Supaero Chab

Elments de thorie
des files dattente

Janvier 2008

Claudie HASSENFORDER-CHABRIAC
0 609 704 551
chabriac@univ-tlse2.fr
SOMMAIRE
INTRODUCTION p01
Chapitre 1 : PREMI
`
ERES NOTIONS SUR LES FILES DATTENTE
1.1 Introduction p03
1.2 La le simple p03
1.2.1 Processus darrivee p03
1.2.2 Temps de service p04
1.2.3 Structure et discipline de la le p04
1.2.4 Notation de Kendall p05
1.2.5 Notion de classe de clients p06
1.3 Les reseaux de les dattente p06
1.3.1 Les reseaux ouverts p06
1.3.2 Les reseaux fermes p07
1.3.3 Les reseaux multiclasses p07
1.3.4 Les reseaux de les dattente à capacite limitee p08
1.3.5 Les reseaux de les dattente ouverts à contrainte de population p08
1.4 Quelques exemples de systèmes dattente p09
1.5 Paramètres de performances operationels p09
1.5.1 Paramètres de performances en regime transitoire p09
1.5.2 Paramètres de performances en regime stationnaire p11
1.5.3 Stabilite p12
1.5.4 Ergodicite p12
1.5.5 La loi de Little p14
Chapitre 2 : RAPPELS MATH
EMATIQUES
2.1 Processus de Markov continus p16
2.1.1 Regime transitoire p17
2.1.2 Regime permanent p18
2.2 Processus de Poisson p19
2.2.1 Introduction p19
2.2.2 Denitions et description du processus p20
2.2.3 Caracterisation dun processus par ses temps darrivee p23
2.2.4 Proprietes supplementaires p24
2.2.5 Processus de Poisson composes p26
2.2.6 Processus non homogènes p28
2.3 Processus de naissance et de mort p29
Chapitre 3 : FILE DATTENTE UNIQUE
3.1 Files dattente markoviennes p32
3.1.1 Processus de naissance et de mort general p32
3.1.2 La le M/M/1 p33
3.1.3 La le M/M/1/K p35
3.1.4 La le M/M/C p38
3.1.5 La le M/M/ p40
3.2

Etude de la le M/G/1 p41
3.2.1 Introduction p41
3.2.2 Analyse du regime permanent : methode de la chane de Markov incluse p42
3.2.3 Mise en oeuvre de lanalyse de la valeur moyenne p44
3.3 La le G/M/1 p46
3.4 Extension à la le G/G/1 p48
Chapitre 4 : R
ESEAUX DE FILES DATTENTE

`
A FORME PRODUIT
4.1 Cas general dun cas monoclasse p51
4.1.1 Notations generales p51
4.1.2

Equation des ux p52
4.1.3

Equations dequilibre dans le cas Markovien p52
4.2 Les reseaux monoclasses ouverts à taux constants p53
4.2.1 Calcul des taux de visite p54
4.2.2 Analyse du regime permanent p54
4.2.3 Calcul des paramètres de performances p55
4.2.4 Extension au cas de stations multiserveurs p56
4.2.5 Extension au cas de stations à taux de service dependant de letat p56
4.3 Les reseaux monoclasses fermes à taux constants p57
4.3.1 Problème des taux de visite p58
4.3.3 Paramètres de performances et algorithme de convolution p60
4.3.4 Algorithme MVA p62
4.3.5 Extension au cas de stations multiserveurs p64
4.4 Extension au cas de stations à taux de service dependant de letat p65
4.4.1 Generalites p65
4.4.2 Calcul des paramètres de performances au moyen des constantes de normalisation p66
4.4.3 Algorithme MVA à taux dependant de letat p67
4.5 Agregation p69
4.6 Les reseaux multiclasses à forme produit : les reseaux BCMP p71
4.6.1 Denition p71
4.6.2 Stabilite p72
4.6.3 Calcul des taux de visite p74
4.6.5 Extension au cas de taux dependant de letat p89
ANNEXE
Fiches de cours de probabilite de deuxième annee p97
Quelques lois classiques p105
Elements de theorie des les dattente Introduction

Introduction
Lorigine des etudes sur les phenomènes dattente remonte aux annees 1909-1920 avec les
travaux de A.K. Erlang concernant le reseau telephonique de Copenhague. La theorie mathema-
tique sest ensuite developpee notamment gr ace aux contributions de Palm, Kolmogorov, Khint-
chine, Pollaczek,... et fait actuellement toujours lobjet de nombreuses plublications scientiques.
Cette theorie sest ensuite etendue ` a de nombreux champs dapplication comme la gestion de
stocks, les telecommunications en general, la abilite de systèmes complexes,...
Les problèmes lies ` a lattente dans un centre de service sont omnipresents dans notre societe.
Les exemples ne manquent pas :
- attente ` a un guichet (caisse dans un supermarche, administration),
- trac urbain ou aerien,
- reseaux telephoniques,
- circulation de pièces dans un atelier,
- programmes dans un système informatique,...
Il est devenu inconcevable de construire un système quelconque (que ce soit un système in-
formatique, un reseau de communication, un système de production ou un système de la vie
quotidienne) sans avoir auparavant fait danalyse des performances. La pression des enjeux
economiques est telle actuellement que lon ne peut aboutir ` a un système sous-dimensionne
et que lon doit eviter au maximum le surdimensionnement. Construire un système adapte,
respectant le plus possible les objectifs du cahier des charges est une demarche qui passe obli-
gatoirement par une etape de modelisation et danalyse des performances.
En plus des modelisations analytiques, les simulations sur calculateurs permettront des
evaluations relativement precises, mais demandant parfois des temps de calcul qui peuvent etre
importants si lon veut reproduire correctement les phenomènes aleatoires et avoir atteint un
regime permanent.
Une condition necessaire pour dimensionner un centre de service est quil soit capable
dabsorber le debit moyen de clients prevu, condition très facile ` a verier par de simples calculs
de debits moyens. Mais, meme avec un système correctement dimensionne, le caractère aleatoire
des arrivees et des temps de service rend les attentes impossibles ` a eviter complètement.
La theorie des processus aleatoires concerne letude mathematique de phenomènes physiques,
biologiques ou economiques evoluant dans le temps, et dont levolution est de caractère aleatoire,
cest-à-dire non previsible avec certitude.
Pour denir un processus aleatoire, il faut :
1- Un espace des temps T (T IR
+
)
Les deux espaces des temps les plus utilises sont :
T = IN : le processus est dit discret ; on regarde ce quil se passe ` a chaque unite de temps,
ou bien on fait une suite doperations et on regarde ce quil se passe ` a chaque operation (ex :
lancer dune pièce).
1
Elements de theorie des les dattente Introduction

T = IR
+
: le processus est dit continu : on garde les yeux xes sur un système qui evolue dans
le temps ` a partir dun instant t
0
que lon prend pour origine des temps (t = 0).
2- Un espace des etats E
Lensemble E peut etre :
discret : cest-à-dire ni ou denombrable. Il sera, dans ce cas, souvent pratique didentier E
avec une partie de IN ou de ZZ.
non discret : par exemple E = IR ou E IR
2
(partie du plan) ou E IR
3
(partie de lespace)
3- Une famille de variables aleatoires (X
t
)
tT
.
Ces variables aleatoires sont toutes denies sur un meme espace probabilise (, A, P) et ` a
valeurs dans lespace des etats E.
Ainsi, ` a chaque instant t T, on associe, non pas une valeur deterministe (comme dans le
calcul dune trajectoire mecanique) mais une valeur aleatoire decrite par une variable aleatoire
X
t
` a valeurs dans E.
La variable aleatoire X
t
peut representer les resultats dessais successifs comme par exemple,
le jet dune pièce ` a pile ou face, ou des observations successives sur une caracteristiques dune
population.
Le processus aleatoire est la famille de variables aleatoires (X
t
)
tT
.
Le plus souvent, dans le cas des les dattente, X
t
est le nombre de clients dans le système
` a linstant t. On a alors :
E = IN et T = IR
+
.
Le premier chapitre de ce cours est consacre aux notions generales sur les systèmes
dattente que lon etudiera par la suite. Les principales notations et denitions concernant
les les et leurs paramètres de performances y sont introduites.
Le deuxième chapitre fournit quelques rappels mathematiques sur les processus stochas-
tiques : processus de Markov continus, processus de Poisson et processus de naissance et de
mort, preliminaire necessaire pour letude des les dattente.
Le troisième chapitre est consacre ` a letude des les dattente uniques.
Enn, dans le dernier chapitre, ce sont des reseaux de les dattente, simples ` a etudier,
qui sont presentes : les reseaux ouverts, fermes et mixtes dits ` a forme produit, ainsi que les
principaux algorithmes qui leur sont associes.
2
Elements de theorie des les dattente Premières notions sur les les dattente
Chapitre 1
Premières notions sur les les dattente
1.1 Introduction
Les les dattente peuvent etre considerees comme un phenomène caracteristique de la
vie contemporaine. On les rencontre dans les domaines dactivite les plus divers (guichet de
poste, trac routier, central telephonique, atelier de reparation,...). Letude mathematique des
phenomènes dattente constitue un champ dapplication important des processus stochastiques.
On parle de phenomène dattente chaque fois que certaines unites appelees clients se
presentent dune manière aleatoire ` a des stations an de recevoir un service dont la duree
est generalement aleatoire.
Lobjectif de ce cours est detudier la structure et de calculer des valeurs caracteristiques
permettant de decrire les performances de tels systèmes.
1.2. La le simple
Une le simple (ou station) est un système constitue dun ou plusieurs serveurs et dun espace
dattente. Les clients arrivent de lexterieur, patientent eventuellement dans la le dattente,
re coivent un service, puis quittent la station. An de specier complètement une le simple, on
doit caracteriser le processus darrivee des clients, le temps de service ainsi que la structure et
la discipline de service de la le dattente.
File d'attente
Serveur
Dpart
des clients
Arrive
des clients
systme d'attente
1.2.1 Processus darrivee
Larrivee des clients ` a la station sera decrite ` a laide dun processus stochastique de comptage
(N
t
)
t0
. [On notera indieremment N
t
ou bien N(t)].
Si A
n
designe la variable aleatoire mesurant linstant darrivee du n
ième
client dans le système,
on aura ainsi : A
0
= 0 (par convention) et A
n
= inf{t ; N
t
= n}.
3
Si T
n
designe la variable aleatoire mesurant le temps separant larrivee du (n 1)
ième
client
et du n
ième
client, on a alors : T
n
= A
n
A
n1
.
Denition : Un processus de comptage (N
t
)
t0
est un processus de renouvellement si et seule-
ment si les variables aleatoires (T
n
) sont des variables independantes et identiquement dis-
tribuees. La loi decrivant le temps dinterarrivee sut alors ` a caracteriser le processus de
renouvellement.
La plupart du temps, larrivee des clients ` a une le simple est supposee decrite par un pro-
cessus de renouvellement. Le processus darrivee le plus simple et le plus couramment employe
est le processus de Poisson. Cest un processus de renouvellement qui est tel que les interarrivees
sont distribuees selon une loi exponentielle.
On note le taux des arrivees : 1/ est lintervalle moyen entre deux arrivees consecutives .
1.2.2 Temps de service
Considerons tout dabord une le ` a serveur unique.
On note D
n
la variable aleatoire mesurant linstant de depart du n
ième
client du système et
Y
n
la variable aleatoire mesurant le temps de service du n
ième
client (temps separant le debut
et la n du service).
Un instant de depart correspond toujours ` a une n de service, mais ne correspond pas
forcement ` a un debut de service. Il se peut en eet quun client qui quitte la station laisse
celle-ci vide. Le serveur est alors inoccupe jusquà larrivee du prochain client.
On considèrera uniquement des stations dont les temps de service consecutifs sont decrits
par des variables Y
n
independantes et identiquement distribuees (i.i.d.).
On note le taux de service : 1/ est la duree moyenne de service .
La distribution du temps de service la plus simple ` a etudier est la distribution exponen-
tielle. Cependant, la propriete sans memoire de la loi exponentielle fait que celle-ci nest
generalement pas très realiste pour modeliser les phenomènes reels. On est donc souvent oblige
de recourir ` a dautres distributions de service.
1.2.3 Structure et discipline de la le
Nombre de serveurs
Une station peut disposer de plusieurs serveurs en parallèle. Soit C le nombre de serveurs.
Dès quun client arrive ` a la station, soit il y a un serveur de libre et le client entre instantanement
en service, soit tous les serveurs sont occupes et le client se place dans la le en attente de
liberation dun des serveurs. La plupart du temps, les serveurs sont supposes identiques (ils
possèdent donc la meme distribution) et independants les uns des autres.
Une station particulière est la station IS (innite servers) dans laquelle le nombre de serveurs
est inni. Cette station ne comporte donc pas de le dattente. Dès quun client sy presente, il
trouve en eet instantanement un serveur disponible et entre donc directement en service. Elle
permet de representer des systèmes pour lesquels le nombre de serveurs est toujours superieur
4
au nombre de clients qui peuvent sy trouver.
Capacite de la le
La capacite de la le ` a accueillir des clients en attente de service peut etre nie ou innie.
Soit K la capacite de la le (incluant le ou les clients en service). Une le ` a capacite illimitee
verie K = +. Lorsque la capacite de la le est limitee et quun client arrive alors que cette
dernière est pleine, le client est perdu.
Discipline de service
La discipline de service determine lordre dans lequel les clients sont ranges dans la le et y
sont retires pour recevoir un service. Les disciplines les plus courantes sont :
- FIFO (rst in, rst out) ou FCFS (rst come rst served) ou PAPS (premier arrive, premier
servi) : cest la le standand dans laquelle les clients sont servis dans leur ordre darrivee. Notons
que les disciplines FIFO et FCFS ne sont pas equivalentes lorsque la le contient plusieurs
serveurs. Dans la première, le premier client arrive sera le premier ` a quitter la le alors que
dans la deuxième, il sera le premier ` a commencer son service. Rien nempeche alors quun client
qui commence son service après lui, dans un autre serveur, termine avant lui. En fran cais, le
terme PAPS comporte une ambigute, puisquil ne peut dierencier une le premier arrive,
premier servi dune le premier arrive, premier sorti.
- LIFO (last in, rst out) ou LCFS (last come, rst served) ou DAPS (dernier arrive, premier
servi). Cela correspond ` a une pile, dans laquelle le dernier client arrive (donc pose sur la pile)
sera le premier traite (retire de la pile).
`
A nouveau, les disciplines LIFO et LCFS ne sont
equivalentes que pour une le monoserveur.
- RANDOM (aleatoire) Le prochain client qui sera servi est choisi aleatoirement dans la le
dattente :
- Round-Robin (cyclique). Tous les clients de la le dattente entrent en service ` a tour de
role, eectuant un quantum Q de leur temps de service et sont replaces dans la le, jusquà ce
que leur service soit totalement accompli. Cette discipline de service a ete introduite an de
modeliser des systèmes informatiques ;
- PS (Processor Sharing). Cest le cas limite de la distribution Round-Robin lorsque le quan-
tum de temps Q tend vers 0. Tous les clients sont servis en meme temps, mais avec une vitesse
inversement proportionnelle au nombre de clients simultanement presents. Si le taux du serveur
est egal ` a et qu` a un instant donne il y a n clients ` a la station, tous les clients sont donc servis
simultanement avec un taux

n
(Attention, dire que les n clients sont servis simultanement ne
signie absolument pas quils seront liberes simultanement)
1.2.4 Notations de Kendall
La notation de Kendall normalise la description dune le simple :
T/Y/C/K/m/Z
avec
T : distribution dinterarrivee
Y : distribution de service
C : nombre de serveurs
5
K : capacite de la le
m : population des usagers
Z : discipline de service.
Lorsque les trois derniers elements de la notation de Kendall ne sont pas precises, il est sous
entendu que K = +, m = +, et Z= FIFO. Le paramètre m precise le nombre maximum
dusagers susceptibles darriver dans la le, cette dernière etant plongee dans un monde ferme
contenant m clients.
1.2.5 Notion de classes de clients
Une le dattente peut etre parcourue par dierentes classes de clients. Ces dierentes classes
se distingueront par :
- des processus darrivee dierents ;
- des temps de service dierents ;
- un ordonnancement dans la le dattente fonction de leur classe.
Pour denir une le multiclasses, il faut denir pour chaque classe de clients le processus
darrivee et la distribution du temps de service associes. Il faut egalement preciser comment
les clients des dierentes classes sordonnent dans la le dattente. Cela permet dintroduire de
nouvelles disciplines de service dites ` a priorite : PR (preemption) et HOL (hold on line). Par
exemple, dans une le parcourue par deux classes de clients, les clients de la classe 1 seront alors
toujours devant les clients de la classe 2. Pour caracteriser une discipline de service prioritaire,
il faut de plus preciser si le service est preemptible : lorsquun client de classe 2 est en service
et quun client de classe 1 arrive ` a la le, est-ce que ce dernier doit attendre que le client de
classe 2 ait termine son service (sans preemption : HOL) ou est-ce que le client de la classe 2 est
instantanement remis dans la le (avec preemption : PR) an de laisser le serveur disponible
pour le client de classe 1 ? Dans ce dernier cas, il faut encore distinguer deux sous-cas. Est-ce
que le client de classe 2 relegue memorise le temps de service accompli ou pas ?
1.3. Les reseaux de les dattente
Un reseau de les dattente est un ensemble de les simples (stations) interconnectees. Soit
M le nombre de stations du reseau.
1.3.1 Les reseaux ouverts
Dans un reseau de les dattente ouvert, les clients arrivent de lexterieur, circulent dans le
reseau ` a travers les dierentes stations, puis quittent le reseau. Le nombre de clients pouvant
se trouver ` a un instant donne dans un reseau ouvert nest donc pas limite. An de specier
complètement un reseau ouvert, il faut bien s ur caracteriser chaque station, mais egalement le
processus darrivee des clients et le routage (cheminement) des clients dans le reseau.
Processus darrivee
Le processus darrivee des clients dans le reseau sera decrit, comme pour une le simple, ` a
laide dun processus de renouvellement (et sera donc caracterise par la distribution du temps
dinterarrivee). Si larrivee des clients suit un processus de Poisson, les interarrivees sont expo-
nentielles et sont caracterisees par un unique paramètre : le taux darrivee . Dans le cas dun
6
processus darrivee non poissonien, ce paramètre reste interessant, puisquil indique le nombre
moyen de clients qui arrivent dans le système par unite de temps, mais devient insusant pour
caracteriser parfaitement larrivee des clients.
Il faut en plus preciser, lorsquun client arrive dans le reseau, ` a quelle le il se rend. On
caracterisera la plupart du temps le routage dentree de fa con probabiliste : soit p
0i
la proba-
bilite pour quun client qui arrive se rende ` a la station i (les probabilites p
0i
sont bien s ur telles
que
M
i=1
p
0i
= 1). Si les arrivees dans le système sont poissoniennes de taux , on montre que le
processus darrivee des clients (venant uniquement de lexterieur) ` a la station i est poissonien
de taux p
0i
.
Routage des clients
Lorsquun client termine son service ` a une station, il faut preciser o` u ce client va se rendre :
soit ` a une autre station, soit ` a lexterieur (le client quitte alors le reseau).
`
A nouveau, le routage
des clients est très souvent caracterise de fa con probabiliste : soit p
ij
la probabilite pour quun
client qui quitte la station i se rende ` a la station j et soit p
i0
la probabilite pour quun client
qui quitte la station i quitte le système. Les p
ij
sont tels que
M
j=0
p
ij
= 1.
Il existe cependant dautres types de routages :
- le routage vers la le la plus courte (routage dynamique) : un client quittant une station
choisira, parmi toutes les destinations possibles, la station qui comporte le moins de clients ;
- le routage clyclique (routage deterministe) : les clients quittant une station choisiront ` a
tour de role chacune des stations parmi toutes les destinations possibles.
1.3.2 Les reseaux fermes
Dans un reseau de les dattente ferme, les clients sont en nombre constant. Soit N le nombre
total de clients du système. Il ny a donc pas darrivee ni de depart de clients. La specication
dun reseau ferme se reduit donc ` a celle des dierentes stations et ` a celle du routage des clients.
Par un mecanisme de routage probabiliste, on denit p
ij
la probabilite quun client qui quitte
la station i se rende ` a la station j. Les p
ij
sont tels que
M
j=1
p
ij
= 1.
1.3.3 Les reseaux multiclasses
Comme pour les les simples, les reseaux de les dattente peuvent etre parcourus par
dierentes classes de clients. Soit R le nombre de classes de clients. Ces dierentes classes
se distingueront par :
- des processus darrivee dierent (si le reseau est ouvert)
- des comportements dierents ` a chaque station (service et discipline de service)
- des routages dierents dans le reseau.
On est alors amene ` a caracteriser pour chaque classe r :
- pour un reseau ouvert, le processus darrivee (pour un processus darrivee poissonien, il
sut alors de donner le taux darrivee
r
des clients de classe r) ;
- pour un reseau ferme, le nombre total N
r
de clients de classe r ;
7
- le routage de clients. Si on se limite aux routages probabilistes, on denit p
rij
la probabilite
pour quun client de classe r qui quitte la station i se rende ` a la station j. (Si i ou j est egal ` a
0, cela fait la dierence ` a lexterieur dun reseau ouvert.)
La notion de reseaux multiclasses nous permet dintroduire la notion de reseau mixte qui est
un reseau ouvert vis ` a vis de certaines classes et ferme vis ` a vis des autres classes.
On peut egalement autoriser certains clients ` a changer de classe lors de leur cheminement
dans le reseau. On denit alors p
ri,sj
la probabilite pour quun client de classe r qui quitte la
station i se rende ` a la station j et se transforme en un client de classe s.
1.3.4 Les reseaux de les dattente à capacite limitee
Les dierentes stations du reseau peuvent avoir des capacites limitees. Lorsquune le est
pleine, plus aucun client ne peut y entrer. Cela introduit des blocages dans les autres stations
amonts et eventuellement des pertes de clients ` a lentree du système (si celui-ci est ouvert).
On distingue principalement deux types de blocage : le blocage avant service et le blocage
après service.
Dans un blocage avant service (ou blocage de type reseau de communication), un client
voulant commencer son service ` a une station donnee doit tout dabord sassurer quil y a une
place de libre dans la station de destination. Si cest le cas, son service commence. Dans le cas
contraire, le serveur de la station est bloque et le client doit attendre la liberation dune place
en aval avant de commencer son service.
Dans un mecanisme de blocage après service (ou blocage de type système de production),
un client commence sans attendre son service dès linstant o` u le serveur est disponible. Ce nest
qu` a la n de son service quun blocage peut survenir. Si la station de destination est pleine, le
client reste au niveau du serveur qui se trouve alors bloque, jusquà ce quune place se libère en
aval.
1.3.5 Les reseaux de les dattente ouverts à contrainte de population
Certains reseaux de les dattente, bien quetant des modèles ouverts, peuvent etre soumis
` a une limite superieure sur le nombre total de clients pouvant sy trouver simultanement. Cette
contrainte de population implique que le reseau nest ni reellement un modèle ouvert, puisque
le nombre de clients qui peuvent sy trouver est limite, ni reellement un reseau ferme, puisque
le nombre total de clients dans le système nest pas constant. On parlera de modèle ouvert
` a contrainte de population. Lorsquun client arrive dans le reseau alors que celui-ci est plein
(la contrainte de population est atteinte), deux cas peuvent etre envisages. Soit le client est
rejete, ce qui rejoint le modèle de la section precedente, soit le client est memorise et se
place en attente dans une le externe (generalement FIFO). Par la suite, on ne sinteressera
quau cas o` u le client est memorise.
Un système ouvert ` a contrainte de population est souvent modelise ` a laide dun formalisme
de type semaphore. Une le de jetons contenant initialement N jetons est alors associee ` a
la le externe des clients. Lorsquun client arrive alors quil reste un jeton de libre, il prend le
jeton et entre instantanement dans le système. Il conserve alors le jeton pendant tout son sejour
dans le système et le libère dès quil quitte le système. Le jeton revient alors instantanement
dans la le des jetons et devient ` a nouveau disponible pour un autre client. Lorsquun client
arrive alors quil ny a aucun jeton de libre, il se place dans la le externe (des clients) en attente
de liberation dun jeton. Le nombre initial N de jetons impose donc une limite superieure sur
le nombre total de clients pouvant se trouver simultanement dans le système.
8
1.4. Quelques exemples de systèmes dattente
T/Y/C : 1 le et C stations orant le meme service ; le client qui attend va ` a la première
qui se libère.
Exemple : toilettes dun lieu public, guichets dune poste...
T/Y/ : innite de serveurs ; pas dattente.
Exemple : lignes telephoniques.
2 stations dierentes, lune plus rapide que lautre.
Si les 2 stations sont libres, le client va dans lune avec la probabilite p et dans lautre avec
la probabilite 1 p.
Si p =
1
2
, clients de passage : ils ne voient pas la dierence.
Si p = 1, pour tous les clients, la rapidite prime.
On a en fait p [0, 1] : la rapidite peut ne pas etre le seul critère (qualite du service,
jolie ou gentille caissière...)
Systèmes ` a perte T/Y/C/C pas dattente
Exemple : Central telephonique o` u les appels non traites sont rejetes.
Systèmes T/Y/C/K o` u K > C : longueur de la le limitee, dependant de la capacite.
Exemple : Station service, salle dattente...
Systèmes fermes : nombre constant de clients.
Exemple : m machines en marche ou en panne, C ouvriers pour les reparer, n en panne.
m > C : cas le plus frequent ;
m < C : peu interessant car il y aurait des ouvriers jamais occupes ;
m = C : un ouvrier par machine.
Reseaux : plusieurs stations orent des services dierents, chacune ayant sa le.
reseau ouvert : on peut venir de lexterieur ou repartir ` a lexterieur ; il se peut que
chaque station ore le meme service mais chacune ` a sa le.
Exemple : Remontees mecaniques au ski, caisses de grandes surfaces.
reseau ferme : pas dechange avec lexterieur.
Exemple : Palettes dans un atelier.
1.5 Paramètres de performances operationnels
1.5.1 Paramètres de performances en regime transitoire
Considerons le comportement du système sur une periode de temps donnee, par exemple
entre t = 0 et t = . Soit X
t
le nombre total de clients dans le système ` a linstant t. Sinteresser
au comportement du système sur lintervalle de temps [0, ] revient ` a considerer le regime
transitoire du système.
Denissons les paramètres operationnels suivants :
W
k
: temps de sejour du k
ième
client dans le système : W
k
= D
k
A
k
.
9
: temps total de lobservation.
1
2
3
4
5
A1 A2
A3
A4 A5
A6 A7 A8 A9
A10
D1 D2
D3 D4 D5 D6D7 D8 D9 D10
W1
W2
W3
W4
W5
W6
W7
W8
W9
W10
X(t)
t
T(n, ) : temps total pendant lequel le système contient n clients ; on a bien s ur :
n0
T(n, ) = .
P(n, ) =
T(n, )
: proportion de temps pendant laquelle le système contient n clients.

