 déplacements ?
3) Quelle est la probabilité de premier retour du robot dans la salle 2 ?
+∞
5) Quel est le temps moyen de premier retour dans la salle 2 ?
(𝑛)
𝑀𝑖 = 𝑛𝑓𝑖𝑖
𝑛=1
1- Quel est le modèle adapté à ce système ?
2- Donnez le diagramme des taux de transition d’état ainsi que le générateur infinitésimal décrivant ce système ?
3- Vérifiez l’érgodicité de ce modèle ? si le régime stationnaire sera atteint, calculez le vecteur des probabilités à l’état
stationnaire pour α, β, μ et λ quelconques.
4- La proportion de temps durant lequel le serveur est allumé.
La probabilité de réparation.
On considère le problème du producteur /consommateur, avec une phase de production, suivi par une phase de
consommation.
Le producteur produira des objets et il les dépose dans un entrepôt de données. Une fois le producteur
terminera la phase de production, le consommateur va commencer à les consommer.