() : nombre de clients arrivant dans le système pendant la periode [0, ].
() : nombre de clients quittant le système pendant la periode [0, ].
`
A partir de ces quantites, on denit les paramètres de performances en regime transitoire
suivants :
Debit moyen dentree : Le debit moyen dentree est le nombre moyen de clients arrives dans
le système par unite de temps. Sur la periode dobservation [0, ], cest donc :
d
e
() =
()
(1.1)
Debit moyen de sortie : Le debit moyen de sortie est le nombre moyen de clients ayant
quitte le système par unite de temps. Sur la periode dobservation [0, ], cest donc :
d
s
() =
()
(1.2)
Nombre moyen de clients : Le nombre moyen de clients presents dans le système est la
moyenne temporelle de X
t
(ou X(t)) sur la periode dobservation [0, ], cest donc laire sous la
courbe de X
t
:
10
L() =
1
n=0
nT(n, ) =
+
n=0
nP(n, ) (1.3)
Temps moyen de sejour : Le temps moyen de sejour dun client dans le système est, par
denition, la moyenne arithmetique des temps de sejour des clients arrives dans le système
pendant lintervalle de temps [0, ] :
W() =
1
()
()
k=1
W
k
(1.4)
Taux dutilisateur U : Pour une le simple comportant un unique serveur, en plus des
paramètres precedents, debit moyen dentree, debit moyen de sortie, nombre moyen de clients,
temps moyen de sejour, on peut denir un paramètre de performances supplementaire : le taux
dutilisation du serveur. Il est deni comme la proportion de temps pendant laquelle le serveur
est occupe sur lintervalle de temps [0, ] :
U() =
+
n=1
P(n, ) = 1 P(0, ) (1.5)
Cas des reseaux de les dattente
Pour un reseau de les dattente, on peut considerer les paramètres de performances du
reseau tout entier : debit moyen dentree dans le reseau, temps moyen de sejour dans le reseau.
Notons que ces paramètres nont dinteret que pour un reseau ouvert (ou mixte). En eet, si
le reseau est ferme, le debit moyen dentree et le debit moyen de sortie sont nuls, le nombre
de clients est en permanence egal ` a la population du reseau (N) et le temps moyen de sejour
est egal ` a la duree dobservation (innie en regime permanent). Pour un reseau multiclasses
ouvert (ou mixte), on pourra sinteresser aux paramètres de performances, par classe ou toutes
classes confondues.
On peut egalement considerer les paramètres de performances pour chacune des stations du
reseau : debit moyen dentree dans la station i (d
ei
), debit moyen de sortie de la station i (d
si
),
nombre moyen de clients dans la station i (L
i
), temps moyen de sejour dans la station i (W
i
).
`
A nouveau, pour un reseau multiclasses, on pourra sinteresser aux paramètres de performances
de chaque classe ou toutes classes confondues.
1.5.2 Paramètres de performances en regime permanent
Toutes les quantites precedentes denissent les performances du système en regime transitoire
(au bout dun temps ni). En regime permanent, on sinteressera ` a lexistence et aux valeurs
(eventuelles) des limites lorsque tend vers linni de tous ces paramètres :
d
e
= lim
+
d
e
() ; d
s
= lim
+
d
s
()
L = lim
+
L() ; W = lim
+
W()
U = lim
+
U()
11
1.5.3 Stabilite
Denition : Un système est stable si et seulement si le debit moyen asymptotique de sortie des
clients du système est egal au debit moyen dentree des clients dans le système :
lim
+
d
s
() = lim
+
d
e
() = d
Daprès les relations precedentes, cela implique que le nombre total de clients arrives dans
le système pendant lintervalle [0, ], () ne soit pas crotre plus rapidement que le nombre
total de clients ayant quitte le système (), lorsque tend vers linni :
lim
+
()
()
= 1.
Exemple : An de bien comprendre la notion de stabilite dune le simple, nous allons con-
siderer lexemple dune le D/D/1 (les interarrivees et les services sont deterministes, ce qui
signie que les clients arrivent exactement toutes les t
a
=
1
unites de temps et restent tous en

service pendant un temps t
s
=
1
.
Considerons tout dabord le cas o` u t
a
> t
s
( < ), par exemple : t
a
= 10 s, soit = 0, 1
clients/seconde, t
s
= 5 s, soit = 0, 2 clients/seconde.
Sur la periode dobservation [0, 100[, le debit moyen de sortie d
s
=
()
=
10
100
= 0, 1 est
bien egal au debit moyen dentree d
e
= . La le est stable : lorsque t tend vers linni, le
nombre de clients dans la le X
t
reste ni (et dans ce cas egal en alternance ` a 0 ou ` a 1).
Considerons maintenant le cas o` u t
a
< t
s
( > ), par exemple : t
a
= 10 s, soit = 0, 1
clients/seconde, t
s
= 20 s, soit = 0, 05 clients/seconde.
Sur la periode dobservation [0, 100[, le debit moyen de sortie d
s
=
()
=
5
100
= 0, 05 est
dierent du debit moyen dentree d
e
= . La le est instable : lorsque t tend vers linni, le
nombre de clients dans la le, X
t
tend vers linni.
Le problème est exactement le meme si, au lieu de considerer des temps deterministes,
on considère des temps aleatoires (et donc si lon considère une le G/G/1, pour laquelle la
loi dinterarrivee et la loi de service ont des distributions generales quelconques). Les clients
saccumulent dans la le et le serveur narrive jamais ` a rattraper son retard. Ce phenomène
se produit lorsque t
a
< t
s
(donc lorsque > ) et est connu sous le nom dinstabilite.
1.5.4 Ergodicite
Lergodicite est une notion très importante dans le domaine des processus stochastiques.
Dun cote, lanalyse operationnelle sinteresse ` a une evolution particulière dun système entre
deux instants t = 0 et t = . Nous avons vu que faire tendre vers linni et considerer les
limites de tous les paramètres de performances operationnels, revient ` a sinteresser au regime
permanent du système. En fait, cela revient ` a sinteresser au regime permanent dune evolution
particulière du système. Il est alors possible detudier dierentes evolutions du système. La
question que lon se pose immediatement est bien s ur : toutes ses realisations ont-elles le meme
12
comportement asymptotique ? En dautres termes, tous les paramètres de performances con-
sideres ont-ils la meme limite quelle que soit levolution du système consideree ?
Dun autre cote, lanalyse stochastique va associer au système des variables aleatoires et des
processus stochastiques :
A
k
: variable aleatoire mesurant linstant darrivee du k
ième
client dans le système ;
D
k
: variable aleatoire mesurant linstant de depart du k
ième
client du système ;
W
k
: variable aleatoire mesurant le temps de sejour du k
ième
client dans le système :
W
k
= D
k
A
k
;
(
t
) : processus mesurant le nombre de clients arrives dans le système ` a linstant t.
(
t
) : processus mesurant le nombre de clients ayant quitte le système ` a linstant t.
(X
t
) : processus stochastique mesurant le nombre de clients dans le système ` a linstant t :
X
t
=
t

t
.
n
(t) : probabilite pour que le système contienne n clients ` a linstant t :
n
(t) = P([X
t
= n]).
On peut alors, comme cela a ete fait dans le cadre de lanalyse operationnelle, calculer tous
les paramètres de performance stochastiques, en regime transitoire et en regime permanent. Le
nombre moyen de clients presents dans le système ` a linstant t se calcule, par exemple, de la
fa con suivante :
L(t) =
+
n=0
n
n
(t).
La question que lon se pose est alors : comment se relient les paramètres de performances
stochastiques aux paramètres de performances operationels ? Par exemple, si lon sinteresse ` a
caracteriser combien de temps un individu passe, en moyenne dans sa vie, ` a dormir, on sinteresse
bien ` a la proportion de temps pendant laquelle il dort et non ` a la probabilite qu` a un instant
quelconque, il soit en train de dormir ! Par ailleurs, les techniques de simulation etudient
une realisation particulière du processus et fournissent donc des paramètres de performances
operationnels.
La notion dergocite nous permet de denir une classe de systèmes pour laquelle toutes les
realisations particulières de levolution du système sont asymptotiquement et statistiquement
identiques, cest-à-dire :
Denition : Un système est ergodique si et seulement si, quelle que soit la realisation particulière
etudiee du processus stochastique :
lim
+
+
n=0
n
k
P(n, ) = lim
t+
+
n=0
n
k
n
(t) pour tout k = 1, 2,
Cela implique que tous les paramètres de performances operationnels en regime permanent
(mesures ou calcules par simulation ` a partir de nimporte quelle realisation particulière du pro-
cessus) sont egaux aux paramètres de performances stochastiques en regime permanent (obtenus
` a partir dune etude analytique de performances). Meme si cela nest pas parfaitement rigoureux,
on peut donc considerer cette propriete comme denition equivalente ` a lergodicite.
13
En choisissant comme paramètres de performances les proportions de temps passe par le
système dans letat n et les probabilites associees pour que le système contienne n clients, on
obtient que si le système est ergodique :
lim
+
P(n, ) = lim
t+
n
(t)
Dans un système ergodique, on pourra donc confondre en regime permanent, proportions
de temps passe dans un etat et probabilites detre dans cet etat. On parlera indieremment
de probabilites en regime permanent, de probabilites ` a lequilibre ou de probabilites sta-
tionnaires. Tous les paramètres de performances fournis par une analyse stochastique de notre
système seront egaux aux paramètres de performances operationnels, cest-à-dire ` a ceux que
lon pourrait observer sur nimporte quelle realisation particulière (susamment longue) de
levolution de notre système. On parlera, de la meme fa con, des performances stationnaires
du système.
Notons toutefois quil existe des systèmes non ergodiques. Par exemple, une chane de
Markov non irreductible constitue un système non ergodique (certaines realisations conduisent
dans une sous-chane absorbante, dautres dans une autre). Une chane periodique est un autre
exemple dun système non ergodique. Les probabilites stationnaires nexistent pas mais on est
cependant capable de determiner les proportions de temps passe dans chaque etat de la chane.
Notons nalement quun système instable nest egalement pas un système ergodique puisque la
limite lorsque tend vers linni du nombre moyen de clients L() nexiste pas (est innie).
1.5.5 La loi de Little
La loi de Little est une relation très generale qui sapplique ` a une grande classe de systèmes.
Elle ne concerne que le regime permanent du système. Aucune hypothèse sur les variables
aleatoires qui caracterisent le système (temps dinterarrivees, temps de service,...) nest necessaire.
La seule condition dapplication de la loi de Little est que le système soit stable. Le debit du
système est alors indieremment, soit le debit dentree, soit le debit de sortie : d
s
= d
e
= d. La
loi de Little sexprime telle que dans la propriete suivante :
Theorème : (Formule de Little) Le nombre moyen de clients, le temps moyen passe dans
le système et le debit moyen dun système stable en regime permanent se relient de la fa con
suivante :
L = W d
Preuve :
Considerons, dans un premier temps, une duree dobservation qui est telle que le système est vide au debut
et à la n de lobservation. Dans ces conditions, le nombre de clients qui ont quitte le système pendant [0, ]
est egal au nombre de clients qui y sont arrives : () = (). Les quantites L() et W() peuvent alors etre
decrites de la facon suivante :
L() =
+
X
n=0
nP(n, ) =
1
+
X
n=0
nT(n, )
W() =
1
()
()
X
k=1
W
k
La formule de Little repose sur le resultat suivant :
+
X
n=0
nT(n, ) =
()
X
k=1
W
k
.
14
On peut demontrer formellement que les deux sommations intervenant dans cette egalite representent deux
facons de calculer laire sous la courbe de Xt.
Comme le debit d() du système est le rapport du nombre de clients sortis () sur le temps moyen
dobservations , on deduit immediatement des trois relations donnant L(), W() et d() que : L() =
W() d(). On peut nalement saranchir de lhypothèse que le système est vide au debut et à la n de
lobservation, en faisant tendre vers linni et en se rappelant que si le système est stable, lim
+
()
()
= 1.
2
La loi de Little a une très grande importance dans lanalyse des systèmes de les dattente.
Elle permet de deduire lune des trois quantites (L, W, d) en fonction de la connaissance des deux
autres. Elle sapplique sous des formes très diverses. Considerons ici le cas dune le simple
comportant un unique serveur et montrons que la loi de Little peut sappliquer de dierentes
fa cons.
On a vu que la loi de Little nous dit quil existe une relation entre le nombre moyen de clients
dans la le (en attente ou en service) et le temps moyen total de sejour dun client dans la le
(temps dattente + temps de service) :
L = W d (1.6)
La loi de Little peut aussi sappliquer en considerant uniquement lattente dans la queue
(sans le service). Elle permet alors de relier le nombre moyen de clients en attente L
q
, au temps
moyen dattente dun client avant service W
q
, par la relation :
L
q
= W
q
d (1.7)
Enn, on peut appliquer la loi de Little en ne considerant que le serveur. Dans ce cas, elle
relie le nombre moyen de clients en service L
S
, au temps moyen de sejour dun client dans le
serveur qui nest rien dautre que le temps moyen de service
1
, par la relation
L
S
=
1
d
Comme il ny a jamais plus dun client en service, L
S
sexprime simplement :
L
S
() = 0P(0, ) + 1[P(1, ) +P(2, ) +P(3, ) + ] = 1 P(0, ).
L
S
nest donc rien dautre que le taux dutilisation du serveur, U, deni comme etant la
probabilite que le serveur soit occupe (ou la proportion de temps pendant laquelle le serveur est
occupe). Ainsi, dans ce cas, la loi de Little secrit :
U =
1
d (1.8)
On a obtenu trois relations en appliquant la loi de Little successivement au système en-
tier, ` a la le dattente seule et, enn, au serveur seul. Ces trois relations ne sont bien s ur
pas independantes. On peut en eet deduire lune dentre elles ` a partir des deux autres en
remarquant que :
W = W
q
+
1
et L = L
q
+L
S
= L
q
+U (1.9)
15
Elements de theorie des les dattente Rappels mathematiques

Chapitre 2
Rappels mathematiques
2.1. Processus de Markov continus
Le processus de Markov fournit un outil simple de modelisation dune classe particulière
de systèmes ` a espace detats discret. Lanalyse des processus de Markov est un preliminaire
necessaire ` a letude des systèmes de les dattente.
Denition 1 : Le processus (X
t
)
t0
est dit de Markov, si
a)axiome de Markov : pour tous t
1
< t
2
< < t
n
< t
n+1
, pour tous x
1
, , x
n+1
:
P([X
t
n+1
= x
n+1
]/[X
t
1
= x
1
] [X
tn
= x
n
]) = P([X
t
n+1
= x
n+1
]/[X
tn
= x
n
])
b)axiome dhomogeneite : pour tous s et t, pour tous x, y E, P([X
t+s
= y]/[X
s
= x]) ne
depend que de t (et non des instants s et t +s).
Laxiome de Markov traduit que la probabilite de nimporte quel comportement futur, le
present etant connu, nest pas modie par toute connaissance supplementaire du passe.
Notations : On pose p
x,y
(t) = P([X
t+s
= y]/[X
s
= x]) = P([X
t
= y]/[X
0
= x]) et P(t) =
(p
x,y
(t))
x,yE
. On pose aussi

(t) = P
Xt
(vecteur ligne de composantes
x
(t) = P([X
t
= x]).)
Proprietes :
a) P(t) est une matrice stochastique, i.e. p
x,y
(t) 0 et
y
p
x,y
(t) = 1 pour tout x.
b) Pour tout s et pour tout t, P(s +t) = P(s)P(t).
c) Pour tout s et pour tout t,

(s +t) =

(s)P(t).
.
Preuve :
a) px,y(t) [0, 1] car cest une probabilite. De plus, la ligne x correspond à la loi P
[X
0
=x]
Xt
et on a bien
X
y
px,y(t) =
X
y
P
[X
0
=x]
([Xt = y]) = 1.
b) Pour calculer px,y(t +s) = P
[X
0
=x]
([Xt+s = y]), on va faire intervenir les dierents etats pouvant etre
occupes à linstant t :
P
[X
0
=x]
([Xt+s = y]) =
P([X0 = x] [Xt+s = y])
P([X0 = x])
=
X
zE
P([X0 = x] [Xt = z] [Xt+s = y])
P([X0 = x])
=
X
zE
P([Xt+s = y]/[X0 = x] [Xt = z])P([X0 = x] [Xt = z])
P([X0 = x])
=
X
zE
P([Xt+s = y]/[Xt = z])P([Xt = z]/[X0 = x])
daprès laxiome de Markov (X0 napporte rien de plus que Xt pour determiner la loi de Xt+s). Ainsi, on a
px,y(t +s) =
X
zE
px,z(t)pz,y(s),
16

qui est le coecient (x, y) de la matrice produit P(t)P(s).
c) y(t +s) = P([Xt+s = y]) =
X
xE
P([Xt+s = y]/[Xt = x])P([Xt = x]) cest-à-dire
y(t +s) =
X
xE
x(t)px,y(s).
2
2.1.1 Regime transitoire
Contrairement ` a ce qui se passe pour les chanes de Markov ` a temps discret, on ne dispose
pas ici dun historique complet du processus : on observe celui-ci ` a certains instants dans le
temps, choisis aussi nombreux que lon veut et repartis comme on veut mais la notion dunite
de temps na plus de sens ici et la matrice P = P(1) ne permet pas de determiner P(t) pour
tout t.
Lidee est alors de considerer P(h) lorsque h 0.
Grace ` a P(t +h) = P(t)P(h) = P(h)P(t) et ` a P(0) = I, on a :
P(t +h) P(t)
h
= P(t)
P(h) I
h
=
P(h) I
h
P(t).
Sous reserve dexistence des limites, si on pose A = lim
h0
P(h) I
h
= P
(0), on a alors :
P
(t) = P(t)A = AP(t) et P(0) = I.

Cette equation dierentielle matricielle admet lunique solution :
P(t) = e
tA
=
+
n=0
t
n
n!
A
n
.
Ainsi, on determine A ` a partir de la famille (P(t))
t0
, (A = P
(0)), mais reciproquement, la

seule connaissance de A permet de retrouver tous les P(t) (P(t) = e
At
).
La matrice A est appelee le generateur innitesimal du processus.
On pose A = (a
x,y
)
x,yE
. Ainsi, a
x,y
= lim
h0
p
x,y
(h)
x,y
h
.
Si x = y, a
x,y
0 et p
x,y
(h) = a
x,y
h +o(h)
Si x = y, a
x,x
0 et p
x,x
(h) = 1 +a
x,x
h +o(h).
On a ici, pour tout x E,
yE
a
x,y
= 0 (la somme sur chaque ligne de A vaut 0).
Propriete : Pour tout etat x E, le temps passe dans x avant de le quitter suit la loi
exponentielle E(
x
) avec
x
= a
x,x
=
y=x
a
x,y
.
17

Preuve : Si Tx designe ici le temps passe en x avant de le quitter, on a :
P([Tx > t +h]) = P([Tx > t +h]/[Tx > t])P([Tx > t])
Mais, daprès lhomogeneite dans le temps, on a P([Tx > t + h]/[Tx > t]) = P([Tx > h]). Ainsi, si on pose
Gx(t) = P([Tx > t]), on obtient :
Gx(t +h) = Gx(t)Gx(h) avec Gx(h) = px,x(h) +o(h) = 1 +ax,xh +o(h),
donc
Gx(t +h) Gx(t)
h
= Gx(t)
ax,x +
o(h)
h
et, en faisant h 0, il vient :

G
x
(t) = ax,xGx(t) avec Gx(0) = 1,
soit Gx(t) = e
ax,xt
et P([Tx t]) = 1 e
ax,xt
.
2
Levolution dun processus de Markov ` a temps continu peut se voir comme une repetition de
deux phases :
on reste un certain temps (de loi exponentielle) dans un etat ;
lorsquon quitte cet etat, on choisit letat vers lequel on sort, cette destination ne
dependant ni du temps passe dans letat, ni du chemin par lequel on est arrive ` a letat. On
notera p
x,y
la probabilite de se rendre dans letat y en quittant letat x.
Propriete : Pour tout (x, y) E
2
tel que x = y, p
x,y
=
a
x,y
z=x
a
x,z
(et p
x,x
= 0).
Preuve : On a, si x = ax,x =
X
z=x
ax,z,
P([X
t+h
= x]/[Xt = x]) = xh +o(h)
et, pour y = x,
P([X
t+h
= y]/[Xt = x]) = ax,yh +o(h) = px,yxh +o(h)
daprès la denition de px,y. Cest donc bien que px,y =
ax,y
x
=
ax,y
P
z=x
ax,z
.
2.
Denition : La chane de Markov discrète de matrice de transition P = (p
x,y
)
x,yE
est appelee
chane de Markov induite du processus.
2.1.2 Regime permanent
On rappelle que, si

(t) est la loi de X
t
, i.e.

(t) = (
x
(t))
xE
o` u
x
(t) = P([X
t
= x]), on
a :
(t) =

(0)P(t).
Denition : On dit que le processus (X
t
)
t0
est stationnaire si la loi de X
t
est independante
de t.
On a alors

(t) =

(0) pour tout t 0 et en derivant lequation precedente, on obtient :
0 =

(0)P
(t) =

(0)P(t)A =

(t)A =

(0)A.
18

Denition : On appelle distribution stationnaire toute probabilite

qui verie
A =

0 .
Si (X
t
) converge en loi et si

()
= lim
t+
(t), alors

()
est distribution stationnaire du
processus.
On a (
A)
y
=
xE
x
a
x,y
=
x=y
x
a
x,y
+
y
a
y,y
avec a
y,y
=
x=y
a
y,x
ainsi :
A =

0 equivaut ` a
x=y
x
a
x,y
=
x=y
y
a
y,x
Cette relation traduit lequilibre, en regime stationnaire du ux rentrant en y (
x=y
x
a
x,y
)
et du ux sortant de y (
x=y
y
a
y,x
).
2.2 Processus de Poisson
2.2.1 Introduction
De nombreux phenomènes aleatoires se manifestent par des arrivees survenant une par
une ` a des instants aleatoires successifs.
Exemples :
arrivees dappels ` a un central telephonique ;
impacts de micrometeorites sur un satellite ;
passage de vehicules ` a un peage dautoroute ;
arrivees de clients ` a un guichet, occurrence daccidents dans une ville, pannes de machines
dans une usine...
De tels phenomènes peuvent se denir par la famille (A
n
)
nIN
des temps darrivees qui sont
des variables aleatoires. Mais on peut aussi le faire ` a partir du processus de comptage (N
t
)
tIR
+
,
ou par la famille (T
n
)
nIN
des intervalles de temps entre deux arrivees.
N
t
est le nombre devenements apparus jusquà linstant t.
N
t+u
N
u
est le nombre devenements apparus entre u et u +t.
Lespace des etats du processus (N
t
)
tIR
+
est E = IN et lespace des temps est T = IR
+
.
Le processus qui modelise convenablement les exemples cites est le processus de Poisson.
On conviendra que N
0
= 0.
On note :
A
n
linstant de realisation du n
ième
evenement ;
T
n
la duree separant le (n1)
ième
evenement du n
ième
evenement pour n 2 et T
1
= A
1
.
19

t
N(t)
A1 A2 A3 A4 A5
A6
1
2
3
4
5
6
7
0
T1
T2 T3 T4 T5 T6
On a :
A
n
= T
1
+T
2
+ +T
n
pour tout n IN
:
T
1
= A
1
et T
n
= A
n
A
n1
pour tout n 2.
Ainsi, la connaissance de la famille (A
n
)
nIN
equivaut ` a celle de la famille (T
n
)
nIN
.
Dautre part, A
n
t signie que le n
ième
evenement a eu lieu ` a linstant t ou avant, cest-à-
dire qu` a linstant t, au moins n evenements ont eu lieu, cest-à-dire que N
t
n. Ainsi
F
An
(t) = P([A
n
t]) = P([N
t
n]) = 1
n1
k=0
P([N
t
= k])
et
P([N
t
= n]) = P([N
t
n]) P([N
t
n + 1]) = P([A
n
t]) P([A
n+1
t]).
Par consequent, la connaissance de (N
t
)
tIR
+
equivaut ` a celle de la famille (A
n
)
nIN
.
2.2.2 Denition et description du processus
Soit (N
t
)
tIR
+
un processus aleatoire ` a valeurs dans IN tel que N
0
= 0.
Denition : Le processus (N
t
)
tIR
+
est appele processus de comptage si cest un processus
croissant, cest-à-dire si pour tout s t, N
s
N
t
. La variable aleatoire N
t
N
s
est alors
appelee accroissement du processus sur ]s, t].
Denition : Un processus de comptage (N
t
)
tIR
+
est appele processus ` a accroissements
independants si pour tout n IN
et pour tous t
1
, , t
n
tels que t
1
< t
2
< t
n
, les ac-
croissements N
t
1
N
0
, N
t
2
N
t
1
, , N
tn
N
t
n1
sont des variables aleatoires independantes.
Les processus veriant cette hypothèse sont assez nombreux : il semble en eet assez naturel
que les arrivees se produisant dans des intervalles disjoints ne soient pas liees entre elles.
20

Denition : Le processus est dit stationnaire (ou homogène dans le temps), si pour tout s et
pour tout t, laccroissement N
t+s
N
s
a meme loi que N
t
.
Remarque : Cette propriete est semblable ` a laxiome dhomogeneite pour les chanes de
Markov : seule la duree ecoulee entre deux instants (et non pas les deux instants eux-memes)
compte pour determiner la loi de laccroissement.
Si cette propriete semble relativement naturelle pour certains types darrivees, comme par
exemple pour les pannes survenant dans un parc de machines qui fonctionnent en continu et
toujours de la meme fa con, elle ne sera certainement pas realisee pour des processus representant
des arrivees ` a pics saisonniers (par exemple le nombre de passages de vehicules au peage au-
toroutier de Bandol du 14 juillet au 15 ao ut ne suit pas la meme loi que celui des vehicules du
17 octobre au 18 novembre).
Denition : Un processus ` a accroissements independants stationnaire (N
t
)
tIR
+
est dit
` a evenements rares si lim
h0
+
P([N
h
> 0]) = 0 et si lim
h0
+
P([N
h
> 1])
P([N
h
= 1])
= 0.
Remarque : La deuxième propriete traduit limprobabilite darrivees simultanees.
Si on pose f(t) = P([N
t
= 0]) ( et donc f(0) = 1), la première hypothèse traduit la continuite
de f en 0, car P([N
h
> 0]) = 1 f(h) et donc lim
h0
+
f(h) = f(0).
Denition :Un processus de comptage (N
t
)
tIR
+
tel que N
0
= 0 est un processus de Poisson si
C1 : (N
t
)
tIR
+
est stationnaire
C2 : (N
t
)
tIR
+
est un processus ` a accroissements independants ;
C3 : (N
t
)
tIR
+
est un processus ` a evenements rares .
Le nom donne au processus de Poisson sexplique par ce qui suit :
Proriete : Un processus de comptage (N
t
)
tIR
+
tel que N
0
= 0 est un processus de Poisson si
et seulement si :
C1 : (N
t
)
tIR
+
est stationnaire ;
C2 : (N
t
)
tIR
+
est un processus ` a accroissements independants ;
C3 : il existe > 0 tel que, pour tout t 0, la variable aleatoire N
t
suive la loi de Poisson de
paramètre t.
Preuve : Un processus qui verie C3 verie egalement C3.
En eet, si on a C3, alors
P([N
h
= 0]) = e
h
= 1 h +o(h)
do` u P([N
h
> 0]) = h +o(h) et lim
h0
P([N
h
> 0]) = 0. De plus, P([N
h
= 1]) = e
h
h = h +o(h) h et
P([N
h
> 1]) = 1 P([N
h
= 0]) P([N
h
= 1]) = o(h)
et donc lim
h0
+
P([N
h
> 1])
P([N
h
= 1])
= 0.
On va maintenant montrer que, pour un processus de Poisson, laxiome C3 est verie.
21

P([Nt+s = k]) =
k
X
i=0
P([Nt+s = k] [Nt = i]) (1)
=
k
X
i=0
P([Nt = i] [Nt+s Nt = k i]) (2)
=
k
X
i=0
P([Nt = i])P([Nt+s Nt = k i]) (3)
=
k
X
i=0
P([Nt = i])P([Ns = k i]) (4)
(On passe de (2) à (3) en utilisant C2 et de (3) à (4) en utilisant C1.)
On pose alors P([Nt = k]) = p
k
(t) et on va etablir que p
k
(t) = e
t
(t)
k
k!
par recurrence sur k.
Etude pour k = 0 : p0(t) = f(t) avec f qui verie

f(t +s) = f(t)f(s) ()
f est continue sur IR+ car lim
h0
(f(t +h) f(t)) = lim
h0
f(t)(f(h) 1) = 0.
Or, les seules solutions continues de (), à valeurs dans IR+, sont les fonctions de la forme f(t) = e
at
.
(En eet, = ln f verie (s + t) = (t) + (s). En particulier, (nt) = n(t), puis, avec t =
1
n
,
1
n
=
1
n
(1), puis
m
n
=
m
n
(1). On a alors (r) = r(1) pour tout r Q et on conclut que
(x) = x(1) par densite de Q dans IR (x = limrn) et grace à la continuite de f (f(x) = limf(rn)). Ainsi
f(x) = e
(x)
= e
x(1)
).
Ici f est à valeurs dans [0, 1], non identiquement nulle, donc a 0. Le cas a = 0 na pas dinteret car alors
on aurait P([Nt = 0]) = 1 pour tout t. Donc, a < 0 et il existe = a tel que
f(t) = p0(t) = P([Nt = 0]) = e
t
.
Recurrence sur k : On suppose maintenant que pi(t) = e
t
(t)
i
i!
pour tout t 0 et pour tout i k et on va
montrer que p
k+1
(t) = e
t
(t)
k+1
(k + 1)!
.
Pour cela on va etablir une equation dierentielle du premier ordre veriee par p
k+1
(t) : on regarde combien
darrivees se sont produites jusquà linstant t +h en faisant intervenir le nombre darrivees qui se sont produites
jusquà linstant t.
[N
t+h
= k + 1] =
k+1
[
i=0
[Nt = i] [N
t+h
Nt = k + 1 i]
et donc, toujours en utilisant C2 puis C1, il vient
P([N
t+h
= k + 1]) =
k+1
X
i=0
P([Nt = i])P([N
t+h
Nt = k + 1 i]) =
k+1
X
i=0
P([Nt = i])P([N
h
= k + 1 i])
soit, avec la notation introduite ici
p
k+1
(t +h) =
k+1
X
i=0
pi(t)p
k+1i
(h)
Or, pour i k1, on a k+1i 2 ; do` u P([N
h
= k+1i]) = p
k+1i
(h) = o(p1(h)) car lim
h0
P([N
h
> 1])
P([N
h
= 1])
= 0
et
p
k+1
(t +h) =
k1
X
i=0
pi(t)p
k+1i
(h) +p1(h)p
k
(t) +p0(t)p
k+1
(h) = p1(h)p
k
(t) +p0(h)p
k+1
(t) +o(p1(h)).
22

Avec p0(h) = 1 p1(h) +o(p1(h)), on obtient alors :
p
k+1
(t +h) p
k+1
(t) = p1(h) [p
k
(t) p
k+1
(t)] +o(h).
Donc
p
k+1
(t +h) p
k+1
(t)
h
=
p1(h)
h
[p
k
(t) p
k+1
(t)] +
o(h)
h
et
p
k+1
(t) = lim
h0
p1(h)
h
[p
k
(t) p
k+1
(t)] .
Or p1(h) = 1 p0(h) +o(p1(h)) donc lim
h0
1 p0(h)
p1(h)
= 1 = lim
h0
1 p0(h)
h

h
p1(h)
et comme
lim
h0
1 p0(h)
h
= lim
h0
1 e
h
h
= ,
cest donc que lim
h0
p1(h)
h
= , do` u p
k+1
(t) = [p
k
(t) p
k+1
(t)], soit :
p
k+1
(t) +p
k+1
(t) = p
k
(t).
Pour resoudre cette equation dierentielle lineaire du premier ordre, on applique la methode dite de variation
de la constante.
On a donc p
k+1
(t) = C(t)e
t
avec
C
(t)e
t
= p
k
(t) = e
t
k+1
t
k
k!
.
Do` u C
(t) =

k+1
t
k
k!
et
C(t) C(0) =
Z
t
0
C
(u)du =

k+1
k!
Z
t
0
u
k
du =

k+1
k!
u
k+1
k + 1
t
0
=
(t)
k+1
(k + 1)!
avec p
k+1
(0) = C(0) = P([N0 = k + 1]) = 0 car N0 = 0. On a donc bien p
k+1
(t) = e
t
(t)
k+1
(k + 1)!
. 2
Remarque :
Pour tous s et t et pour tous i k :
P([N
t+s
= k] [N
s
= i]) = P([N
s
= i] [N
t+s
N
s
= k i])
= P([N
s
= i])P([N
t+s
N
s
= k i])
= P([N
s
= i])P([N
t
= k i]).
Ainsi,
P([N
t+s
= k]/[N
s
= i]) =
P([N
s
= i] [N
t+s
= k]
P([N
s
= i])
= P([N
t
= k i]) = e
t
(t)
ki
(k i)!
.
Ceci determine les probabilites de transition de i ` a k entre les instants s et t +s.
2.2.3 Caracterisation dun processus de Poisson par ses temps darrivee
Soit A
n
linstant de la n
ième
arrivee : A
n
= inf{t 0 ; N
t
= n} et T
n
le n
ième
temps
dattente pour n IN
: T
n
= A
n
A
n1
(en convenant A
0
= 0).
On a A
n
=
n
i=1
T
i
et N
t
= max{n 0 ; A
n
t}.
23

Theorème : (N
t
)
tIR
+
est un processus de Poisson de paramètre si et seulement si les
variables aleatoires T
n
sont independantes de meme loi exponentielle E() (de densite
f
Tn
(t) = e
t
1I
]0,+[
(t)).
Preuve :
P([T1 > t]) = P([Nt = 0]) = e
t
= 1 F1(t)
o` u F1 est la fonction de repartition de T1. On a donc bien T1 qui suit la loi exponentielle E().
P
[T
1
=t
1
]
([T2 > t]) = P([Nt
1
+t = 1]/[Nt
1
= 1] [Ns = 0 pour tout s < t1])
= P([Nt
1
+t Nt
1
= 0]/[Nt
1
= 1] [Ns = 0 pour tout s < t1])
= P([Nt
1
+t Nt
1
= 0])
daprès lindependance des accroissements.
Or P([Nt
1
+t Nt
1
= 0]) = P([Nt
1
+tt
1
= 0]) = P([Nt = 0]) daprès la stationnarite ; et cest aussi e
t
car
Nt suit la loi de Poisson P(t).
Donc T2 est bien independante de T1 et de meme loi exponentielle E().
De facon plus generale,
P([T
k
> t]/[T1 = t1] [T
k1
= t
k1
]) = P([Nt
k1
+t Nt
k1
= 0])
= P([Nt = 0]) = e
t
.
Donc T
k
est independante de T1, , T
k1
et de meme loi exponentielle E().
La reciproque sera admise. 2
Consequence : Les variables aleatoires A
n
suivent la loi Gamma (, n) (ou loi dErlang), de
densite denie par
f
An
(t) =

n
(n 1)!
e
t
t
n1
1I
]0,+[
(t).
Propriete : Si (N
t
)
tIR
+
est un processus de Poisson de paramètre , le temps aleatoire U
qui separe un instant du prochain evenement et le temps aleatoire V qui separe du dernier
evenement suivent la loi exponentielle E().
Preuve :
P([U > x]) = P([N
+x
N
= 0] = P([Nx = 0]) = e
x
car [U > x] signie que pendant la duree x qui suit , il ny a aucune arrivee. De meme,
P([V > x]) = P([N
N
x
= 0] = P([Nx = 0]) = e
x
car [V > x] signie que pendant la duree x qui precedait , il ny a eu aucune arrivee. 2
Remarque : On a alors IE(U +V ) = IE(U) + IE(V ) =
2
alors que IE(Tn) =

1
pour tout n IN
. Cest donc que

U +V = TN
na pas meme loi que les Tn alors que sur [N
= n], on a TN
= Tn.
On peut terminer ce paragraphe en remarquant que IE(N
1
) = et IE(T
n
) =
1
. Ainsi,
plus est grand, plus le nombre moyen darrivees par unite de temps est important, et plus
lintervalle entre 2 arrivees est court, ce qui semblait a priori evident. Pour cette raison, on
appelle egalement le paramètre lintensite du processus.
24

2.2.4 Proprietes supplementaires
Decomposition, superposition
On peut decomposer en deux un processus de Poisson suivant un certain critère.
Exemples :
Compteur ` a fonctionnement aleatoire : Des particules arrivant vers un compteur forment un
processus de Poisson de paramètre = 6 part/mn. Chaque particule a la probabilite 2/3 detre
enregistree par le compteur. Les particules enregistrees forment un processus de Poisson de
paramètre = 6
2
3
= 4 part/mn.
De meme,
les voitures qui passent devant une station service forment un processus de Poisson de paramètre
. Chaque voiture a la probabilite p de sarreter ` a la station. Alors, les voitures qui sarretent
` a la station forment un processus de Poisson de paramètre p et les voitures qui passent devant
la station sans sarreter forment un processus de Poisson de paramètre (1 p). De plus, ces
deux processus sont independants.
Preuve : Ici, on va simplement montrer la propriete C3 pour le processus
N
(1)
t
t0
des voitures qui sarretent
à la station.
P([N
(1)
t
= k] =
+
X
n=k
P
[N
(1)
t
= k]/[Nt = n]
P([Nt = n])
=
+
X
n=k
C
k
n
p
k
(1 p)
nk
e
t
(t)
n
n!
= e
t
+
X
n=k
p
k
(1 p)
nk
(t)
n
k!(n k)!
= e
t
p
k
k!
+
X
m=0
(t)
m+k
(1 p)
m
m!
( en posant m = n k ) ;
= e
t
(pt)
k
k!
e
(1p)t
= e
pt
(pt)
k
k!
.
2
Inversement, on pourrait montrer que
la somme de deux processus de Poisson independants de paramètres respectifs
1
et
2
est un
processus de Poisson de paramètre
1
+
2
.
On a alors :
Propriete : Si
_
N
(1)
t
_
t0
et
_
N
(2)
t
_
t0
sont deux processus de Poisson independants de
paramètres respectifs
1
et
2
, alors la loi conditionnelle de N
(1)
t
sachant [N
(1)
t
+ N
(2)
t
= n]
est la loi binomiale B
_
n,

1
1
+
2
_
.
25

Preuve :
P
[N
(1)
t
= k]/[N
(1)
t
+N
(2)
t
= n]
=
P
[N
(1)
t
= k] [N
(2)
t
= n k]
P([N
(1)
t
+N
(2)
t
= n])
=
P([N
(1)
t
= k])P([N
(2)
t
= n k])
P([N
(1)
t
+N
(2)
t
= n])
=
e
1
t (
1
t)
k
k!
e
2
t (
2
t)
nk
(nk)!
e
(
1
+
2
)t
((
1
+
2
)t)
n
n!
= C
k
n
k
1
nk
2
(1 +2)
n
.
2
Processus de Poisson et loi binomiale.
Propriete : Pour s t, la loi conditionnelle de N
s
sachant [N
t
= n] est la loi binomiale
B
_
n,
s
t
_
.
Preuve :
P
[Nt=n]
([Ns = k]) =
P([Ns = k] [Nt = n])
P([Nt = n])
=
P([Ns = k] [Nt Ns = n k])
P([Nt = n])
=
P([Ns = k])P([Nt Ns = n k])
P([Nt = n])
=
P([Ns = k])P([Nts = n k])
P([Nt = n])
=
e
s (s)
k
k!
e
(ts) ((ts))
nk
(nk)!
e
t
(t)
n
n!
= C
k
n
s
t
1
s
t
nk
.
2
Processus de Poisson et loi uniforme
La loi de (A
1
, A
2
, , A
n
) sachant [N
t
= n] est celle de (U
1
, U
2
, , U
n
) ; U
i
etant la
i
ième
plus petite valeur parmi les U
1
, U
2
, , U
n
, variables aleatoires independantes de meme loi
uniforme sur [0, t]. ( En particulier U
1
= min(U
1
, , U
n
) et U
n
= max(U
1
, , U
n
)). Cette loi
a pour densite f
denie par :
f
(s
1
, s
2
, , s
n
) =
_
n!
t
n
si 0 s
1
s
2
s
n
t ;
0 sinon.
Ainsi, pour simuler les n premiers temps darrivee dun processus de Poisson sachant que
[N
t
= n], il sut de tirer n nombres au hasard entre 0 et 1 (touche random de la calculatrice),
de les ranger par ordre croissant, puis de les multiplier par t en faisant eventuellement les con-
versions en format horaire adequat (heures, minutes, seconde).
2.2.5 Processus de Poisson composes
Pour un processus de Poisson, la condition C3 entrane limpossibilite dune realisation si-
multanee de deux evenements ou plus. Si on supprime cette condition, les evenements peuvent
se produire par grappes, leectif de la grappe etant lui-meme aleatoire.
Exemples :
Arrivees davions dans un aeroport : chaque avion transporte un certain nombre de
passagers ;
26

Trac routier : chaque accident engendre un certain nombre de blesses...
Les instants doccurrence des grappes devenements sont les A
n
dun processus de Poisson
de paramètre .
`
A chaque instant A
n
est associee une variable aleatoire Y
n
designant le nombre devenements
se produisant ` a linstant A
n
.
On suppose les Y
n
independantes et de meme loi.
Z
t
est le nombre devenements apparus jusquà linstant t.
On a la relation fondamentale suivante :
Z
t
= Y
1
+Y
2
+ +Y
Nt
.
Cette relation permet, en particulier, de determiner la fonction generatrice de Z
t
et donc son
esperance et sa variance.
Propriete : G
Zt
(s) = exp (t(G
Y
(s) 1)) ; IE(Z
t
) = tIE(Y ) et var(Z
t
) = tIE(Y
2
).
Preuve : GZt
(s) = IE
IE
Nt
s
Zt
avec
IE
[Nt=n]
s
Zt
= IE
[Nt=n]
s
Y
1
++Yn
= (GY (s))
n
car les Yi sont independantes entre elles et independantes de Nt.
Donc IE
Nt
s
Zt
= (GY (s))
Nt
et
IE
s
Zt
= IE
IE
Nt
s
Zt
= IE
GY (s)
Nt
= GNt
(GY (s)) = exp(t(GY (s) 1))
car Nt suit la loi de Poisson de paramètre t. On a alors
G
Zt
(s) = tG
Y
(s)GZt
(s) et G
Zt
(s) = tGZt
(s)
`
G
Y
(s) +t(G
Y
(s))
2
.
En prenant la limite quand s tend vers 1, on obtient IE(Zt) = tIE(Y ), et
lim
s1
Zt
(s) = t
`
(var(Y ) IE(Y ) + IE(Y )
2
) +t(IE(Y ))
2
= var(Zt) IE(Zt) + (IE(Zt))

2
do` u var(Zt) = t
`
var(Y ) + IE(Y )
2
= tIE(Y
2
). 2
Exemple :
Le nombre daccidents par jour dans une ville suit un processus de Poisson de paramètre
2 et le nombre de personnes impliquees suit la loi geometrique de paramètre
1
2
. Quelle est la
moyenne et la variance du nombre de personnes accidentees durant une semaine ?
IE(Y ) = 2 et var(Y ) = 2 = IE(Y
2
) IE(Y )
2
do` u IE(Y
2
) = 6 et, pour t = 7, IE(Zt) = 2 7 2 = 28 et
var(Zt) = 2 7 6 = 84. 2
Remarque :
On a IE(N
t
) = t, donc, par exemple, dans le cas de lavion, le nombre moyen de passagers
arrives jusquà linstant t est egal au nombre moyen IE(N
t
) davions arrives jusquà t multiplie
par le nombre moyen de passagers par avion IE(Y ), ce qui parat evident.
27

2.2.6 Processus non homogènes
Soit (X
t
)
t0
un processus de comptage ` a accroissements independants veriant X
0
= 0,
P([X
t+h
= i + 1]/[X
t
= i]) = (t)h +o(h) et P([X
t+h
= i]/[X
t
= i]) = 1 (t)h +o(h).
On note A
n
le n
ième
temps darrivee du processus.
Propriete : X
t
suit la loi de Poisson de paramètre (t) =
_
t
0
(u)du et T
1
= A
1
suit la loi de
densite t (t) exp
_
_
t
0
(u)du
_
1I
]0,+[
(t).
Remarques :
[1] Pour un processus de Poisson (X
t
) dintensite , on a
P([X
t+h
= i + 1]/[X
t
= i]) = h +o(h) et P([X
t+h
= i]/[X
t
= i]) = 1 h +o(h).
cest-à-dire que ne depend pas de t.
[2] Le processus etudie ici est une generalisation du processus de Poisson. Pour (t) =
constant, on retrouve que X
t
suit la loi de Poisson de paramètre (t) = t et que T
1
suit la
loi exponentielle de paramètre .
Preuve : On reprend la methode utilisee pour montrer que, si (Xt) est un processus à accroissements independants,
stationnaire et à evenements rares, alors Xt suit la loi de Poisson P(t) : on pose pn(t) = P([Xt = n]) puis, en
considerant pn(t +h) et en passant à la limite quand h 0, on va etablir une equation dierentielle.
P([X
t+h
= 0]) = P([Xt = 0] [X
t+h
Xt = 0]) = P([Xt = 0])(1 (t)h +o(h)), soit
p0(t +h) p0(t) = (t)hp0(t) +o(h).
Dautre part, pour n 1,
P([X
t+h
= n]) =
X
k
P([Xt = k] [X
t+h
Xt = n k])
= P([Xt = n])(1 (t)h) +P([Xt = n 1])(t)h +o(h)
soit pn(t +h) pn(t) = ((t)pn(t) +(t)pn1(t))h +o(h). On a donc, en divisant par h et en faisant h 0 :
0
(t) +(t)p0(t) = 0
p
n
(t) +(t)pn(t) = (t)pn1(t)
avec p0(0) = 1 et pn(0) = 0 pour n 1.
On resout alors, soit en utilisant les equations dierentielles du premier ordre (et la methode de variation de
la constante), soit à laide de la fonction generatrice de Xt :
G(z, t) =
+
X
n=0
z
n
pn(t).
Première methode :
p
0
(t)
p0(t)
= [ln(p0(t))]
= (t) et ln(p0(t)) ln(p0(0)) =

Z
t
0
(u)du.
Ainsi, p0(t) = P([Xt = 0]) = exp((t)). Dautre part, par la methode de variation de la constante,
pn(t) = C(t) exp((t)) avec C
(t) exp((t)) = (t)pn1(t)

28

et par recurrence, si on suppose que pn1(t) = exp((t))
((t))
n1
(n 1)!
, on a alors C
(t) = (t)
((t))
n1
(n 1)!
et, comme
C(0) = 0 (pn(0) = 0 pour n 1), on a alors C(t) =
((t))
n
n!
et on a bien :
P([Xt = n]) = pn(t) = exp((t))
((t))
n
n!
.
Deuxième methode : On a
G
t
(z, t) + (t)G(z, t) = (t)
+
X
n=1
z
n
pn1(t) = (t)zG(z, t), soit
G
G
= (z 1) et,
comme G(0) = p0(0) = 1, G(z, t) = exp
(z 1)
Z
t
0
(u)du
. On reconnat bien là la fonction generatrice de la

loi de Poisson de paramètre (t) =
Z
t
0
(u)du.
Pour la loi de T1, P([T1 > t]) = P([Xt = 0]) = exp((t)) = 1 FT
1
(t) pour t > 0. On a donc bien
fT
1
(t) = (t) exp((t)) pour t > 0 .
2.3 Processus de Naissance et de mort
Utilises plus particulièrement en biologie, demographie, physique, sociologie, pour rendre
compte de levolution de la taille dune population, les processus de naissance et de mort sont
des processus de Markov continus (T = IR
+
), ` a valeurs dans E = IN tels que les seules tran-
sitions non negligeables possibles ` a partir de k soient vers k + 1 ou vers k 1. Le generateur
innitesimal du processus est donc une matrice dite tridiagonale A = (a
i,j
)
i,jIN
veriant
a
i,j
= 0 si |i j| 2.
On posera a
k,k+1
=
k
et a
k,k1
=
k
pour k 1 ( et a
0,1
=
0
) :
k
represente le
taux de naissance ` a partir de letat k et
k
le taux de mort ` a partir de letat n.
Les les dattente de type Markovien (M/M) sont des cas particuliers très importants de
processus de naissance et de mort. Leur etude complète sera eectuee dans le chapitre suivant.
A =
_
_
_
_
_
_
_
_
0

0
(0)
1
(
1
+
1
)
1
2
(
2
+
2
)
2
3
.
.
.
.
.
.
(0)
.
.
.
.
.
.
.
.
.
_
_
_
_
_
_
_
_
de graphe des taux :
0
1 2 3 n n+1

0 1
2

1
2 3
n
n+1
29

Le graphe des taux de transition est constitue de boudins, les arcs vers la droite representant
les taux de naissance, et ceux vers la gauche les taux de mort. Ces processus sont lanalogue
des chemins aleatoires dans le cas o` u lechelle des temps est continue.
2.3.1 Regime transitoire
On rappelle que si P(t) = (p
i,j
(t)), o` u p
i,j
(t) = P([X
u+t
= j]/[X
u
= i]), alors
P(t) = e
At
=
+
k=0
t
k
k
A
k
.
La loi de X
t
est alors donnee, en theorie, par

(t) =

(0)P(t). (On notera ici, par com-
modite decriture,

(t) = (
n
(t))
nIN
, avec
n
(t) = P([X
t
= n]).
Malheureusement, le calcul de e
At
savère bien souvent très complique (puissances de ma-
trice, puis serie ` a sommer!). On prefèrera, en general, garder lexpression dierentielle, meme si
celle-ci est souvent tout aussi dicile ` a resoudre.
Equations de Kolmogorov : On a

(t) =

(0)P(t) qui redonne, en derivant,

(t) =

(0)P
(t) =

(0)P(t)A =

(t)A,
et donc
j
(t) =
i
(t)a
i,j
, qui donne ici le système suivant, dit dequations de Kolmogorov :
_

0
(t) =
0
0
(t) +
1
1
(t)
n
(t) =
n1
n1
(t) (
n
+
n
)
n
(t) +
n+1
n+1
(t) pour n 1
.
2.3.2 Regime permanent
Lorsque, quand t +, les limites
n
= lim
t+
n
(t) existent et sont independantes de
letat initial du processus, on a alors

=

0 et

A =

0 i.e.

est distribution stationnaire
du processus si le regime permanent existe. Ceci se traduit par les equations dites de balance
_
0 =
0
0
+
1
1
0 =
n1
n1
(
n
+
n
)
n
+
n+1
n+1
pour n 1
que lon retrouve en ecrivant en chaque etat legalite du ux entrant et du ux sortant :
etat 0 :
1
1
=
0
0
;
etat 1 :
2
2
+
0
0
=
1
1
+
1
1
;
.
.
.
etat n :
n+1
n+1
+
n1
n1
=
n
n
+
n
n
;
.
.
.
auxquelles il faut ajouter lequation
+
n=0
n
= 1 pour que

denisse bien une probabilite.
30

Ces equations se simplient successivement pour donner nalement des egalites boudins
par boudins :
_
1
=
0
2
=
1
1
.
.
.
n
=
n1
n1
.
.
.
.
On en deduit alors
n
=

0

n1
1

n
0
pour n 1, avec
0
_
1 +
+
n=1
0

n1
1

n
_
= 1.
31
Elements de theorie des les dattente File dattente unique

Chapitre 3
File dattente unique
Letude mathematique dun système dattente se fait le plus souvent par lintroduction dun
processus stochastique approprie.
En premier lieu, on sinteresse au nombre X
t
de clients se trouvant dans le système ` a
linstant t. En fonction des quantites qui denissent la structure du système, on cherche ` a
calculer :
les probabilites detat
n
(t) = P([X
t
= n]) qui denissent le regime transitoire du
processus (X
t
)
t0
;
le regime stationnaire du processus, deni par
n
= lim
t+
n
(t) = lim
t+
P([X
t
= n]).
`
A partir de la distribution stationnaire du processus (X
t
)
t0
, on pourra obtenir dautres
caracteristiques dexploitation du système telles que :
le nombre moyen L de clients dans le système ;
le nombre moyen L
q
de clients dans la le dattente ;
la duree dattente moyenne W
q
dun client ;
la duree de sejour moyenne W dans le système (attente + service) ;
le taux doccupation des postes de service ;
le pourcentage de clients nayant pu etre servis ;
la duree dune periode dactivite, cest-à-dire de lintervalle de temps pendant lequel il
y a toujours au moins un client dans le système...
Il faut toutefois constater que le calcul explicite du regime transitoire savère penible, voire
impossible, pour la plupart des modèles consideres. Mis ` a part certains modèles particulièrement
faciles ` a traiter, nous nous contenterons donc par la suite de determiner le regime stationnaire
dun phenomène dattente.
Les resultats analytiques portant essentiellement sur des valeurs moyennes, en particulier,
on na pas accès ` a leurs valeurs minimum et maximum qui peuvent etre importantes par exem-
ple dans loptique du dimensionnement de zones de stockage. Dans ce cas, la connaissance des
probabilites detat
n
[notees aussi (n) dorenavant], peut etre très utile.
3.1 Files dattente markoviennes
Les les dattentes makoviennes sont celles pour les lesquelles les interarrivees et les durees
de service sont exponentielles. Leur notation de Kendall sera de la forme M/M/ (M comme
markovien...)
3.1.1 Processus de naissance et de mort general
Letude de ce processus a ete faite au chapitre precedent. Rappelons quil est caracterise par
un nombre n dentites qui evolue de la fa con suivante :
- les arrivees et les departs dentites obeissent ` a des lois exponentielles de taux respectifs
(n) et (n)
32

- la probabilite pour que deux evenements se produisent dans un intervalle de temps dt est
negligeable (hypothèse de regularite : deux evenements ne peuvent pas se produire en meme
temps).
Il y a transition vers un etat voisin, soit par larrivee dun client (naissance), soit par le
depart dun client (mort).
Si
n
(t) est la probabilite pour quil y ait n clients dans le système ` a linstant t, lequation
de Kolmogorov secrit, pour n > 0 :
n
(t +dt) = (1 (
n
+
n
) dt)
n
(t) +
n+1
n+1
(t) dt +
n1
n1
(t) dt +o(dt)
cest-à-dire, en faisant tendre dt vers 0, pour n > 0 :
d
dt
n
(t) = (
n
+
n
)
n
(t) +
n+1
n+1
(t) +
n1
n1
(t).
De la meme fa con, on obtient pour n = 0 :
d
dt
0
(t) =
0
0
(t) +
1
1
(t).
Il est pratiquement impossible de calculer lexpression generale de
n
(t), si ce nest par simu-
lation ` a partir des valeurs
n
(0) qui caracterisent letat initial du système.
Toutefois, si lon suppose quun regime permanent parvient ` a setablir, les probabilites devien-
nent independantes du temps et on a alors, comme on la vu au chapitre 2 :
n
=
0
n1
i=0
i+1
.
avec
0
=
1
1 +
+
n=1
n1
i=0
i+1
.
Le processus de Poisson est un cas particulier du processus de naissance et de mort pour
lequel
n
= 0 et
n
= Cte = mais, dans ce cas, il ny a pas de regime stationnaire.
Les equations dierentielles secrivent alors :
d
dt
0
(t) =
0
(t)
do` u
0
(t) = e
t
.
d
dt
n
(t) = (
n
(t)
n1
(t))
dont la solution est
n
(t) =
(t)
n
e
t
n!
(voir chapitre 2).
3.1.2 La le M/M/1
Cette le est caracterisee par une arrivee poissonienne de taux et une duree de service
exponentielle de taux .
On pose = /.
La le peut etre consideree comme un processus de naissance et de mort, pour lequel :
33
n
=
n
=
_
si n = 0
0 si n = 0
La probabilite detat (en tenant compte que < 1 pour quil y ait un regime permanent) est
donnee par :
_
n
=
0
0
=
1
+
n=0
n
= 1
donc
n
= (1 )
n
.
Tous les paramètres de performances sont calcules dans le cas o` u la le est stable ( < ,
cest-à-dire < 1) et pour le regime stationnaire de la le.
Debit d
Ici d = car
n
= pour tout n 0. Une autre fa con de voir les choses est de remarquer
que le service seectue avec un taux dans chaque etat o` u le système contient au moins un
client :
d = Proba([le non vide]) =
n=1
n
= [1
0
] = =
On retrouve bien que si la le est stable, le debit moyen de sortie est egal au debit moyen
dentree.
Taux dutilisation du serveur U
Par denition, le taux dutilisation est la probabilite pour que le serveur de la le soit occupe
U =
+
n=1
n
= 1
0
= =

.
Nombre moyen de clients L
Le nombre moyen de clients se calcule ` a partir des probabilites stationnaires de la fa con
suivante :
L =
+
n=1
n
n
=
+
n=1
n(1 )
n
= (1 )
+
n=0
(n + 1)
n
= (1 )(1 + 2 + 3
2
+ )
= (1 )
d
d
( +
2
+
3
+ ) = (1 )
d
d
_
1
1
1
_
soit
L =

1
.
34

Temps moyen de sejour W
Ce paramètre est obtenu en utilisant la loi de Little :
W =
L
d
=
1
(1 )
qui peut se decomposer en :
W =
1
+

(1 )
.
On en deduit le temps moyen passe dans la le dattente W
q
:
W
q
=

(1 )
.
Nombre moyen de clients dans la le dattente L
q
:
L
q
= W
q
=

2
1
.
Preuve des formules de Little dans le cas M/M/1 :
On cherche le temps moyen dattente Wq = IE(Tq) dun individu : celui-ci est fonction du nombre de clients
dejà presents lorsquil arrive.
Soit En levenement il y a n clients dans le système lorsque lindividu arrive. On a alors
Wq = IE(Tq) =
+
X
n=0
IE(Tq/En)P(En)
avec IE(Tq/En) =
n
(absence de memoire de la loi exponentielle) et P(En) = n = (1 )

n
o` u =

.
On a alors Wq =
+
X
n=1
n
(1 )
n
=
L
et W = Wq +
1
=
L + 1
.
Or Lq =
+
X
n=1
(n 1)n =
+
X
n=1
nn
+
X
n=1
n = L (1 0) = L .
Comme L =
+
X
n=1
nn =

1
, L + 1 =
1
1
= W, donc L = (L + 1) = W et on a bien L = W.
De meme, Lq = L

W
1
= Wq.
2
3.1.3 La le M/M/1/K
On considère un système ` a serveur simple identique ` a la le M/M/1 excepte que la capacite
de la le dattente est nie. On a donc toujours les hypothèses suivantes : le processus darrivee
des clients dans la le est un processus de Poisson de taux et le temps de service dun client
est une variable aleatoire exponentielle de taux . Soit K la capacite de la le dattente : cest
le nombre maximal de clients qui peuvent etre presents dans le système, soit en attente, soit en
service. Quand un client arrive alors quil y a dejà K clients presents dans le système, il est
perdu. Ce système est connu sous le nom de le M/M/1/K. Lespace detats E est maintenant
ni : E = {0, 1, 2, , K}. La capacite de la le etant limitee, meme si les clients arrivent en
moyenne beaucoup plus vite que ce que le serveur de la le est capable de traiter, dès que celle-ci
35

est pleine, les clients qui se presentent sont rejetes. Le nombre de clients dans la le ne peut donc
jamais partir ` a linni. De plus, dès quun client est autorise ` a entrer, il sortira un jour et son
temps de sejour dans la le est ni, puisquil correspond au temps de service de tous les clients
devant lui et que ce nombre est limite par K. Sur un temps très long, le debit de sortie sera
donc bien egal au debit dentree, ce qui correspond bien ` a la stabilite inconditionnelle du système.
Le processus de naissance et de mort modelisant ce type de le dattente est alors deni de
la fa con suivante :
n
=
_
si n < K
0 si n = K
n
=
_
si n = 0
0 si n = 0
Lintegration de lequation recurrente permettant de calculer
n
se fait alors comme suit :
n
=
0
n
pour n K
n
= 0 pour n > K
0
=
1
K
n=0
n
=
1
1
K+1
si = (et
1
K + 1
si = ).
Debit d : Le debit du système peut etre calcule de deux manières equivalentes : soit en
mesurant le taux de depart des clients en sortie du serveur, d
s
, soit en mesurant le taux darrivee
eectif des clients acceptes dans le système d
e
. On sattend bien s ur ` a obtenir legalite de ces
deux debits.
Le debit en sortie du serveur est egal ` a dès linstant o` u la le nest pas vide :
d
s
= Proba([ le non vide ]) =
K
n=1
n
= [1
0
] =

K+1
1
K+1
Le debit eectif dentree dans la le est egal ` a dès linstant quun client arrive lorsque la le
nest pas pleine :
d
e
= Proba([ le non pleine aux instants darrivee ]) =
K1
n=0
n
= [1
K
] =
1
K
1
K+1
.
Puisque =

, on a bien d
e
= d
s
= d, o` u d est le debit moyen de la le (dentree ou de
sortie) :
d =
1
K
1
K+1
Notons que, lorsque K tend vers linni, on retrouve bien les resultats de la M/M/1, cest-
` a-dire d = , ` a condition que < 1, ce qui correspond ` a la condition de stabilite de la M/M/1.
Taux dutilisation du serveur U(K)
U(K) =
K
n=1
n
= 1
0
=

K+1
1
K+1
=
1
K
1
K+1
36

Ainsi, dans le cas dune le ` a capacite limitee, le taux dutilisation nest plus egal ` a . En
eet, le taux dutilisation est toujours egal au rapport du debit moyen dentree sur le taux moyen
de service (loi de Little) : U =
d
. Mais ici d nest plus egal ` a .

Remarquons que, lorsque K +, U(K) tend vers si < 1 et vers 1 si > 1.
L =
K
n=0
n
n
=
1
1
K+1
K
n=0
n
n
=
(1 )
1
K+1
K
n=1
n
n1
=
(1 )
1
K+1
d
d
_
1
K+1
1
1
_
=
(1 )
1
K+1
1 (K + 1)
K
+K
K+1
(1 )
2
=

1
1 (K + 1)
K
+K
K+1
1
K+1
`
A nouveau, lorsque K tend vers linni et < 1, on retrouve les resultats de la M/M/1 :
L =

1
On considère ici le temps moyen de sejour dun client eectivement admis dans la le
dattente. Cette quantite peut etre obtenue par application de la loi de Little :
W =
L
d
Cas particulier o` u = :
n
=
0
=
1
K + 1
pour n K.
U(K) = 1
0
=
K
K + 1
et d =
K
K + 1
.
Nombre moyen de clients dans la le dattente : L =
K
n=0
n
K + 1
=
K
2
.
Temps moyen dans le système dattente W =
L
d
=
K + 1
2
.
Preuve des formules de Little dans le cas M/M/1/K :
On a ici IE(Tq) =
K1
X
n=1
n
n
=
1
L KK
1
k
, avec
n
=
n
1 K
(client rejete sil y en a dejà K).
L KK =
1 (K + 1)
K
+K
K+1
K
K1
(1 )
2
(1 )(1
K+1
)
=
1 (K + 1)
K
+K
K+1
K
K1
(1 2 +
2
)
(1 )(1
K+1
)
=
1 K
K1
+ (K 1)
K
(1 )(1
K+1
)
1 K = 1

K
(1 )
1
K+1
=
1
K+1
K
+
K+1
1
K+1
=
1
K
1
K+1
37

W = Wq +
1
=
1
(1 K
K1
+ (K 1)
K
)
(1 )(1
K
)
+
1
K
+
K+1
(1 )(1
K
)
=
1
1 (K + 1)
K
+K
K+1
(1 )(1
K
)
=
L(1
K+1
)
(1
K
)
=
L
(1 K)
Or d =
K1
X
n=0
n = (1 K) et on a bien L = d W.
De meme, L Lq =
K
X
n=1
nn
K
X
n=1
(n 1)n =
K
X
n=1
n = 1 0 donc, comme = = (1 0) = d,
Lq = L (1 0) = d W
d
= d
W
1
= d Wq.
2
3.1.4 La le M/M/C
On considère un système identique ` a la le M/M/1 excepte quil comporte C serveurs iden-
tiques et independants les uns des autres. On conserve les hypothèses : processus darrivee
des clients poissonien de taux et temps de service exponentiel de taux (pour chacun des
serveurs). Ce système est connu sous le nom de le M/M/C. Lespace detats E est, comme
pour la M/M/1 inni : E = {0, 1, 2, }. On a un processus de naissance et de mort de taux :
n
=
n
=
_
_
_
0 si n = 0
n si 0 < n < C
C si n C
En eet, lorsque le processus est dans un etat n < C, tous les clients sont en service et sont
donc susceptibles de quitter la le. Pour passer de n clients ` a n 1 clients en un temps dt,
il faut quun des n clients termine son service et que les autres ne terminent pas le leur, ceci
pouvant se produire pour le premier, le deuxième, ..., ou le n-ième client. Pour etre precis, il faut
egalement rajouter quaucun client narrive pendant ce temps dt. La propriete caracteristique
de la loi exponentielle nous dit que la probabilite pour quun client termine son service en un
temps dt est dt + o(dt), la probabilite pour quun client ne termine pas son service est donc
1 dt +o(dt) et la probabilite pour quaucun client narrive est 1 dt +o(dt). La probabilite
recherchee se calcule donc de la fa con suivante :
p
n,n1
(dt) =
_
_
n
j=1
(dt +o(dt))(1 dt +o(dt))
n1
_
_
(1 dt +o(dt))
Un developpement limite au premier ordre nous donne immediatement que
p
n,n1
(dt) = ndt +o(dt)
Le taux de transition de letat n vers letat n1 est donc egal ` a n. De la meme fa con, lorsque
n C, seuls C clients sont en service et sont donc susceptibles de quitter la le, donc de faire
passer le processus de letat n ` a letat n 1. Le taux de transition correspondant est donc egal
` a C. Dans tous les cas, une transition dun etat n vers un etat n +1 correspond ` a une arrivee
38

de client, soit en un temps dt, ` a une probabilite dt +o(dt). Le taux de transition est donc egal
` a .
La condition de stabilite est ici < C et exprime le fait que le nombre moyen de clients
qui arrivent ` a la le par unite de temps doit etre inferieur au nombre moyen de clients que les
serveurs de la le sont capables de traiter par unite de temps.
On peut calculer
n
comme suit :
_

n1
=
n
n pour n = 1, , C 1
n1
=
n
C pour n = C, C + 1,
soit
_
_
_
n
=

n
n1
pour n = 1, , C 1
n
=

C
n1
pour n = C, C + 1,
o` u =

.
On peut alors exprimer toutes les probabilites en fonction de
0
:
_
n
=

n
n!
0
pour n = 1, , C 1
n
=

n
C!C
nC
0
pour n = C, C + 1,
La condition de normalisation nous permet de calculer la probabilite
0
, ` a condition bien s ur
que cette serie converge. On peut aisement verier que la condition de convergence de cette
serie est identique ` a la condition de stabilite de la le, soit < C.
0
=
1
C1
n=0
n
n!
+

C
(C1)!(C)
Lorsque C = 1, on retrouve bien les resultats de la le M/M/1 :
n
= (1 )
n
Tous les paramètres de performances peuvent se calculer dans le cas o` u la le est stable
( < C) donc < C).
Debit d
Le service seectue avec un taux n dans chaque etat o` u le système contient moins de C
clients et avec un taux C dans chaque etat o` u le système contient plus de C clients :
d =
C1
n=1
n
n +
+
n=C
n
C
En rempla cant les expressions obtenues pour les probabilites
n
et
0
, on retrouve bien que
la le est stable, le debit moyen de sortie est egal au debit moyen dentree :
d = .
Pour la le M/M/C, il est plus simple (au niveau des calculs mis en jeu) de calculer dabord
le temps moyen de sejour et den deduire le nombre moyen de clients.
39

Le temps moyen de sejour dun client se decompose en un temps moyen dans la le dattente,
plus un temps moyen de service. Il sut alors dappliquer la loi de Little ` a la seule le :
W = W
q
+S =
L
q
d
+
1
=
L
q
+
1
.
Il reste alors ` a calculer le nombre moyen de clients en attente dans la le, L
q
:
L
q
=
+
n=C
(n C)
n
=
+
n=C
(n C)

n
C!C
nC
0
=

C+1
C!C
+
n=C
(n C)
_
C
_
nC1
0
=

C+1
C!C
1
_
1

C
_
2
0
=

C+1
(C 1)!(C )
2
0
On en deduit lexpression du temps moyen de sejour
W =

C
(C 1)!(C )
2
0
+
1

Le nombre moyen de clients sobtient alors par application de la loi de Little ` a lensemble de
la le :
L = W d = W =

C+1
(C 1)!(C )
2
0
+
3.1.5 La le M/M/
On considère un système compose dun nombre illimite de serveurs identiques et independants
les uns des autres. Dès quun client arrive, il rentre donc instantanement en service. Danc cette
le particulière, il ny a donc pas dattente. On suppose toujours que le processus darrivee des
clients est poissonien de taux et que les temps de service sont exponentiels de taux (pour
tous les serveurs). Ce système est connu sous le nom de le M/M/.
Comme cela a ete fait pour la le M/M/C, on peut facilement demontrer que le taux de
transition dun etat n quelconque vers letat n 1 est egal ` a n et correspond au taux de sortie
dun des n clients en service. De meme, le taux de transition dun etat n vers letat n + 1 est
egal ` a et correspond au taux darrivee dun client.
De fa con intuitive, la capacite de traitement de la le est innie puisque tout nouveau client
se presentant ` a lentree de la le est instantanement traite. La condition de stabilite exprimant
que le nombre moyen de client arrivant ` a la le par unite de temps doit etre inferieure ` a la
capacitede traitement de la le est donc toujours satisfaite.
Soit
n
la probabilite stationnaire detre dans letat n. Les equations dequilibre nous donnent
n1
=
n
n pour n = 1, 2,
soit
n
=

n
n1
pour n = 1, 2, , o` u =

.
On peut alors exprimer toutes les probabilites en fonction de
0
:
n
=

n
n!
0
pour n = 1, 2,
40

La condition de normalisation nous donne alors immediatement
0
:
0
=
1
+
n=0
n
n!
= e
.
Notons que la serie
+
n=0
n
n!
converge pour toutes valeurs de (donc de et de ), ce qui est
coherent avec la stabilite inconditionnelle de la le. On obtient nalement :
n
=

n
n!
e
pour n = 1, 2,
Debit d
Le service seectue avec un taux n dans chaque etat o` u le système contient n clients :
d =
+
n=1
n
n = e
n=1
n
(n 1)!
= e
= = .
On retrouve la stabilite inconditionnelle de la le.
L =
+
n=1
n
n
= e
n=1
n
(n 1)!
= e
=
Intuitivement, le temps moyen passe dans le système est reduit au temps moyen de service,
soit
1
. On peut redemontrer ce resultat en utilisant la loi de Little :

W =
L
d
=

=
1
3.2

Etude de la le M/G/1
3.2.1 Introduction
On revient ` a un système forme dune le FIFO ` a capacite illimitee et dun seul serveur.
Le processus darrivee des clients dans la le est toujours suppose poissonien de taux mais,
maintenant, le temps de service Y dun client est distribue selon une loi qui nest plus supposee
exponentielle. Ce système est connu sous le nom de le M/G/1. En fait, on suppose implicite-
ment que les services successifs sont independants les uns des autres et distribues selon la meme
loi (donc que les variables aleatoires mesurant le temps de service des dierents clients sont
i.i.d.). Il faudrait alors parler dune le M/GI/1, GI faisant reference ` a des lois generales et
independantes les unes des autres.
Une le simple comportant un unique serveur est stable si le nombre moyen de clients qui
arrivent ` a la le par unite de temps est inferieur au nombre moyen de clients que le serveur de
41

la station est capable de traiter, soit < o` u =
1
m
est le taux moyen de service de la le
(avec m = IE(Y )).
3.2.2 Analyse du regime permanent : Methode de la chane de Markov incluse.
Pour etudier simplement ce système, le service netant plus exponentiel, il ne sut donc plus
de savoir quun client est en service, pour predire quand ce service va se terminer. Il faut en
plus savoir depuis combien de temps le service a commence.
Par exemple, dans le cas dun service deterministe de duree 10 secondes, si le service a com-
mence depuis 2 secondes, il se terminera exactement dans 8 secondes alors que, sil a commence
depuis 9 secondes, il se terminera au bout dune seconde.
Cette information est indispensable pour predire levolution future de letat du serveur, donc
du système.
Lidee est de ne sinteresser qu` a des instants particuliers de levolution du système t
k
= D
k+
,
k = 1, 2, , correspondant aux instants de n de service (instants juste après le depart dun
client).
Considerons le processus (N
k
)
k1
= (X
t
k
)
k1
o` u X
t
k
est le nombre de clients juste après le
depart du k
ième
client.
Le processus (N
k
)
k1
est une chane de Marvov ergodique pouvant etre facilement etudiee.
En particulier, on pourra obtenir les probabilites
n
(k) = P([N
k
= n]) pour que le depart du
k
ième
client laisse derrière lui n clients, ainsi que
n
= lim
k+
n
(k).
On va maintenant determiner la matrice de transition P = (q
i,j
) de la chane de Markov
(N
k
)
k1
dite chane de Markov incluse du processus (X
t
)
t0
.
On note
c
la probabilite que c clients arrivent pendant un temps de service. On a
c
=
_
+
0
P([c arrivees pendant t]/Y = t) f
Y
(t) dt =
_
+
0
(t)
c
c!
e
t
f
Y
(t) dt
En eet, les arrivees sont poissoniennes de taux . Si le temps de service etait de duree constante t, la
probabilite pour que c clients arrivent pendant un temps de service t serait egale à
(t)
c
c!
e
t
, par denition du
processus de Poisson. Comme le temps de service est distribue selon une loi generale de densite fY , la duree de
temps de service est egale à t à dt près avec une probabilite egale à fY (t) dt.
Notons alors q
i,j
la probabilite de transition de letat i vers letat j. On a :
_
_
_
q
0,j
=
j
si j 0
q
i,j
=
ji+1
si 1 i j + 1
q
i,j
= 0 sinon.
En eet,
si N
k
= 0, [N
k+1
= j] correspond ` a larrivee de j clients pendant le service du (k +1)
ième
client ;
si N
k
= i, on a [N
k+1
= j] si N
k+1
N
k
= j i, ce qui correspond ` a larrivee de j i +1
clients, car il ne faut pas oublier que le (k + 1)
ième
client vient de partir.
La matrice de la chane de Markov incluse est donc :
42

P =
_
_
_
_
_
_
_
_
_
_
_
0

1

2

3

4

0

1

2

3

4

0
0

1

2

3

0 0
0

1

2

0 0 0
0

1

0 0 0 0
0

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_
_
_
_
_
_
_
_
_
_
_
On pourrait montrer que cette chane de Markov est irreductible, aperiodique et recurrente
positive si elle est stable (cest-à-dire si < ). On peut alors armer que le vecteur

des
probabilites stationnaires existe et est solution du système

=

P (avec bien s ur
+
n=0
n
= 1).
La chane de Markov (N
k
) est irreductible et admet donc une unique distribution station-
naire, qui est aussi distribution limite de X
t
. Le theorème suivant permet, entre autre, de
determiner L :
Theorème : Si (z) =
+
n=0
n
z
n
, si A(z) =
+
n=0
n
z
n
et si =

, alors :
(z) =
(1 )A(z)(z 1)
z A(z)
et L = +

2
+
2
var(Y )
2(1 )
.
Preuve : La distribution stationnaire

doit verier

=

P soit j =
+
X
i=0
iqi,j, ce qui secrit egalement
j = j0 +
j+1
X
i=1
ji+1i = j0 +
j+1
X
i=0
ji+1i j+10.
Si lon multiplie cette equation par z
j
et si lon somme sur j, on a :
(z) = 0A(z) +
1
z
+
X
j=0
aj+1z
j+1
0
z
(A(z) 0),
o` u aj =
j
X
i=0
jii et donc
1
z
+
X
j=0
aj+1z
j+1
=
1
z
(A(z)(z) 00). Ainsi,
(z) =
0A(z)(z 1)
z A(z)
.
On fait alors un developpement limite de A(z) à lordre 2 en 1 :
A(1 +h) = A(1) +A
(1)h +
1
2
A
(1)h
2
+o(h
2
)
puis
(1 +h) = 0h
1 +A
(1)h +
1
2
A
(1)h
2
+o(h
2
)
1 +h 1 A
(1)h
1
2
A
(1)h
2
+o(h
2
)
= 0
1 +A
(1)h +
1
2
A
(1)h
2
+o(h
2
)
1 A
(1)
1
2
A
(1)h +o(h)
=
0
1 A
(1)
1 +A
(1)h +o(h)
1
A
(1)
2(1 A
(1))
h +o(h)
1
=
0
1 A
(1)
1 +
(1) +
A
(1)
2(1 A
(1))
h +o(h)
.
43

On en deduit, comme (1 + h) = 1 + h
(1) + o(h) = 1 + Lh + o(h), que 0 = 1 A
(1) et que L =
A
(1) +
A
(1)
2(1 A
(1))
. Or
A(z) =
+
X
j=0
jz
j
=
+
X
j=0
z
j
Z
+
0
e
t
(t)
j
j!
fY (t) dt =
Z
+
0
e
t
e
zt
fY (t) dt
donc A
(1) =
Z
+
0
tfY (t)dt = IE(Y ) =

= et
A
(1) =
2
Z
+
0
t
2
fY (t)dt =
2
IE(Y
2
) =
2
(var(Y ) + IE(Y )
2
) =
2
var(Y ) +
2
,
ce qui donne bien le resultat.
2
Determination des autres paramètres de performances
Debit : d =
Taux dutilisation du serveur U : U =
+
n=1
n
= 1
0
= =

Temps moyen de sejour W : daprès la formule de Little

W =
1
+
IE(Y )
2
+ var(Y )
2(1 )
Remarque : Tous les paramètres de performances moyens d, U, L, W ne dependent donc que
des deux premiers moments de la loi de service ainsi bien s ur que du taux darrivee , bien que
les deux premiers moments dune loi ne susent pas ` a la caracteriser, (des variables aleatoires
dierentes pouvant, en eet avoir leurs deux premiers moments identiques).
3.2.3 Mise en oeuvre de lanalyse de la valeur moyenne
On calcule directement les performances moyennes de la le. Si L
q
est le nombre moyen de
clients dans la le dattente seule :
L
q
=
+
n=0
nProba([n clients dans la le]) =
+
n=0
n
n+1
=
+
n=1
(n 1)
n
Lorsquun client arrive dans le système :
- soit il trouve 0 client et son temps dattente dans la le est nul ;
- soit il trouve n clients et son temps dattente dans la le est : le temps moyen residuel du
client en service t
r
+ le temps de service des n 1 clients en attente devant lui dans la le.
Le temps residuel du client en service est deni comme le temps quil reste au serveur, au
moment o` u un client arrive dans la le, pour terminer son service. On en deduit lexpression du
temps moyen dattente dans la le :
W
q
=
0
0 +
+
n=1
n
[t
r
+ (n 1)m]
44

En combinant les deux relations precedentes, et en appliquant la formule de Little ` a la le,
on obtient :
W
q
= (1
0
)t
r
+m
+
n=1
(n 1)
n
= (1
0
)t
r
+mL
q
= t
r
+mW
q
= t
r
+W
q
soit W
q
=

1
t
r
.
Il ne reste plus qu` a calculer le temps moyen residuel de service.
Propriete : Dans une le M/G/1, le temps moyen residuel de service t
r
vu par larrivee dun
client dans la le est
t
r
=
m
2
_
1 +
var(Y )
m
2
_
Preuve : Le processus darrivee des clients dans la le est Poissonien.
Vis-à-vis du client en service, un client arrive donc dans la le à une instant quelconque dans le temps et
a plus de chance de tomber sur un service long que sur un service court. Plus precisement, la probabilite de
tomber sur un service de longueur t (à dt près) est proportionnelle à t, ainsi bien s ur quà la frequence avec
laquelle un service de longueur t (à dt près) a lieu. On note Z la variable aleatoire mesurant la duree dun service
vue par larrivee dun client (qui donc est dierente de la variable aleatoire Y mesurant la duree dun service).
La probabilite fZ(t) dt sobtient donc de la facon suivante :
fZ(t) dt = KtfY (t) dt
o` u K est la constante de proportionalite.
An dobtenir la valeur de K, il sut dintegrer les deux cotes de lequation :
1 =
Z
+
0
fZ(t) dt = K
Z
+
0
tfY (t) dt = Km
o` u m est le temps moyen de service. On en deduit donc que K =
1
m
.
Dès linstant quun client arrive et tombe sur un service de longueur t, on peut supposer quil a autant de
chance de tomber au debut, au milieu ou à la n du service. En dautres termes, la variable aleatoire mesurant
le temps residuel de service, conditionnee par le fait que le service est de longueur t (à dt près), est uniforme sur
lintervalle [0, t]. Le temps residuel de service, toujours conditionne par le fait que le service est de longueur t est
donc egal à
t
2
.
On en deduit le temps moyen residuel de service (inconditionnel) :
tr =
Z
+
0
t
2
fZ(t) dt =
1
2m
Z
+
0
t
2
fY (t) dt =
m2
2m
o` u m2 = IE(Y
2
) = m
2
+ var(Y ) est le moment dordre 2 de la loi de service. Do` u le resultat attendu :
tr =
m
2
1 +
var(Y )
m
2
.
2
Remarque : Pour une le M/M/1, var(Y ) =
1
2
= m
2
donc t
r
= m, ce qui est logique, vu
le caractère sans memoire de la loi exponentielle. Pour une le M/D/1, var(Y ) = 0 et donc
t
r
=
m
2
, ce qui est tout ` a fait intuitif, car si le service est toujours de duree egale ` a m, un client
arrivant ` a un instant quelconque devra attendre, en moyenne, un temps
m
2
avant que le service
se termine.
45

3.2 La le G/M/1
On considère toujours un système forme dune le FIFO ` a capacite illimitee et dun seul
serveur. Le processus darrivee des clients dans la le nest, cette fois-ci, plus suppose pois-
sonien. En revanche, le service dun client est suppose exponentiel de taux . Ce système est
connu sous le nom de le G/M/1. Comme pour la le M/G/1, il faudrait en fait parler dune le
GI/M/1 car on suppose implicitement que le processus darrivee des clients est un processus de
renouvellement, donc que les interarrivees successives sont independantes les unes des autres et
distribuees selon une meme loi. Soit T la variable aleatoire mesurant le temps separant larrivee
de deux clients consecutifs. On notera f
T
la densite de la loi de T, A
sa transformee de Laplace
et m
k
= IE(T
k
) pour tout k 1, avec m
1
= m.
On rappelle quune le simple est stable si le nombre moyen de clients qui arrivent ` a la le
par unite de temps est inferieur au nombre moyen de clients que le serveur de la station est
capable de traiter, soit < o` u =
1
m
est le taux moyen darrivee des clients dans la le.
Lidee est ici de ne sinteresser quaux instants darrivee des clients. Considerons le processus
(N
k
) = (X
A
k
)
k1
: nombre de clients juste avant larrivee du k
ième
client. Le processus
(N
k
)
k1
est une chane de Markov discrète pouvant etre facilement etudiee. En particulier, on
pourra obtenir les probabilites
n
(k) = P([N
k
= n]) pour que le k
ième
client trouve en arrivant
n clients dans la le. Si la chane est ergodique, on pourra egalement calculer les probabilites
stationnaires aux instants darrivee :
n
= lim
k+
n
(k).
On note
c
la probabilite pour que c clients terminent leur service pendant un temps darrivee.
On a alors :
c
=
_
+
0
(t)
c
c!
e
t
f
T
(t) dt
En eet, les services consecutifs etant des variables aleatoires exponentielles de taux et independantes les
unes des autres, tant quil reste des clients dans la le, le processus de sortie des clients est donc un processus de
Poisson de taux . Si le temps dinterarrivee etait de duree constante t, la probabilite pour que c clients quittent
la le pendant un temps t serait donc egale à
(t)
c
c!
e
t
. Comme le temps dinterarrivee est distribue selon une
loi generale de densite de probabilite fT , la duree separant larrivee consecutive de deux clients est egale à t à dt
près avec une probabilite fT (t) dt.
La matrice de la chane de Markov incluse est alors :
P =
_
_
_
_
_
_
_
1

0
0 0 0
2

1

0
0 0
3

2

1

0
0
4

3

2

1

0

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
_
_
_
_
_
_
_
En eet, si N
k
= i, le k
ième
client a trouve en arrivant i clients dans le système. Le client
suivant trouvera alors i +1 clients si pendant linterarrivee, aucun client na termine son service,
i clients dans la le si un client a termine son service et, de fa con generale i +1c clients dans la
le si pendant le temps separant larrivee du k
ième
client de celle du (k +1)
ième
client, c clients
ont termine leur service et quitte la le. Ainsi, si q
i,j
est la probabilite de transition de letat i
vers letat j, on a q
i,j
= 0 si j > i + 1 et
46

q
i,j
=
i+1j
pour tout j i + 1
On pourrait alors montrer que le vecteur

des probabilites stationnaires existe et est solu-
tion du système

=

P. Ce système secrit :
k
=
+
i=k1
ik+1
pour k = 0, 1,
On a alors le resultat suivant :
Propriete : Les probabilites stationnaires
n
possèdent une distribution geometrique
n
= (1 )
n
o` u est lunique solution strictement comprise entre 0 et 1 de lequation
= A
( ).
Preuve : On cherche une solution du système de la forme n = K
n
o` u K est une constante :
K
k
=
+
X
i=k1
K
i
ik+1
En divisant les deux cotes de legalite par K
k1
, on obtient :
=
+
X
i=k1
ik+1
ik+1
=
+
X
j=0
j
j
En posant T(z) =
+
X
k=0
k
z
k
la transformee en z des probabilites
k
, on a immediatement que est solution de
lequation = T(). On admettra que cette equation possède une unique solution telle que 0 < < 1.
Par ailleurs, un calcul similaire à celui eectue dans la preuve de la propriete 3 nous permet de relier T(z) à
la transformee de Laplace de la loi dinterarrivee, de la facon suivante : T(z) = A
( z). est donc lunique

solution de lequation = A
( ).
Il reste alors à determiner lexpression de la constante K. La condition de normalisation des probabilites n
nous donne immediatement K = 1 .
2
Pour calculer les probabilites stationnaires de la le G/M/1, il sut donc de calculer la
transformee de Laplace de la fonction densite de probabilite f
T
de la loi generale dinterarrivee
et de resoudre lequation = A
( ). Notons que = 1 est toujours solution de cette

equation (car la normalisation de f
T
implique que A
(0) = 1). Cela permet dans tous les cas de

diminuer de un le degre de lequation engendree.
Nous allons appliquer cette relation ` a lexemple particulier le plus simple dune le G/M/1 :
celui dune le M/M/1. Le temps dinterarrivee est distribue selon une loi exponentielle de taux
. La transformee de Laplace de la distribution dinterarrivee est donc A
(s) =

+s
. On
resout alors le système = A
( ) :
=

+
soit
2
( +) + = 0
47

dont la seule racine strictement comprise entre 0 et 1 est = =

. On retrouve alors le
resultat de la le M/M/1 :
n
= (1 )
n
.
Les paramètres de performances sont toujours calcules lorsque la le est stable ( < ) et
pour le regime stationnaire.
Debit d =
Taux dutilisation du serveur : U = IE(Y ) d =

(loi de Little appliquee au serveur)

Temps moyen de sejour : W =
1
+

(1 )
Preuve directe : On calcule le temps moyen dattente dans la le Wq.
Lorsquun client arrive, il trouve, avec une probabilite n, n clients dans le système, donc n 1 clients en
attente et un client en service. Il devra donc attendre que le client en service termine son service, puis que les
n1 clients devant lui dans la le eectuent un service complet. La propriete sans memoire de la loi exponentielle
nous dit que le temps moyen residuel de service est egal au temps moyen de service, soit
1
. Wq sexprime donc :
Wq =
+
X
n=0
n
1
n =
1
+
X
n=0
n
n
=

(1 )
.
Le temps moyen de sejour W est nalement egal à W = Wq + IE(Y ) =

(1 )
+
1
.
Nombre moyen de clients : L = W d = +

1
(par la formule de Little)
3.3 Extensions à la le G/G/1
Nous indiquons ici, sous forme dexercice, une methode pour traiter le cas general, methode
qui fournit egalement le regime transitoire. Malheureusement, les integrales rencontrees sont la
plupart du temps impossibles ` a calculer : il ne reste plus alors qu` a utiliser cette methode avec
laide dun ordinateur...
Cet exercice, traite en particulier complètement le cas M/M/1, et meme le cas dune im-
patience a posteriori des clients (o` u les clients se sont donnes une limite
0
de temps dans le
système ` a ne pas depasser).
Pour resoudre cet exercice, il est necessaire davoir quelques connaissances elementaires sur
la transformee de Laplace, dont nous rappelons dabord les principales proprietes.
48

Rappel sur la transformee de Laplace :
Pour f : IR
+
IR
+
, et pour p > 0, on pose :
L(f)(p) = f(p) =
_
+
0
e
px
f(x)dx.
Proprietes :
1) Si f : x 1, L(f)(p) =
1
p
.
2) Si f : x e
x
g(x), L(f)(p) = L(g)(p +) ; en particulier, avec g = 1, L(f)(p) =
1
p +
.
3) L(f
)(p) = f(0) +pL(f)(p).

4) L(f g) = L(f)L(g), si f g(x) =
_
x
0
f(u)g(x u)du.
Notations :
Pour le k
ième
client qui se presente dans le système, on note
A
k
linstant de son arrivee ;
D
k
linstant de son depart ;

k
= A
k
A
k1
lintervalle de temps entre la (k 1)
ième
arrivee et la k
ième
;
W
qk
le temps dattente dans la le, eventuellement nul, du k
ième
client ;
Y
k
le temps de service du k
ième
client ;
W
k
le temps passe dans le système par le k
ième
client.
On suppose que la loi de
k
est independante de k, de densite a, et que la loi de Y
k
est
independante de k, de densite v, de fonction de repartition H. On note F
k
la fonction de
repartition de W
qk
et G
k
la fonction de repartition de W
k
.
1) Exprimer W
k
en fonction de W
qk
et de Y
k
. En deduire que, pour tout x > 0,
G
k
(x) =
_
x
0
F
k
(x t)v(t)dt.
2) Exprimer W
qk
en fonction de W
k1
et de
k
. En deduire que, pour tout x > 0,
F
k
(x) =
_
+
0
G
k1
(x +t)a(t)dt.
3) Determiner F
1
(x) et montrer que les resultats precedants permettraient de determiner
F
k
(x) et G
k
(x) pour tout k.

Ecrire les equations veriees par F et G en regime permanent.
4) On se propose de resoudre ces equations dans le cas M/M/1.
i) Montrer que F(x) = e
x
F(0) e
x
_
x
0
e
t
G(t)dt pour tout x > 0, puis que
F(p) =
F(0) G(p)
p
et que G(p) =
F(p)
+p
.
ii) En deduire que F(p) =
p +
p(p + )
F(0), puis que F(x) =
_
e
()x
_
F(0)

. Mon-
trer enn que F(x) = 1
e
()x
et que G est la fonction de repartition dune loi exponentielle
49

de paramètre .
5) Dans le cas avec impatience a posteriori, on pose

W
k
= W
qk
+

Y
k
= min(W
k
,
0
).
Exprimer

Y
k
en fonction de Y
k
, de
0
et de W
qk
. En deduire quen regime permanent :
G(x) =
_
_
_
_
x
0
H(x t)dF(t) si x
0
1 si x >
0
et en deduire la probabilite quune personne quitte le système avant la n de son service.
50
Elements de theorie des les dattente Reseaux de les dattente ` a forme produit
Chapitre 4
Reseaux de les dattente à forme produit
Comme on la dit au chapitre 1, un reseau de les dattente est un ensemble de les dattente
interconnectees. Rappelons que lon classe les reseaux de les dattente en deux categories :
- les reseaux de les dattente monoclasses, dans lesquels circule une seule classe de clients,
- les reseaux de les dattente multiclasses, dans lesquels circulent plusieurs classes de
clients, ces dierentes classes pouvant se distinguer par un schema de routage specique et
par des comportements dierents au niveau de chaque station, tant au niveau du service que de
lordonnancement de lattente.
Dans le cas de reseaux monoclasses, on fait egalement la distinction :
- reseaux ouverts ;
- reseaux fermes.
Dans le cas de reseaux multiclasses, il faut preciser pour chaque classe de clients sil sagit
dune classe ouverte ou dune classe fermee. Si toutes les classes de clients sont des classes
ouvertes, on parlera de reseaux purement ouverts et si toutes les classes de clients sont des
classes fermees, on parlera de reseaux purement fermes. Un reseau parcouru ` a la fois par des
classes ouvertes et des classes fermees sera qualie de reseau mixte.
4.1. Cas general dun reseau monoclasse
4.1.1 Notations generales
M : nombre de les dattente dans le reseau (stations)
n
i
: nombre de clients dans la le dattente i
n =
M
i=1
n
i
: nombre total de clients dans le reseau
(n) : debit instantane, fonction de n, de clients arrivant de lexterieur.
On neglige le temps de transport entre les les dattente ; les zones dattente sont supposees
de capacite innie.
On suppose les routages probabilistes : quand un client a plusieurs destinations possibles ` a
la n dun service, il fait son choix suivant une certaine distribution de probabilite et on note :
- p
0i
la probabilite quun client qui arrive dans le système se rende ` a la station i,
- p
ij
la probabilite quun client qui termine son service ` a la station i se rende ` a la station j,
- p
i0
la probabilite quun client qui termine son service ` a la station i quitte le système.
On a, avec la convention p
00
= 0 :
M
j=0
p
ij
= 1 pour i = 0, , M.
Exemple : Station de ski avec plusieurs remontees....
51
4.1.2.

Equation des ux
Notons
j
(n) le taux darrivee ` a la le dattente j : ce taux se decompose en p
0j
(n) venant
de lexterieur et p
ij
i
(n) venant de la le i, pour i = 1, , M.
On a donc les egalites :
j
(n) = p
0j
(n) +
M
i=1
p
ij
i
(n), j = 1, , M (4.1)
Le système (4.1) a une solution unique

(n) = (
1
(n), ,
M
(n)) dès que la chane de
Markov associee est ergodique.
j
(n) depend de n et on peut poser, pour tout j [[1; M]],
j
(n) = e
j
(n) o` u les e
j
, taux de
visite dans chaque le dattente j, sont les solutions du système :
e
j
= p
0j
+
M
i=1
p
ij
e
i
, j = 1, , M. (4.2)
4.1.3

Equations dequilibre dans le cas Markovien
On suppose les interarrivees de clients venant de lexterieur exponentielles, de taux (n), et
les lois de service exponentielles, de taux respectifs
i
(n
i
).
Le processus aleatoire

N(t) = (N
1
(t), , N
M
(t)), o` u N
i
(t) designe le nombre de clients
dans la le dattente i ` a linstant t, est clairement un processus de Markov, dont lespace des
etats est IN
M
. Les transitions possibles ` a partir dun etat

n sont :
0 i Arrivee, de lexterieur, dun client ` a la le dattente i ; letat nal est
(n
1
, , n
i1
, n
i
+ 1, n
i+1
, , n
M
) =

n +
I
i
o` u

I
i
est le vecteur nul sauf la i-ième composante qui vaut 1.
i 0 Depart dun client de la le dattente i vers lexterieur ; letat nal est
(n
1
, , n
i1
, n
i
1, n
i+1
, , n
M
) =

n
I
i
i j Arrivee dun client ` a la le dattente j en provenance de i ; letat nal est
(n
1
, , n
i1
, n
i
1, n
i+1
, , n
j1
, n
j
+ 1, n
j+1
, , n
M
) =

n
I
i
+
I
j
Les transitions simultanees ont des probabilites innitesimales negligeables. Le taux de sortie
de letat

n est donc (en remarquant que lon a toujours
i
(0) = 0) :
q(
n ) =
M
i=1
p
i0
i
(n
i
) +
M
i=1
p
0i
(n) +
M
i=1
j=i
p
ij
i
(n
i
) =
M
i=1
i
(n
i
)(1 p
ii
) +(n)
Le taux de transition vers letat

n est forme de trois types de termes :
0 i Flux venant des etats

n
I
i
: q(
I
i
,
n ) = (n 1)p
0i
i 0 Flux venant des etats

n +
I
i
: q(
n +
I
i
,
n ) =
i
(n
i
+ 1)p
i0
j i Flux venant des etats

n
I
i
+
I
j
: q(
I
i
+
I
j
,
n ) =
j
(n
j
+ 1)p
ji
.
52
Soit (
n ) la probabilite asymptotique de letat

n . Les equations de transition ` a lequilibre
stochastique traduisant que le taux de sortie de letat

n est egal aux taux de transition vers
letat

n , secrivent :
(
n )q(
n ) =
=

n
(
)q(
n ) pour tout

n
soit, pour tout

n ,
(
n )
_
M
i=1
i
(n
i
)(1 p
ii
) +(n)
_
= (n 1)
M
i=1
p
0i
(
I
i
)
+
M
i=1
i
(n
i
+ 1)p
i0
(
n +
I
i
) (4.3)
+
M
i=1
j=i
j
(n
j
+ 1)p
ji
(
I
i
+
I
j
)
Le système dequations (4.3) ne peut etre resolu que si on a une idee de la forme de la solution
i.e de (
n ) ; et meme en devinant cette solution, la verication sur le système est delicate. Le

reseau de les dattente sera simple ` a etudier si on peut exprimer ses valeurs caracteristiques en
fonction des valeurs caracteristiques des guichets qui le composent. Do` u :
Denition : Un reseau de le dattente sera dit ` a forme produit si et seulement si ses proba-
bilites detats (
n ) se mettent sous la forme

(
n ) =
1
G
M
i=1
(n
i
)
o` u G est une constante de normalisation assurant que

n
(
n ) = 1.
4.2 Les reseaux monoclasses ouverts à taux constants
Dans un reseau ouvert, les clients arrivent dans le système depuis lexterieur. Après avoir
accompli un certain nombre doperations, ils quittent le système. De meme que pour les les
dattente simples, o` u la le M/M/1 est la plus simple ` a etudier, on sinteresse ici aux reseaux
de les dattente ouverts comportant :
- une seule classe de clients ;
- un processus darrivee des clients dans le système poissonien de taux , independant de n ;
- un seul serveur ` a chaque station ;
- un temps de service exponentiel ` a chaque station de taux
i
, independant de n ;
- une capacite de stockage illimitee ` a toutes les stations ;
- une discipline de service FIFO pour toutes les les ;
Ces reseaux sont connus sous le nom de Reseaux de Jackson ouverts.
Pour la le M/M/1, la condition de stabilite
1
>
1
traduisait le fait que le temps moyen

entre deux arrivees devait etre superieur au temps moyen necessaire au traitement dun client.
Ici, en appliquant le meme raisonnement ` a chacune des les, on obtient la condition
1
>
e
i
i
53
pour i = 1, , M, soit, en posant
i
= e
i
le taux darrivee des clients ` a la station i, on a :
condition de stabilite du système :
i
<
i
, pour i = 1, , M .
4.2.1 Calcul des taux de visite
On suppose que le reseau est stable et donc que pour chaque station
i
<
i
avec
i
= e
i
o` u les taux de visites e

i
satisfont le système (4.2) :
e
i
= p
0i
+
M
j=1
e
j
p
ji
pour i = 1, , M.
En pratique :
- On calcule les taux de visite e
i
` a laide du système (4.2) ` a M equations ` a M inconnues,
en general extrement simple ` a resoudre (voir exercice) et on en deduit les taux darrivee aux
dierentes stations :
i
= e
i
pour i = 1, , M ;
- On verie la condition de stabilite du reseau :
i
<
i
, i = 1, , M ;
- Si la condition est satisfaite, on peut poursuivre letude du reseau, sinon, il faut modier
les paramètres du système.
4.2.2 Analyse du regime permanent
Un reseau de Jackson est decrit par le processus (
N(t))
t0
o` u

N(t) = (N
1
(t), , N
M
(t))
avec N
i
(t) nombre de clients presents dans la station i au temps t.
Le système dequations qui semblait a priori fort complique dans le cas general, possède
ici une solution extremement simple. Cette solution nous est donnee par la propriete suivante,
connue sous le nom de theorème de Jackson :
Propriete : La probabilite stationnaire du reseau possède la forme produit suivante :
(
n ) =
M
i=1
i
(n
i
)
o` u (
i
(n
i
)) est la probabilite stationnaire dune le M/M/1 ayant un taux darrivee
i
et un
taux de service
i
, soit
i
(n
i
) = (1
i
)
n
i
i
o` u
i
=

i
i
.
Preuve : La solution etant unique, il sut de verier que cette expression est bien solution du système
dequations (4.3) connu sous le nom dequations de balances globales, qui devient, avec les taux constants (on
rajoute en plus
M
X
i=1
ipii(

n ) dans chaque membre) :
(

n )
X
i;n
i
>0
i +
!
=
X
i;n
i
>0
p0i(

n

Ii ) +
M
X
j=1
jpj0(

n +

Ij ) +
X
i;n
i
>0
M
X
j=1
jpji(

n

Ii +

Ij )
Pour cela, on transforme tout dabord le système en divisant les deux cotes de legalite par (

n ) :
X
i;n
i
>0
i + =
X
i;n
i
>0
(

n

Ii )
(

n )
p0i +
M
X
j=1
(

n +

Ij )
(

n )
jpj0 +
X
i;n
i
>0
M
X
j=1
(

n

Ii +

Ij )
(

n )
jpji.
54
On remplace alors les probabilites stationnaires par leur expression :
X
i;n
i
>0
i + =
X
i;n
i
>0
1
i
p0i +
M
X
j=1
jjpj0 +
X
i;n
i
>0
M
X
j=1
j
i
jpji.
En utilisant la denition de i =
i
i
et de i = ei:
X
i;n
i
>0
i + =
X
i;n
i
>0
i
ei
p0i +
M
X
j=1
ejpj0 +
X
i;n
i
>0
M
X
j=1
ej
ei
ipji.
On va alors verier que cette egalite segalise en deux parties. Tout dabord, legalite :
=
M
X
j=1
ejpj0 =
M
X
j=1
jpj0
est bien veriee puisquelle exprime simplement legalite entre le debit moyen dentree dans le système , et le
debit moyen de sortie du système
M
X
j=1
jpj0 (somme des debits de sortie vers lexterieur de chaque station).
Il reste alors à verier la deuxième partie de lequation :
X
i;n
i
>0
i =
X
i;n
i
>0
i
ei
p0i +
X
i;n
i
>0
M
X
j=1
ej
ei
ipji.
Il est clair que si cette equation est veriee pour tout i = 1, , M, par sommation sur i, on obtient legalite
souhaitee. Il sut alors de multiplier les deux cotes de legalite par ei et de les diviser par i pour obtenir
ei = p0i +
M
X
j=1
ejpji
et cette relation est bien satisfaite puisque cest celle qui permet de denir le taux de visite ei. 2
Remarque : Un reseau de Jackson est donc equivalent ` a un ensemble de les M/M/1 et la
probabilite stationnaire (
n ) du reseau est egale au produit des probabilites marginales

i
(n
i
)
de chacune des les etudiees en isolation.
On peut noter que la solution stationnaire du reseau ` a forme produit veriant les hypothèses
de Jackson ne depend du routage des clients dans le reseau quau travers des taux de visite. En
dautres termes, la solution depend explicitement des e
i
mais pas des p
ij
. En consequence, deux
reseaux peuvent avoir la meme solution stationnaire meme sils ont des routages foncièrement
dierents, pourvu quils aient les memes taux de visite. Ainsi, on caracterise un reseau ` a forme
produit en donnant, pour chaque station i, le taux de service
i
et le taux de visite e
i
.
4.2.3 Calcul des paramètres de performances
Les paramètres de performances, debit moyen, nombre moyen de clients, temps moyen de
sejour, doivent pouvoir etre calcules par le ou pour lensemble du reseau :
Station i Reseau
Debit moyen d
i
d
i
L
i
W
Les paramètres de performances de chaque station se deduisent de la decomposition en les
M/M/1 :
55
d
i
=
i
= e
i
; L
i
=

i
1
i
avec
i
=

i
i
; W
i
=
L
i
d
i
=
1
i
Les paramètres de performances du reseau sen deduisent alors immediatement :
d = ; L =
M
i=1
L
i
et W =
L
d
=
L
.
Remarque : Le developpement de lexpression du temps moyen de sejour donne
W =
L
=
M
i=1
L
i
=
M
i=1
e
i
L
i
i
=
M
i=1
e
i
W
i
Ainsi, un client qui arrive dans le reseau passe en moyenne e
i
fois par la station i et y reste en
moyenne W
i
. Son temps moyen de sejour dans le système est donc la somme des temps moyens
de sejour ` a chaque station ponderee par le nombre moyen de passages par les dierentes stations.
4.2.4 Extension au cas de stations multiserveurs
On conserve les hypothèses precedentes, excepte que chaque station peut comporter plusieurs
serveurs identiques (et independants les uns des autres). Soit C
i
le nombre de serveurs de la
station i. Chacun de ces serveurs est exponentiel et de meme taux
i
. Les taux de visite e
i
et
les taux moyen darrivee
i
se calculent alors de la meme fa con que dans le cas monoserveur.
La condition de stabilite du reseau est alors la suivante :
Condition de stabilite du système :
i
< C
i
i
pour i = 1, , M
Sous cette condition, le reseau est equivalent ` a un ensemble de les M/M/C, et on a :
(
n ) =
M
i=1
i
(n
i
)
o` u
i
(n
i
) est la probabilite stationnaire dune le M/M/C ayant un taux darrivee
i
= e
i
, un
taux de service
i
et comportant C
i
serveurs.
Lanalyse du reseau se reduit donc, comme dans le cas monoserveur, ` a lanalyse de M les
simples qui sont ici des M/M/C. La demonstration de cette propriete est similaire ` a celle pour
le cas M/M/1.
4.2.5 Extension au cas de stations à taux de service dependant de letat
On peut egalement etendre le theorème de Jackson au cas de stations ayant un taux de
service dependant de letat. Soit
i
(n
i
) le taux de service de la station i. Celui-ci depend du
nombre n
i
de clients presents ` a la station i ` a un instant donne. Nous avons dejà vu quune
station multiserveurs (comportant C
i
serveurs identiques) est un cas particulier dune station ` a
taux de service dependant de letat pour laquelle :
i
(n
i
) =
_
n
i
i
si n
i
< C
i
C
i
i
si n
i
C
i
.
56
Les taux de visite e
i
et les taux moyens darrivee
i
se calculent alors de la meme fa con que
dans le cas monoserveur. La condition de stabilite du reseau exprime ` a nouveau que le reseau
est stable si les dierentes stations qui le composent sont stables. Le taux darrivee ` a la station
i etant
i
, nous avons vu pour les les simples que la condition de stabilite de la station pouvait
sexprimer :
+
n=1
n
i
n
k=1
i
(k)
< + pour i = 1, , M.
Sous cette condition, le reseau est equivalent ` a un ensemble de les M/M/(n) et la pro-
babilite stationnaire (
n ) du reseau est egale au produit des probabilites marginales

i
(n
i
) de
chacune des les etudiees en isolation.
(
n ) =
M
i=1
i
(n
i
)
o` u
i
(n
i
) est la probabilite stationnaire dune le M/M/(n) ayant un taux darrivee
i
= e
i
et un taux de service
i
(n
i
) dependant de letat.
Lanalyse du reseau se reduit donc ` a nouveau ` a lanalyse de M les simples qui sont cette
fois-ci des M/M/(n). Une telle le est un cas particulier de la le markovienne pour laquelle
le taux darrivee est independant du nombre de clients dans la le (donc pour la le i, (n) =
i
et (n) =
i
(n
i
) pour tout n).
4.3 Les reseaux monoclasses fermes à taux constants
Dans un reseau ferme, les clients initialement dans le système y circulent sans jamais en
sortir et sans quaucun client de lexterieur ny rentre. Ils sont donc en nombre constant. On
suppose donc que les N clients presents dans le reseau ` a linstant initial y demeurent en ne
faisant que passer de le dattente en le dattente. Formellement, cela revient ` a supposer que
p
i0
= 0 et p
0i
= 0 pour tout i = 1, , M.
Dans un reseau ferme, il ny a aucun problème de stabilite puisque le nombre de clients ` a
chaque station est limite ` a la population du reseau et ne peut donc crotre ` a linni : pour toute
station i, N
i
(t) N ` a tout instant t.
Comme dans le cas ouvert, on sinteressera tout dabord aux reseaux de les dattente fermes
comportant :
- une seule classe de clients
- un seul serveur ` a chaque station
- un temps de service exponentiel ` a chaque station
i
pour 1 i M ;
- des les FIFO.
Ces reseaux sont connus sous le nom de reseaux de Jackson fermes ou encore reseaux de
Gordon et Newell.
57
4.3.1 Problème des taux de visite
Il est clair quayant aaire ` a un reseau ferme, le nombre absolu de fois quun client passe
par chaque station est inni. On sinteresse donc au nombre relatif de passages ` a une station i
entre deux passages par une station de reference :
e
i
: taux de visite de la station i ou nombre moyen de passage ` a la station i entre deux
passages par une station de reference.
De la meme manière que dans le cas ouvert, on peut montrer que les e
i
sont solutions du
système dequations :
e
i
=
M
j=1
e
j
p
ji
pour i = 1, , M.
Mais, contrairement au cas ouvert, les e
i
netant denis qu` a une constante près, ce système
admet une innite de solutions. Il sut alors de poser par exemple e
1
= 1 et les autres taux
de visite se deduisent du système sans ambigute et sinterprètent comme le nombre moyen de
passages par les dierentes stations du reseau entre deux passages par la station 1.
Le reseau peut encore etre decrit avec le processus (
N(t))
t0
o` u

N(t) = (N
1
(t), , N
M
(t))
mais avec la contrainte
M
i=1
N
i
(t) = N. Lensemble E(M, N) de tous les etats possibles du
système est E(M, N) = {
n = (n
1
, , n
M
) ;
M
i=1
n
i
= N}.
On peut facilement montrer que ce nombre detats est C
M1
N+M1
=
(N +M 1)!
N!(M 1)!
.
Il correspond en eet au nombre de fa cons de repartir les N clients dans les M stations du
reseau.
Les equations detats secrivent ici plus simplement que dans le cas ouvert :
(
n )
i;n
i
>0
M
j=1
i
p
ij
=
i;n
i
>0
M
j=1
(
I
i
+
I
j
)
j
p
ji
pour tout

n E(M, N)
Ce système dequations possède, comme dans le cas ouvert, une solution très simple.
(
n ) =
1
G(M, N)
M
i=1
f
i
(n
i
)
o` u f
i
(n
i
) =
_
e
i
i
_
n
i
et G(M, N) est la constante de normalisation.
Preuve :
`
A nouveau, comme la solution est unique, il sut de verier que cette expression est bien solution
du système dequations precedent.
58
Au lieu de verier que lexpression est bien solution du système :
X
i;n
i
>0
M
X
j=1
(

n )ipij =
X
i;n
i
>0
M
X
j=1
(

n

Ii +

Ij )jpji,
on va verier quelle est solution de système plus restrictif
M
X
j=1
(

n )ipij =
M
X
j=1
(

n

Ii +

Ij )jpji pour tout i = 1 , M tel que ni > 0.
Comme dans le cas dun reseau ouvert, il est clair que toute solution de ce système dequations de balances
locales sera a fortiori solution du premier système (encore appele equations de balances globales). Ce système
secrit :
(

n )i
M
X
j=1
pij =
M
X
j=1
(

n

Ii +

Ij )jpji
Puisque
M
X
j=1
pij = 1, en divisant à droite et à gauche par (

n ), on obtient :
i =
M
X
j=1
(

n

Ii +

Ij )
(

n )
jpji
Il sut alors de remplacer lexpression de (

n ) et de verier quelle satisfait bien cette equation :
i =
M
X
j=1
1
G(M,N)
e
1
n
1

e
i
n
i
1

e
j
n
j
+1

e
M
n
M
1
G(M,N)
e
1
n
1

e
i
n
i

e
j
n
j

e
M
n
M
jpji =
M
X
j=1
e
j
e
i
i
jpji
soit : ei =
M
X
j=1
ejpji et cette relation est bien satisfaite puisque cest celle qui permet de denir le taux de visite ei.2
Remarque : On na plus ici, comme dans le cas ouvert, lequivalence avec un ensemble de les
M/M/1. Cela sexplique par le fait que dans un reseau ferme, il y a une très forte dependance
entre les dierentes stations, cette dependance etant bien entendu liee ` a la contrainte de popu-
lation du reseau.
La deuxième diculte, inherente aux reseaux fermes, concerne le calcul de la constante de
normalisation G(M, N). Un calcul direct de cette constante conduirait ` a des sommations mul-
tiples dont la complexite est exponentielle. Heureusement, cette constante peut etre obtenue
beaucoup plus simplement, ` a laide dalgorithmes dits de convolution.
Calcul de la constante de normalisation
G(M, N) est la constante de normalisation de reseau contenant M stations dans lequel
circulent N clients. Cette constante est telle que

n E(M,N)
(
n ) = 1. On en deduit lexpression
de G(M, N) :
G(M, N) =

n E(M,N)
M
i=1
f
i
(n
i
) =

n E(M,N)
M
i=1
_
e
i
i
_
n
i
(4.4)
Buzen a ete le premier ` a developper un algorithme ecace de calcul de la constante de nor-
malisation. Cet algorithme est connu sous le nom dalgorithme de Buzen ou algorithme de
59
convolution. Son principe est expose ci-dessous.
En decomposant lensemble des etats E(M, N) ayant leur dernière composante nulle, cest-
` a-dire de toutes les congurations du reseau dans lesquelles la dernière station est vide :
E
0
= {
n = (n
1
, , n
M
) ; n
M
= 0 et
M1
i=1
n
i
= N}
et E
1
est lensemble de tous les etats de E(M, N) ayant leur dernière composante non nulle,
cest-à-dire de toutes les congurations du reseau dans lesquelles la dernière station comporte
au moins un client :
E
1
= {
n = (n
1
, , n
M
) ; n
M
> 0 et
M
i=1
n
i
= N}
lexpression de G(M, N) se developpe de la fa con suivante :
G(M, N) =

n E
0
M1
i=1
_
e
i
i
_
n
i
+

n E
1
_
M1
i=1
_
e
i
i
_
n
i
_
_
e
M
M
_
n
M
=

n E
0
M1
i=1
_
e
i
i
_
n
i
+
_
e
M
M
_

n E
1
_
M1
i=1
_
e
i
i
_
n
i
_
_
e
M
M
_
n
M
1
=

n E(M1,N)
M1
i=1
_
e
i
i
_
n
i
+
_
e
M
M
_

n E(M,N1)
M
i=1
_
e
i
i
_
n
i
et sexprime donc simplement sous la forme
G(M, N) = G(M 1, N) +
M
G(M, N 1) (4.5)
o` u
M
=
e
M
M
.
Cette relation de recurrence extremement simple permet de calculer toutes les constantes de
normalisation G(m, n) pour m = 1, , M et n = 0, , N en partant des conditions initiales
G(1, n) =
n
1
pour n = 0, , N
G(m, 0) = 1 pour m = 1, , M.
4.3.3 Paramètres de performances et algorithme de convolution
Il sagit dobtenir les paramètres de performances par station ou pour lensemble du reseau.
Mais, contrairement au cas ouvert, les paramètres de performances de chaque station ne peuvent
plus se deduire de lanalyse dune le simple en isolation. Il faut donc manipuler lexpression
des probabilites stationnnaires.
La première idee consiste ` a calculer les probabilites marginales de chaque station par som-
mation sur les probabilites stationnaires :
i
(k) =

n E(M,N);n
i
=k
(
n ) pour i = 1, , M et k = 0, , N (4.6)
60
Les paramètres de performances de chaque station sen deduisent alors immediatement :
U
i
= 1
i
(0) ; d
i
=
N
k=1
i
(k)
i
= (1
i
(0))
i
; L
i
=
N
k=1
k
i
(k) ; W
i
=
L
i
d
i
Le problème est quun calcul des probabilites marginales par la relation (4.6) necessite
deectuer des sommations multiples très complexes. Heureusement, comme pour le calcul
de la constante de normalisation, on peut eviter ces sommations multiples. En rempla cant dans
la relation (4.6) lexpression des probabilites stationnaires, on obtient en eet :
i
(k) =
1
G(M, N)

n E(M,N);n
i
=k
M
j=1
_
e
j
j
_
n
j
=
1
G(M, N)
_
e
i
i
_
k

n E(M,N);n
i
=k
j=i
_
e
j
j
_
n
j
.
On note alors E
i
(M, n) lensemble de tous les vecteurs

n de E(M, N) qui sont tels que la somme
des clients dans toutes les stations autres que la station i,
j=i
n
j
est egale ` a n (et donc tels que
le nombre n
i
de clients dans la station i est egal ` a N n) :
E
i
(M, n) = {
n = (n
1
, , n
M
) E(M, N) ;
j=i
n
j
= n}
On note enn G
i
(M1, n) la constante de normalisation du reseau complementaire, cest-à-dire
la constante de normalisation du reseau constitue des M stations du reseau initial prive de la
station i, et dans lequel on place n clients :
G
i
(M 1, n) =

n E
i
(M,n)
j=i
_
e
j
j
_
n
j
Les probabilites marginales
i
(k) sexpriment alors simplement en fonction de ces constantes
que lon va calculer :
i
(k) =
_
e
i
i
_
k
G
i
(M 1, N k)
G(M, N)
(4.7)
Calcul des constantes de normalisation du reseau complementaire
On constate dabord que G(M1, n) = G
M
(M1, n). La relation (4.5) peut alors secrire :
G(M, N) = G
M
(M 1, N) +
M
G(M, N 1)
Et comme il ny a aucune raison de particulariser la station M, cette relation peut sobtenir
pour toute station i de fa con rigoureusement identique, en posant
i
=
e
i
i
:
G(M, N) = G
i
(M 1, N) +
i
G(M, N 1) pour i = 1, , M.
Cette relation nous permet dobtenir les constantes de normalisation complementaires :
G
i
(M 1, n) = G(M, n)
i
G(M, n 1) pour i = 1, , M (4.8)
61
Calcul des paramètres de performances en fonction des constantes de normalisation
On peut alors exprimer tous les paramètres de performances de la station i en fonction des
constantes de normalisation qui, comme nous venons de le voir, sont extremement simples ` a
calculer :
U
i
= 1
i
(0) =
e
i
i
G(M, N 1)
G(M, N)
=
d
i
i
do` u d
i
= e
i
G(M, N 1)
G(M, N)
;
L
i
=
1
G(M, N)
N
k=1
k
_
e
i
i
_
k
G
i
(M 1, N k) et (4.9)
W
i
=
L
i
d
i
=
1
e
i
G(M, N 1)
N
k=1
k
_
e
i
i
_
k
G
i
(M 1, N k).
Remarque : On a alors
d
i
d
j
=
e
i
e
j
pour tout i et j = 1, , M, relation connue sous le nom
de loi des ots forces.
On aboutit nalement ` a lalgorithme de convolution dont la complexite est clairement en
O(MN).
Algorithme de convolution :
Initialisation :
G(1, n) =
n
1
pour n = 0, , N
G(m, 0) = 1 pour m = 1, , M
G
i
(M 1, 0) = 1 pour i = 1, , M
Pour m variant de 2 ` a M faire
Pour n variant de 1 ` a N faire
G(m, n) = G(m1, n) +
m
G(m, n 1)
Pour i variant de 1 ` a M faire
G
i
(M 1, n) = G(M, n)
i
G(M, n 1)
Calculer les paramètres de performances moyens ` a laide des relations (4.9).
4.3.4 Algorithme MVA
Toute la diculte du theorème de Jackson pour les reseaux fermes reside dans le calcul des
constantes de normalisation et des constantes de normalisation complementaires, necessaires
` a lobtention des probabilites marginales (relation (4.7)) et des paramètres de performances
moyens (relations (4.9)). Si seuls les paramètres de performances moyens sont requis, il existe un
algorithme recursif extremement simple et performant, permettant deviter le calcul de ces cons-
tantes. Cet algorithme developpe initialement par Reiser est connu sous le nom dalgorithme de
la valeur moyenne ou, en anglais, Mean Value Analysis, plus communement appele algorithme
62
MVA. Le principe de lalgorithme MVA est dexprimer les paramètres de performances moyens
du reseau contenant N clients en fonction des paramètres de performances du meme reseau,
mais contenant un client de moins, soit N 1 clients. Il sut alors dappliquer la formule
recursivement ` a partir de conditions initiales triviales. Reecrivons tout dabord les relations
(4.7) et (4.9) en y faisant clairement apparatre la population du reseau :
i
(k, N) =
_
e
i
i
_
k
G
i
(M 1, N k)
G(M, N)
; d
i
(N) = e
i
G(M, N 1)
G(M, N)
L
i
(N) =
N
k=1
k
_
e
i
i
_
k
G
i
(M 1, N k)
G(M, N)
et (4.10)
W
i
(N) =
1
i
N
k=1
k
_
e
i
i
_
k1
G
i
(M 1, N k)
G(M, N 1)
Lalgorithme repose sur la relation recursive suivante, exprimant le temps moyen de sejour
dun client ` a la station i, dans le reseau contenant N clients, en fonction du nombre moyen de
clients de la station i, dans le reseau contenant N 1 clients :
Propriete : On a la relation suivante
W
i
(N) =
1
i
(1 +L
i
(N 1)) (4.11)
Preuve : On isole le terme k = 1 de la dernière relation de (4.10) et on pose k
= k 1 :
Wi(N) =
1
i
Gi(M 1, N 1)
G(M, N 1)
+
1
i
N1
X
k
=1
(k
+ 1)
ei
i
Gi(M 1, N 1 k
)
G(M, N 1)
=
Gi(M 1, N 1)
iG(M, N 1)
+
N1
X
k
=1
ei
i
Gi(M 1, N 1 k
)
iG(M, N 1)
+
N1
X
k
=1
k
ei
i
Gi(M 1, N 1 k
)
iG(M, N 1)
=
1
i
N1
X
k
=0
ei
i
Gi(M 1, N 1 k
)
G(M, N 1)
+
1
i
N1
X
k
=1
k
ei
i
Gi(M 1, N 1 k
)
G(M, N 1)
On reconnat alors dans la première sommation lexpression des probabilites marginales, la deuxième etant
egale au nombre moyen de clients, pour le reseau contenant N 1 clients :
Wi(N) =
1
i
N1
X
k
=0
i(k
, N 1) +
1
i
Li(N 1) =
1
i
+
1
i
Li(N 1)
2
Cette relation peut sinterpreter intuitivement : lorsquun client arrive ` a la station i et trouve
en arrivant n clients devant lui, il devra attendre avant de commencer son propre service, que le
client occupant le serveur au moment de son arrivee termine son service, et que les n 1 clients
suivants eectuent un service complet. La propriete sans memoire de la loi de service (exponen-
tielle) nous dit que le temps moyen residuel de service est egal au temps moyen de service
1
i
.
Avant de commencer son service, il devra donc attendre un temps moyen
n
i
, correspondant au
temps necessaire pour que tous les clients qui sont devant lui (au moment o` u il arrive) quittent
la station. Pour obtenir son temps de sejour dans la station i, il sut alors dy ajouter son
63
propre temps moyen de service
1
i
.
Pour appliquer la loi de Little ` a lensemble du reseau, on choisit une station de reference (par
exemple la station 1), pour laquelle on pose e
1
= 1. Les paramètres de performance concernes
par lapplication de la loi de Little sont alors : d(N), le debit de rebouclage, qui par convention
est le debit (dentree ou de sortie) de la station de reference ; W(N) le temps moyen necessaire
` a un client pour eectuer un tour de boucle (ou temps moyen entre deux passages consecutifs
dun client ` a la station de reference, donc somme des temps moyens de sejour ` a chacune des
stations, ponderee par le nombre moyen de passages par chaque station) ; L(N), le nombre
moyen de clients dans le reseau, en permanence egal ` a N. La loi de Little sexprime alors de la
fa con suivante :
N = W(N) d(N) =
_
M
i=1
e
i
W
i
(N)
_
d(N) (4.12)
Si lon suppose que lon connat les quantites L
i
(N 1) pour tout i, la relation (4.11) nous
permet de calculer les W
i
(N). De la relation (4.12), on deduit le debit d(N) de la station de
reference, ` a partir duquel on calcule aisement le debit de chacune des stations ; d
i
(N) = e
i
d(N).
Cette dernière resulte de la loi des ots forces et du fait que d(N) est le debit de la station
1 pour laquelle e
i
= 1. On calcule nalement L
i
(N) par application de la loi de Little ` a la
station i : L
i
(N) = W
i
(N)d
i
(N). Lalgorithme MVA exploite toutes ces relations en partant
des conditions initiales evidentes, L
i
(0) = 0 pour toutes les stations. Cet algorithme possède la
meme complexite que lalgorithme de convolution, soit O(MN).
Algorithme MVA :
Initialisation :
L
i
(0) = 0 pour i = 1, , M
W
i
(n) =
1
i
(1 +L
i
(n 1)) pour i = 1, , M ; d(n) =
n
M
i=1
e
i
W
i
(n)
d
i
(n) = e
i
d(n) pour i = 1, , M ; L
i
(n) = W
i
(n)d
i
(n) pour i = 1, , M
4.3.5 Extension au cas de stations multiserveurs
Comme dans le cas ouvert, on peut etendre le theorème de Jackson (ferme) au cas de stations
multiserveurs (chaque station i comporte C
i
serveurs identiques). Toutes les autres hypothèses
sont conservees.
64
(
n ) =
1
G(M, N)
M
i=1
f
i
(n
i
)
o` u f
i
(n
i
) =
1
n
i
k=1
min(k, C
i
)
_
e
i
i
_
n
i
=
_
_
1
n
i
!
_
e
i
i
_
n
i
si n
i
< C
i
1
C
i
!C
n
i
C
i
i
_
e
i
i
_
n
i
si n
i
C
i
et G(M, N) est la
constante de normalisation.
4.4 Extension au cas de stations à taux de service dependant de letat
4.4.1 Generalites
Le theorème de Jackson setend au cas de stations ayant un taux de service dependant de
letat. Soit
i
(n
i
) le taux de service de la station i. Celui-ci depend du nombre n
i
de clients
presents ` a la station i ` a un instant donne.
On a vu quune station multiserveurs est un cas particulier dune station ` a taux de service
i
(n
i
) dependant de letat n
i
pour laquelle :
i
(n
i
) =
_
n
i
i
si 0 n
i
< C
i
C
i
i
si C
i
n
i
N
.
On va decrire ici le calcul des constantes de normalisation et lobtention des paramètres de
performances du reseau pour le cas plus general de stations ` a taux de service dependant de letat.
(
n ) =
1
G(M, N)
M
i=1
f
i
(n
i
)
o` u f
i
(n
i
) =
e
n
i
i
n
i
k=1
i
(k)
et G(M, N) est la constante de normalisation.
Le calcul de la constante de normalisation est alors un peu plus complexe que dans le cas
monoserveur. G(M, N) est toujours telle que la somme des probabilites (
n ) sur toutes les

congurations possibles

n du reseau est egale ` a 1 :
G(M, N) =

n E(M,N)
M
i=1
f
i
(n
i
).
Comme dans le cas monoserveur, il est possible dobtenir une relation de recurrence simple,
reliant les constantes de normalisation et permettant deviter un calcul direct :
Propriete :
G(M, N) = G(M 1, N) +
N
k=1
f
M
(k)G(M 1, N k) (4.13)
65
Preuve : En decomposant lensemble des etats E(M, N) = {

n = (n1, , nM) ;
M
X
i=1
ni = N} en N + 1
sous-esnsembles disjoints : E(M, N) = E0 E1 EN o` u E
k
est lensemble de tous les etats de E(M, N) ayant
leur dernière composante egale à k, cest-à-dire de toutes les congurations du reseau dans lesquelles la dernière
station contient k clients :
E
k
= {

n = (n1, , nM) ; nM = k et
M
X
i=1
ni = N}
lexpression de G(M, N) se developpe de la facon suivante :
G(M, N) =
X

nE
0
M1
Y
i=1
fi(ni) +
N
X
k=1
2
4
X

nE
k
"
M1
Y
i=1
fi(ni)
#
fM(k)
3
5
=
X

nE(M1,N)
M1
Y
i=1
fi(ni) +
N
X
k=1
fM(k)
2
4
X

nE(M1,Nk)
"
M1
Y
i=1
fi(ni)
#
3
5
= G(M 1, N) +
N
X
k=1
fM(k)G(M 1, N k)
Cette relation de recurrence permet de calculer facilement toutes les constantes de normalisation G(m, n)
pour m = 1, , M et n = 0, , N en partant des conditions initiales :
G(1, n) = f1(n) pour n = 0, , N et G(m, 0) = 1 pour m = 1, , M.
2
4.4.2 Calcul des paramètres de performances en fonction des constantes de nor-
malisation
`
A nouveau, on peut exprimer les paramètres de performances de chaque station en fonction
des constantes de normalisation. Les probabilites marginales de la station i peuvent en eet
sexprimer en fonction des constantes de normalisation complementaires de la fa con suivante :
i
(k) =
1
G(M, N)

n E(M,N);n
i
=k
M
j=1
f
j
(n
j
)
=
1
G(M, N)
f
i
(k)
n E(M,N);n
i
=k
j=i
f
j
(n
j
) = f
i
(k)
G
i
(M 1, N k)
G(M, N)
.
Comme dans le cas des taux constants, on a ici, en se rappelant que la constante G
M
(M1, n)
nest autre que la constante G(M 1, n), et en reecrivant la formule (4.13) avec un indice i
quelconque ` a la place de M :
G
i
(M 1, n) = G(M, n)
n
k=1
f
i
(k)G
i
(M 1, n k) (4.14)
Cette relation de recurrence extremement simple permet de calculer toutes les constantes
de normalisation complementaires G
i
(M 1, n) pour n = 0, , N en partant des conditions
initiales
G
i
(M 1, 0) = 1 pour i = 1, , M.
Les paramètres de performanes de chaque station sen deduisent alors immediatement :
66
U
i
= 1
G
i
(M 1, N)
G(M, N)
; d
i
= e
i
G(M, N 1)
G(M, N)
L
i
=
N
k=1
k
i
(k) =
1
G(M, N)
N
k=1
kf
i
(k)G
i
(M 1, N k) et W
i
=
L
i
d
i
(4.15)
Preuve : La seule relation non evidente est celle concernant le debit :
di =
N
X
k=1
i(k)i(k) =
N
X
k=1
i(k)fi(k)
Gi(M 1, N k)
G(M, N)
=
1
G(M, N)
N
X
k=1
eifi(k 1)Gi(M 1, N k)
= ei
1
G(M, N)
N1
X
k
=0
fi(k
)Gi(M 1, N 1 k
)
soit, en utilisant la relation (4.14) : di = ei
G(M, N 1)
G(M, N)
. 2
Algorithme de convolution
Initialisation :
G(1, n) = f
1
(n) pour n = 0, , N
G(m, 0) = 1 pour m = 1, , M
G
i
(M 1, 0) = 1 pour i = 1, , M
G(m, n) = G(m1, n) +
n
k=1
f
m
(k)G(m1, n k)
G
i
(M 1, n) = G(M, n)
n
k=1
f
i
(k)G
i
(M 1, n k)
Calculer les paramètres de performances moyens ` a laide des relations (4.15).
4.4.3 Algorithme MVA à taux dependant de letat
Lalgorithme MVA setend egalement au cas de stations ayant un taux de service dependant
de letat. Les relations permettant dobtenir les probabilites marginales et les performances
moyennes du reseau contenant N clients sexpriment en fonction des constantes de normalisation
de la fa con suivante :
i
(k, N) = f
i
(k)
G
i
(M 1, N k)
G(M, N)
; d
i
(N) = e
i
G(M, N 1)
G(M, N)
67
L
i
(N) =
N
k=1
kf
i
(k)
G
i
(M 1, N k)
G(M, N)
et W
i
(N) =
N
k=1
k
f
i
(k)
e
i
G
i
(M 1, N k)
G(M, N 1)
(4.16)
Lalgorithme repose toujours sur une relation recursive. Celle-ci exprime le temps moyen de
sejour dun client ` a la station i, dans le reseau contenant N clients, en fonction des probabilites
marginales du reseau contenant N 1 clients :
W
i
(N) =
N
k=1
k
i
(k)
i
(k 1, N 1) (4.17)
Preuve : On a fi(k) =
ei
i(k)
fi(k 1) pour k = 1, , N avec, par convention, fi(0) = 1. On en deduit :
Wi(N) =
N
X
k=1
k
fi(k)
ei
Gi(M 1, N k)
G(M, N 1)
=
N
X
k=1
k
fi(k 1)
i(k)
Gi(M 1, N k)
G(M, N 1)
=
N
X
k=1
k
i(k)
i(k 1, N 1)
On utilise alors une equation de recurrence simple reliant ces probabilites :
Propriete : On a la relation
i
(k, N) =
d
i
(N)
i
(k)

i
(k 1, N 1) pour k = 1, , N (4.18)
Preuve :
`
A nouveau, on va utiliser la denition des termes fi(ni) :
i(k, N) = fi(k)
Gi(M 1, N k)
G(M, N)
= ei
G(M, N 1)
G(M, N)
fi(k)
ei
Gi(M 1, N 1 (k 1))
G(M, N 1)
=
di(N)
i(k)
i(k 1, N 1)
2
La relation (4.18) ne peut etre utilisee pour calculer
i
(0, N), mais cette probabilite sobtient
` a partir de la condition de normalisation
i
(0, N) = 1
N
k=1
i
(k, N).
68
Algorithme MVA
Initialisation :
i
(0, 0) = 1 pour i = 1, , M
W
i
(n) =
n
k=1
k
i
(k)
i
(k 1, n 1) pour i = 1, , M
d(n) =
n
M
i=1
e
i
W
i
(n)
d
i
(n) = e
i
d(n) pour i = 1, , M
L
i
(n) = W
i
(n)d
i
(n) pour i = 1, , M
i
(k, n) =
d
i
(n)
i
(k)
i
(k 1, n 1) pour i = 1, , M et k = 1, , n
i
(0, n) = 1
n
k=1
i
(k, n) pour i = 1, , M
4.5 Agregation
On considère ici les reseaux de les dattente fermes monoclasse ` a forme produit les plus
generaux : chaque station possède un taux de service
i
(n
i
) dependant du nombre n
i
de clients
presents ` a la station i ` a un instant donne, et un taux de visite e
i
.
La technique dagregation consiste ` a agreger un certain nombre de stations du reseau
en une station unique equivalente par rapport aux autres stations du reseau. Sans perte
de generalite, on peut considerer que lon sinteresse aux L premières stations du reseau (sta-
tions i = 1, , L), et que ce sont donc les M L autres stations qui sont ` a agreger (stations
i = L + 1, , M).
La technique dagregation peut se resumer par la propriete suivante :
Propriete : Les probabilites marginales (n
1
, , n
L
) dun reseau ferme ` a forme produit con-
tenant M stations sont egales aux probabilites stationnaires (n
1
, , n
L
, N
L
j=1
n
j
) du reseau
contenant L + 1 stations, obtenu ` a partir du reseau initial en rempla cant les M L dernières
stations par une unique station equivalente, ayant un taux de visite egal ` a 1 et dont le taux de
service est donne par
e
(n
e
) = d
e
(n
e
) pour n
e
= 1, , N
o` u d
e
(n
e
) est le debit du reseau ferme constitue uniquement des M L dernières stations en
isolation, et dans lequel circulent n
e
clients.
Preuve : Considerons les probabilites marginales (k1, , kL) des L premières stations. Celles-ci sobtiennent
par sommation sur les probabilites stationnaires du reseau contenant les M stations, obtenues de la facon suivante,
à partir dune propriete precedente :
69
(k1, , kL) =
X

nE(M,N)|n
1
=k
1
, ,n
L
=k
L
(

n )
=
1
G(M, N)
X

nE(M,N)|n
1
=k
1
, ,n
L
=k
L
M
Y
i=1
fi(ni)
=
1
G(M, N)
L
Y
i=1
fi(ki)
!
X

nE(M,N)|n
1
=k
1
, ,n
L
=k
L
M
Y
i=L+1
fi(ni)
En denisant E
a
(ML, n) comme lensemble de toutes les repartitions possibles des n clients dans les ML
dernières stations du reseau :
E
a
(M L, n) = {

n
a
= (nL+1, , nM) |
M
X
j=L+1
nj = n}
la sommation intervenant dans lexpression des probabilites marginales sexprime alors comme la constante de
normalisation associee aux M L dernières stations :
X

nE(M,N)|n
1
=k
1
, ,n
L
=k
L
M
Y
i=L+1
fi(ni) =
X

n
a
E
a
(ML,N
L
P
j=1
k
j
)
M
Y
i=L+1
fi(ni) = G
a
(M L, N
L
X
j=1
kj).
Les probabilites marginales (k1, , kL) sexpriment alors en fonction des constantes :
(k1, , kL) =
1
G(M, N)
L
Y
i=1
fi(ki)
!
G
a
(M L, N
L
X
j=1
kj).
Puisque par convention, G
a
(M L, 0) = 1, ces probabilites peuvent egalement sexprimer
(k1, , kL) =
1
G(M, N)
L
Y
i=1
fi(ki)
!
N
L
P
j=1
k
j
Y
n=1
G
a
(M L, n)
G
a
(M L, n 1)
.
En posant e(n) =
G
a
(M L, n 1)
G
a
(M L, n)
, on a :
(k1, , kL) =
1
G(M, N)
L
Y
i=1
fi(ki)
!
N
L
P
j=1
k
j
Y
n=1
1
e(n)
=
1
G(M, N)
L
Y
i=1
fi(ki)
!
fe
N
L
X
j=1
kj
!
avec fe(ne) =
ne
Y
n=1
1
e(n)
.
Cette expression est exactement celle des probabilites stationnaires du reseau dans lequel les ML dernières
stations ont ete remplacees par une unique station ayant un taux de visite egal à 1 et un taux de service e(ne)
dependant de letat. Le taux e(ne) peut sinterpreter comme le debit de rebouclage du reseau ferme constitue
uniquement des M L dernières stations en isolation, et dans lequel circulent ne clients.
2
Remarques :
1) Le reseau ferme constitue des ML dernières stations en isolation peut etre obtenu ` a par-
tir du reseau initial en court-circuitant les L premières stations, cest-à-dire en faisant en sorte
quun client qui passe par une de ces stations y reste un temps nul. On peut alors facilement
verier que les taux de visite obtenus pour les stations restantes (les M L dernières stations)
sont identiques (à une constante près) aux taux de visite des stations correspondantes dans le
70
reseau initial. Ce reseau ferme doit alors etre considere en isolation pour toutes les popula-
tions n
e
de 1 ` a N, le debit de rebouclage d
e
(n
e
) de ce reseau etant par denition, le debit moyen
dune station dont le taux de visite serait egal ` a 1, cette station pouvant dailleurs exister ou non.
2) Les paramètres de performances des deux reseaux equivalents (le reseau initial et le reseau
dans lequel les ML dernières stations ont ete agregees) sont identiques. Cest en ce sens quon
peut armer que les deux reseaux sont equivalents.
3) La technique dagregation, outre son interet theorique, permet de reduire la complexite
de certains algorithmes (de convolution ou de type MVA) en diminuant le nombre de stations
du reseau.
4.6 Les reseaux multiclasses à forme produit : les reseaux BCMP
4.6.1 Denition
On considère un reseau de les dattente parcouru par dierentes classes de clients. On
suppose dans un premier temps que les clients ne changent pas de classe lors de leur cheminement
dans le reseau. Ce reseau possède les caracteristiques suivantes :
- un seul serveur ` a chaque station
- une capacite de stockage illimitee ` a toutes les stations
- des routages probabilistes pour chaque classe de clients.
On note M le nombre de stations du reseau et R le nombre de classes qui le parcourent.
Les clients dune classe donnee ne pouvant changer de classe, chaque classe est donc soit une
classe ouverte, soit une classe fermee. On note O lensemble des classes ouvertes du reseau et
F lensemble des classes fermees : O F = et O F = {1, , R}. Les clients dune classe
ouverte arrivent dans le système, accomplissent un certain nombre doperations, puis quittent le
système. Les clients dune classe fermee sont, quant ` a eux, en nombre constant, et ne peuvent
ni arriver de lexterieur, ni quitter le système.
Pour une classe ouverte donnee r O, on impose de plus : un processus darrivee des
clients de classe r dans le système poissonien de taux
r
.
On note alors p
0ir
la probabilite quun client de classe r qui arrive dans le système se rende
` a la station i, p
ijr
la probabilite quun client de classe r qui termine son service ` a la station i
se rende ` a la station j et p
i0r
la probabilite quun client de classe r qui termine son service ` a la
station i quitte le système. Ces probabilites satisfont la relation :
M
j=0
p
ijr
= 1 pour i = 0, , M
avec la convention p
00r
= 0.
Pour une classe fermee donnee r F, soit N
r
le nombre de clients de classe r.
On note comme precedemment p
ijr
la probabilite quun client de classe r qui termine son
71
service ` a la station i se rende ` a la station j. Ces probabilites satisfont la relation :
M
j=1
p
ijr
= 1 pour i = 1, , M
Finalement, chaque station peut etre de quatre types dierents (voir le tableau suivant).
`
A
chaque type correspond une discipline de service particulière ` a laquelle est associee une loi de
service. On constate que seule la discipline FIFO (premier arrive, premier servi) impose une
restriction quant ` a la loi de service autorisee, puisque celle-ci doit etre exponentielle et, de plus,
independante de la classe du client en service. Cela signie que tous les clients, quelles que
soient leurs classes, auront un temps de service distribue selon une loi exponentielle de taux
i
. Les trois autres disciplines de service, PS (temps partage), IS (nombre inni de serveurs)
et LCFS-PR (dernier arrive, premier servi, avec preemption du service), nimposent comme
seule contrainte sur la loi de service, que la transformee de Laplace associee ` a cette dernière
puisse sexprimer sous forme dune fraction rationnelle. Les services successifs peuvent donc
etre distribues selon des lois generales qui doivent cependant etre independantes les unes des
autres et identiquement distribuees (variables i.i.d.) . De plus, chaque classe de clients pourra
avoir une distribution specique. Par exemple, le service des clients de classe 1 pourra etre
distribue selon une loi exponentielle de taux
i1
tandis que le service des clients de classe 2 sera
distribue selon une loi de Erlang 2 de taux
i2
.
type discipline de service loi de service
1 FIFO premier arrive, premier servi exponentielles indep. de la classe du client
2 PS temps partage Generales dierentes pour chaque classe
3 IS nombre de serveurs inni Generales dierentes pour chaque classe
4 LCFS PR Generales dierentes pour chaque classe
Ces reseaux sont connus sous le nom de reseaux BCMP sans changement de classe (et ` a taux
independants de letat).
4.6.2 Stabilite
Comme dans le cas des reseaux monoclasses, on denit tout dabord la quantite e
ir
:
e
ir
: taux de visite des clients de classe r ` a la station i ou nombre moyen de passages dun
client de classe r ` a la station i.
Ces quantites sont denies classe par classe et, pour chacune des classes, ont la meme in-
terpretation que dans le cas monoclasse. Pour une classe r ouverte, e
ir
sinterprète comme le
nombre moyen de fois quun client de classe r visite la station i au cours de son sejour dans le
système. Pour une classe r fermee, e
ir
sinterprète comme le nombre relatif de fois quun client
de classe r passe ` a une station i entre deux passages par une station de reference (une station j
telle que e
jr
= 1).
La notion de stabilite dans un reseau de les dattente multiclasses est moins intuitive que
celle dun reseau monoclasse dès linstant o` u le reseau comporte des classes ouvertes et des classes
fermees. On va donc sinteresser dans un premier temps ` a des reseaux multiclasses purement
ouverts ou purement fermes.
72
Reseaux purement ouverts
Dans un reseau multiclasses purement ouvert (O = {1, , R}), toutes les classes de clients
sont des classes ouvertes. On connat alors le taux moyen darrivee des clients de classe r ` a une
station i donnee :
ir
=
r
e
ir
(4.19)
Dans cette expression, le taux de visite e
ir
est nul si la classe r ne visite pas la station i. Le
taux moyen darrivee des clients, toutes classes confondues, ` a la station i est :
i
=
R
r=1
ir
(4.20)
On en deduit q
ir
, la proportion de clients de classe r qui arrivent ` a la station i, ou encore la
probabilite pour quun client qui arrive ` a la station i soit de classe r :
q
ir
=

ir
i
=

ir
R
s=1
is
(4.21)
Un client de classe r induira ` a chaque passage ` a la station i une charge de travail moyenne
1
ir
. Un client dune classe quelconque induira donc ` a chaque passage ` a la station i une charge
de travail moyenne
R
r=1
q
ir
ir
. On denit alors le taux moyen de service de la station i comme
linverse de cette quantite :
i
=
1
R
r=1
q
ir
ir
=

i
R
r=1
ir
ir
(4.22)
La notation
i
est coherente avec celle utilisee dans le cas dune station de type 1. En eet,
pour une station FIFO, la loi de service doit etre exponentielle et independante de la classe du
client en service. Donc
ir
=
is
pour toutes classes r et s qui visitent la station i. En prenant
en compte cette egalite dans la relation (4.22), on a bien
i
=
ir
pour tout r.
La condition de stabilite exprime alors, comme dans le cas monoclasse, que le taux moyen
darrivee des clients ` a la station i (quelles que soient leur classe) doit etre inferieur au taux
moyen de service :
Condition de stabilite du système :
i
<
i
pour i = 1 , M
`
A partir de la relation (4.22), on en deduit immediatement que le reseau est stable si pour
toute station i :
R
r=1
ir
ir
< 1.
Reseaux purement fermes
Toutes les classes de clients sont des classes fermees (F = {1, , R}). Comme dans le
cas monoclasse, il ny a bien s ur aucun problème de stabilite puisque le nombre de clients de
73
chaque classe ` a chaque station est limite ` a N
r
, le nombre total de clients de classe r dans le reseau.
Reseaux mixtes
Pour un reseau mixte, ce sont les classes ouvertes qui vont pouvoir poser un problème de
stabilite. Celles-ci se partagent, en general, les memes stations que les classes fermees. Cepen-
dant, lorsque lon atteint les limites de la stabilite du système, le nombre de clients presents
tend vers linni. La charge de travail induite par les clients des classes fermees tend vers une
quantite negligeable. La condition de stabilite du système est donc naturellement liee aux seules
classes ouvertes. Elle sexprime de la meme fa con que dans le cas dun reseau purement ouvert,
les taux
i
et
i
sobtenant ` a partir des relations (4.20) et (4.22) en neectuant les sommations
que sur lensemble des classes ouvertes (r O). Le reseau est donc stable si :
rO
ir
ir
< 1 pour
tout i = 1, , M.
4.6.3 Calcul des taux de visite
Les taux de visite se calculent classe par classe. Pour une classe ouverte r O, ils sont
lunique solution du système :
e
ir
= p
0ir
+
M
j=1
e
jr
p
jir
pour i = 1, , M (4.23)
Pour une classe fermee r F, ils sont solutions du système :
e
ir
=
M
j=1
e
jr
p
jir
pour i = 1, , M (4.24)
Mais ce système admet une innite de solutions et les e
ir
ne sont denis qu` a une constante près.
Il sut alors de choisir une station de reference, une station j visitee par les clients de classe r
et de poser e
jr
= 1. Les taux de visite se deduisent alors sans ambigute.
Avant de detailler lanalyse en regime permanent dun reseau BCMP, notons quil est tout ` a
fait equivalent de considerer que les clients arrivent globalement de lexterieur selon un processus
de Poisson de taux , une classe leur etant attribuee de fa con probabiliste (parmi lensemble O
des classes ouvertes) au moment de leur arrivee. Si lon note
r
la probabilite quun client qui
arrive se voie attribuer une classe r (r O), lequivalence avec la description precedente dun
reseau BCMP vient du fait que tous les processus darrivee sont poissoniens. La decomposition
probabiliste ou la superposition preservent en eet la nature poissonienne des processus. Les
taux darrivee sont evidemment relies par :
r
=
r
(4.25)
On note alors p
0ir
la probabilite quun client qui arrive dans le système se voie attribuer la
classe r et se rende ` a la station i. De fa con evidente, ces probabilites sont reliees aux probabilites
p
0ir
denies precedemment par
p
0ir
=
r
p
0ir
Si ces probabilites sont utilisees dans le calcul des taux de visite, cela donne des valeurs
dierentes des taux de visite e
ir
calculees precedemment. Notons e
ir
le taux de visite de la
station i par les clients de classe r, obtenu en resolvant le système suivant :
74
e
ir
= p
0ir
+
M
j=1
e
jr
p
jir
pour i = 1, , M (4.26)
Les taux e
ir
ont alors une interpretation dierente et moins intuitive que les taux e
ir
. e
ir
sinterpretait en eet simplement comme le nombre moyen de fois quun client de classe r passait
par la station i lors de son sejour dans le système. La quantite e
ir
, quant ` a elle, peut sinterpreter
comme le nombre moyen de fois quun client (toutes classes confondues) qui arrive dans le
système passe par la station i pondere par la probabilite que se client se soit vu attribuer la
classe r :
e
ir
=
r
e
ir
(4.27)
Lecriture des equations en regime permanent et lobtention de leur solution sont beaucoup
plus compliquees que dans le cas monoclasse. Elles dependent de plus du type des stations qui
constituent le reseau. On va donc ici enoncer directement le theorème BCMP.
On note :
- N
ir
(t) : le nombre de clients de classe r presents ` a la station i ` a linstant t ;
-

n
i
(t) = (n
i1
(t), , n
iR
(t)) : le vecteur detat de la station i ` a linstant t ;
-

n (t) = (
n
1
(t), ,
n
M
(t)) : le vecteur detat du reseau ` a linstant t.
(
n ) =
(
n )
G
M
i=1
f
i
(
n
i
)
o` u f
i
(
n
i
) =
_
_
n
i
!
R
r=1
1
n
ir
!
_
e
ir
i
_
n
ir
si la station i est de type 1
n
i
!
R
r=1
1
n
ir
!
_
e
ir
ir
_
n
ir
si la station i est de type 2 ou 4
R
r=1
1
n
ir
!
_
e
ir
ir
_
n
ir
avec n
i
nombre total de clients ` a la station i : n
i
=
R
r=1
n
ir
(
n ) =
rO
Kr
r
=
_
_
R
r=1
Kr
r
si le reseau est purement ouvert
1 si le reseau est purement ferme
K
r
nombre total de clients de classe r : K
r
=
M
i=1
n
ir
et G est la constante de normalisation.
Lensemble E(M,
N) de tous les etats possibles est :

75
E(M,
N) = {
n = (
n
1
, ,
n
M
) |
M
i=1
n
ir
= N
r
pour tout r F}
o` u

N = (N
1
, , N
R
) est le vecteur de population des classes fermees du reseau. Notons que
meme si le vecteur
N contient R composantes, seules les composantes aux classes fermees (r F)

sont signicatives. On peut, par pure convention, considerer que N
r
= pour toute classe r
ouverte (r O). Dès linstant o` u le reseau contient des classes ouvertes (O = ), lensemble
E(M,
N) des etats du système est donc inni.

On en deduit lexpression de la constante de normalisation : cette constante est telle que la
somme des probabilites de tous les etats possibles du système est egale ` a 1 :
G =

n E(M,

N)
(
n )
M
i=1
f
i
(
n
i
)
Plus encore que dans le cas monoclasse, la presence de cette constante de normalisation rend
très dicile lapplication du theorème BCMP dont lenonce est pourtant fort simple. Lobtention
des paramètres de performances du système devra en eet passer par le calcul de cette constante.
Or, meme si le reseau est purement ferme (donc si lensemble des etats E(M,
N) est ni), et de
la meme fa con quen monoclasse (ferme), un calcul direct conduirait ` a des sommations multiples
dont la complexite est exponentielle et, en pratique, bien plus importante encore que celle dun
reseau monoclasse. Nous verrons par la suite quil existe heureusement des cas pour lesquels le
calcul de la constante de normalisation peut etre simplie, ou tout simplement evite.
Si la deuxième caracterisation dun reseau BCMP est utilisee (les clients arrivent selon un
processus de Poisson de taux et se voient attribuer une classe r avec une probabilite
r
), et
que les taux e
ir
sont calcules (à partir de la relation (4.26)) et utilises ` a la place des taux e
ir
, il
est possible dexprimer dieremment (mais de fa con equivalente) la solution stationnaire :
(
n ) =

n )
G
M
i=1
f
i
(
n
i
) (4.28)
o` u f
i
(
n
i
) possède la meme expression que f
i
(
n
i
) excepte que e
ir
est remplace par e
ir
et
n ) =
K
avec K nombre total de clients des classes ouvertes dans le reseau :
K =
rO
M
i=1
n
ir
.
Preuve : Il sut dutiliser les relations (4.25) et (4.27) dans lexpression de la solution :
(

n ) =
Q
rO
(r)
Kr
G
M
Y
i=1
fi(

n i) =
Q
rO
(r)
Kr
G
M
Y
i=1
Y
rO
n
ir
r
!
f
i
(

n i) =

(

n )
G
M
Y
i=1
f
i
(

ni ).
2
Dans le cas monoclasse, nous avons vu quun reseau ouvert sanalysait beaucoup plus simple-
ment quun reseau ferme. Le theorème de Jackson (ouvert) nous prouvait en eet lequivalence
du reseau avec un ensemble de les M/M/1. Existe-t-il une telle simplication dans le cas dun
76
reseau multiclasse purement ouvert ? Cest la question ` a laquelle nous allons repondre dans la
section suivante.
Reseau purement ouvert
Si toutes les classes de clients sont des classes ouvertes (O = {1, , R}), il existe une
première simplication du theorème BCMP, applicable dès linstant o` u lon sinteresse unique-
ment au nombre total de clients presents aux dierentes stations du reseau. Les probabilites
stationnaires ainsi que les paramètres moyens de performances seront calcules toutes classes
confondues. On parlera de probabilites marginales (vis-à-vis des classes) et de paramètres de
performances marginaux.
- N
ir
(t) : le nombre de clients de classe r presents ` a la station i ` a linstant t ;
- n
i
(t) : le nombre total de clients presents ` a la station i ` a linstant t ;
- (n
1
(t), , n
M
(t)) : le vecteur detat marginal du reseau ` a linstant t.
Propriete : La probabilite marginale stationnaire du reseau possède la forme produit sui-
vante :
(n
1
, , n
M
) =
M
i=1
i
(n
i
)
o` u
i
(n
i
) =
_
_
_
(1
i
)
n
i
i
si la station i est de type 1, 2 ou 4
e
i
n
i
!

n
i
i
avec n
i
nombre total de clients ` a la station i : n
i
=
R
r=1
n
ir
i
=

i
i
=
_
_
R
r=1
r
e
ir
i
R
r=1
r
e
ir
ir
i
et
i
donnes par les relations (4.20) et (4.22).
Preuve : La demonstration est eectuee dans le cas o` u toutes les stations sont de type 2 ou 4, mais serait tout
à fait similaire pour les autres types de stations. De plus, pour simplier la demonstration, nous allons utiliser
lexpression equivalente (4.28) de la forme produit. On obtient alors lexpression des probabilites marginales
(n1, , nM) par sommation sur les probabilites de tous les etats

n E(M,

N) conduidant à la meme distri-
bution marginale (n1, , nM) :
(n1, , nM) =
X

nE(M,

N) |
R
P
r=1
n
ir
=n
i
,i=1, ,M
(

n ) =

K
G
X

nE(M,

N) |
R
P
r=1
n
ir
=n
i
,i=1, ,M
M
Y
i=1
f
i
(

n i)
o` u K =
M
X
i=1
R
X
r=1
nir =
M
X
i=1
ni.
Sous forme factorisee, cette relation secrit
77
(n1, , nM) =

K
G
2
6
6
6
4
X

n
1
|
R
P
r=1
n
1r
=n
1
f
1
(

n 1)
3
7
7
7
5

2
6
6
6
4
X

n
M
|
R
P
r=1
n
Mr
=n
M
f
M
(

n M)
3
7
7
7
5
Chaque sommation de cette expression peut etre à nouveau factorisee en utilisant la formule du binome
etendue :
X

n
i
|
R
P
r=1
n
ir
=n
i
f
i
(

n i) =
X

n
i
|
R
P
r=1
n
ir
=n
i
ni!
ni1! niR!
i1
i1
n
i1

iR
iR
n
iR
=
R
X
r=1
e
ir
ir
!
n
i
Il sut alors de remplacer ces expressions dans celle des probabilites marginales :
(n1, , nM) =

M
P
i=1
n
i
G
M
Y
i=1
R
X
r=1
e
ir
ir
!
n
i
=
1
G
M
Y
i=1
R
X
r=1
e
ir
ir
!
n
i
.
En utilisant les relations (4.25) et (4.27), ainsi que la denition de i, on obtient :
(n1, , nM) =
1
G
M
Y
i=1
n
i
i
La constante de normalisation peut alors etre calculee très simplement :
G =
X
(n
1
, ,n
M
)
M
Y
i=1
n
i
i
=
+
X
n
1
=0
n
1
1
!

0
@
+
X
n
M
=0
n
M
M
1
A
=
1
1 1

1
1 M
.
On en deduit lexpression des probabilites marginales (dans le cas o` u toutes les stations sont de type 2 ou 4) :
(n1, , nM) =
M
Y
i=1
(1 i)
n
i
i
.
2
Dans le cas dun reseau contenant uniquement des stations de type 1, 2 ou 4, le comportement
stationnaire marginal du reseau est donc strictement equivalent ` a celui dun reseau de Jackson
(monoclasse ouvert) dans lequel chaque station i possède un taux de service
i
donne par la
relation (4.22), le taux darrivee des clients (toutes classes confondues) ` a la station i etant
donne par la relation (4.20). Notons que la condition de stabilite du reseau multiclasse enoncee
precedemment,
R
r=1
ir
ir
< 1, est coherente avec la condition de stabilite du reseau de Jackson
associe,
i
< 1. Cette equivalence etait evidente dans le cas dun reseau contenant uniquement
des stations de type 1. Dans ce cas, en eet, le service de chaque station est exponentiel et
independant de la classe du client en service (de taux
i
). Seul le routage distingue alors les
dierentes classes de clients dans le reseau. Dès linstant o` u lon ne sinteresse plus aux classes de
clients, il sut de calculer le taux moyen darrivee ` a chaque station ` a laide de la relation (4.20),
et de considerer ce reseau comme un reseau monoclasse qui possède alors toutes les hypothèses
des reseaux de Jackson (ouverts).
On remarque que
i
(n
i
) est la probabilite marginale pour que la station i contienne n
i
clients
(quelles que soient leurs classes). Pour une station i de type 1, 2 ou 4, les probabilites marginales
i
(n
i
) possèdente une expression strictement identique ` a celle dune le M/M/1 (ayant un taux
darrivee
i
et un taux de service
i
), alors que pour une station i de type 3, les probabilites
marginales
i
(n
i
) sont celles dune le M/M/. On peut alors calculer les paramètres de
performances marginaux (toutes classes confondues) pour chaque station ` a partir des relations
78
monoclasses.
On peut maintenant sinteresser aux probabilites stationnaires et enoncer une deuxième sim-
plication du theorème BCMP pour des reseaux purement ouverts, qui peut etre consideree
comme la generalisation du theorème de Jackson ouvert monoclasse.
Propriete : La probabilite stationnaire possède la forme produit suivante :
(
n
1
, ,
n
M
) =
M
i=1
i
(
n
i
)
o` u
i
(
n
i
) =
_
_
(1
i
)n
i
!
R
r=1
1
n
ir
!
_
r
e
ir
i
_
n
ir
(1
i
)n
i
!
R
r=1
1
n
ir
!
_
r
e
ir
ir
_
n
ir
e
i
R
r=1
1
n
ir
!
_
r
e
ir
ir
_
n
ir
.
Preuve : On considère tout dabord le cas o` u toutes les stations sont de type 2 ou 4.
On utilise lexpression equivalente (4.28) de la forme produit :
(

n 1, ,

n M) =

K
G
M
Y
i=1
f
i
(

n i) =

M
P
i=1
n
i
G
M
Y
i=1
ni!
R
Y
r=1
1
nir!
ir
ir
n
ir
La constante de normalisation a dejà ete calculee dans la preuve de la propriete precedente :
G =
M
Y
i=1
1
1 i
Il sut alors de remplacer son expression dans celle des probabilites stationnaires et dutiliser les relations (4.25)
et (4.27) pour obtenir la relation desiree :
(

n 1, ,

n M) =
M
Y
i=1
(1 i)ni!
R
Y
r=1
1
nir!
ir
ir
n
ir
=
M
Y
i=1
(1 i)ni!
R
Y
r=1
1
nir!
reir
ir
n
ir
Si une station i est de type 1, la demonstration reste valable en remplacant ir par i pour tout r.
Si une station i est de type 3, on peut facilement verier que lexpression de G sobtient en remplacant le
terme
1
1 i
par e
i
. On en deduit, par un calcul similaire à celui eectue ci-dessus, lexpression du terme i(

n i)
correspondant.
2
Il est très important de noter que le terme
i
(
n
i
) apparaissant dans cette propriete nest
autre que la probabilite marginale pour que la station i soit dans letat

n
i
et donc, pour quelle
comporte n
ir
clients de classe r pour toute classe r visitant la station i, et ce, independamment
du nombre de clients presents aux autres stations. Cela peut se demontrer facilement.
Preuve : Les probabilites marginales de la station i sobtiennent par sommation sur les probabilites station-
naires :
P([

Ni =

k i]) =
X

n |

n
i
=

k
i
(

n 1, ,

n M) = i(

k i)
Y
j=i
X

n
j
j(

n j)
79
On peut alors verier que pour toute station j, le terme
X

n
j
j(

n j) est egal à 1. La demonstration est
eectuee dans le cas dune station de type 2 ou 4 :
X

n
j
j(

n j) = (1 j)
X

n
j
nj!
R
Y
r=1
1
njr!
rejr
jr
n
jr
= (1 j)
+
X
n=0
X

n
j
| n
j
=n
nj!
R
Y
r=1
1
njr!
rejr
jr
n
jr
= (1 j)
+
X
n
j
=0
R
X
r=1
rejr
jr
!
n
j
= (1 i)
+
X
n
j
=0
n
j
j
= 1
Comme dans le cas monoclasse, la probabilite stationnaire du reseau est egale au produit des probabilites
marginales i(

n i) de chacune des stations etudiees en isolation. On peut en eet verier que i(

n i) est la
probabilite stationnaire dune le simple multiclasse ayant la meme discipline et la meme distribution de service
que la station i et soumise à un ux darrivee poissonien des clients de classe r, de taux ir = eirr, pour toute
classe r visitant la station i.
`
A nouveau, tout se passe donc comme si les ux darrivee aux dierentes stations
du reseau etaient poissoniens alors quen realite ces ux ne le sont pas (et ne sont meme pas, dans le cas general
dun reseau avec rebouclages, des processus de renouvellement).
2
On peut nalement proposer une troisième simplication du theorème BCMP en ne sinteres-
sant plus qu` a une classe particulière de clients. Soit
ir
(n
ir
) la probabilite marginale pour que
la station i contienne n
ir
clients dune classe r donnee, quel que soit le nombre de clients des
autres classes presents ` a la station (et quel que soit letat des autres stations du reseau). Ces
probabilites sexpriment très facilement ` a laide de la relation suivante :
ir
(n
ir
) =
_
_
_
(1
ir
)
n
ir
ir
e

ir
n
ir
!

n
ir
ir
(4.29)
o` u
ir
=

r
e
ir

ir
et
ir
=
_
ir
_
_
1
s=r
s
e
is
is
_
_
s=r
s
e
is
ir
.
Preuve : On considère tout dabore le cas dune station i de type 2 ou 4.
On calcule les probabilites marginales ir(kr) par sommation sur les probabilites i(

n i) pour tous les etats

n i qui sont tels que nir = kr :
80
ir(kr) =
X

n
i
| n
ir
=kr
i(

n i)
= (1 i)
X

n
i
| n
ir
=kr
ni!
R
Y
s=1
1
nis!
seis
is
n
is
= (1 i)
1
kr!
reir
ir
kr
+
X
n=kr
n!
(n kr)!
X

n
i
| n
ir
=kr
(n kr)!
Y
s=r
1
nis!
seis
is
n
is
= (1 i)
1
kr!
reir
ir
kr
+
X
n=kr
n!
(n kr)!
0
@
X
s=r
seis
is
1
A
nk
Or, on peut facilement montrer par recurrence que
+
X
n=k
n!
(n k)!
x
nk
=
k!
(1 x)
k+1
On en deduit :
ir(kr) = (1 i)
re
ir
ir
kr
1
P
s=r
se
is
is
!
kr+1
= (1 i)
re
ir
ir
kr
1 i +
re
ir
ir
kr+1
Soit, en posant ir =
re
ir
ir
1 i +
re
ir
ir
=
reir
ir
1
P
s=r
se
is
is
! :
ir(kr) =
1 i
1 i +
re
ir
ir

kr
ir
= (1 ir)
kr
ir
.
Lorsquune station i est de type 1, il sut de remplacer ir par i pour tout r.
Pour une station i de type 3, les probabilites marginales se calculent de la facon suivante :
ir(kr) = e
i
1
ki!
reir
ir
kr
+
X
n=kr
P
s=r
se
is
is
!
nkr
(n kr)!
= e
i
1
kr!
reir
ir
kr
+
X
n=kr
i
re
ir
ir
nkr
(n kr)!
= e
i
1
kr!
reir
ir
kr
e
re
ir
ir
=
e
re
ir
ir
kr!
reir
ir
kr
Pour une station i de type 1, 2 ou 4, ir(nir) possède donc lexpression des probabilites stationnaires dune
le M/M/1 monoclasse ayant un taux de service ir et soumise à un processus darrivee poissonien de taux
ir = eirr. Ses paramètres de performances sen deduisent alors immediatement :
dir = ir = eir ; Lir =
ir
1 ir
; Wir =
Lir
dir
(4.30)
Pour une station i de type 3, ir(nir) possède lexpression des probabilites stationnaires dune le M/M/
monoclasse ayant un taux de service ir et soumise à des arrivees poissoniennes de taux ir = eirr. Ses
paramètres de performances sont donc :
dir = ir = eirr ; Wir =
1
ir
; Lir = Wirdir = ir (4.31)
2
81
Reseau purement ferme
Toutes les classes de clients sont maintenant des classes fermees : F = {1, , R}. Reecrivons,
dans ce cas, lexpression de la constante de normalisation en y faisant apparatre explicitement
la dependance avec le nombre M de stations et le vecteur

N = (N
1
, , N
R
) de population du
reseau :
G(M,
N) =

n E(M,

N)
M
i=1
f
i
(
n
i
) (4.32)
Comme dans le cas monoclasse, on peut etablir une relation de recurrence permettant deviter
un calcul direct de la constante de normalisation :
G(M,
N) =

N

k =(0, ,0)
f
M
(
k )G(M 1,
k ) =
N
1
k
1
=0

N
R
k
R
=0
f
M
(
k )G(M 1,
k ) (4.33)
Preuve : On decompose lensemble des etats
E(M,

N) = {

n = (

n 1, ,

n M) |
M
X
i=1
nir = Nr, r = 1, , R}
en
R
Y
r=1
Nr + 1 sous-ensembles disjoints
E(M,

N) =

N
[

k =(0, ,0)
E(

k )
o` u E(

k ) est lensemble de tous les etats

n de E(M,

N) ayant leur dernière composante

n M egale à

k , cest-à-dire
de toutes les congurations du reseau dans lequel la dernière station contient

k = (k1, , kR) clients
E(

k ) = {

n = (

n 1, ,

n M) |

n M =

k et
M
X
i=1
nir = Nr, r = 1, , R}
Lexpression de G(M,

N) se developpe alors de la facon suivante :
G(M,

N) =
N
X

k =(0, ,0)
X

nE(

k )
"
M1
Y
i=1
fi(

n i)
#
fM(

k )
=

N
X

k =(0, ,0)
fM(

k )
2
4
X

nE(

k )
"
M1
Y
i=1
fi(

n i)
#
3
5
=

N
X

k =(0, ,0)
fM(

k )
2
4
X

nE(M1,

N

k )
"
M1
Y
i=1
fi(

n i)
#
3
5
soit G(M,

N) =

N
X

k =(0, ,0)
fM(

k )G(M 1,

N

k ).
Cette relation de recurrence permet, en theorie, de calculer toutes les constantes de normalisation G(m,

n )
pour m = 1, , M et

n = (0, , 0), ,

N en partant des conditions initiales :
G(1,

n ) = f1(

n ) pour

n = (0, , 0), ,

N ;
G(m, (0, , 0)) = 1 pour m = 1, , M.
2
82
Cependant, la sommation multiple contenue dans lexpression (4.33) aboutit ` a un algorithme
de complexite O
_
_
MR
_
R
r=1
N
r
_
2
_
_
). Il est possible de reduire cette complexite en simpliant
lexpression (4.33). Cette simplication nest toutefois possible que si les stations du reseau ne
sont pas de type 3. Si la station M est de type 1, 2 ou 4, lexpression (4.33) peut en eet se
simplier de la fa con suivante :
G(M,
N) = G(M 1,
N) +
R
r=1
_
e
Mr
Mr
_
G(M,
I
r
) (4.34)
o` u

I
r
= (0, , 0, 1, 0, , 0) (des zeros partout sauf un 1 en position r).
Preuve : On montre dabord que si une station i quelconque est de type 1, 2 ou 4, le terme fi(

n i) apparaissant
dans la forme produit peut sexprimer de la facon suivante :
fi(

n i) =
R
X
r=1;n
ir
=0
eir
ir
fi(

n i

Ir ).
La demonstration est faite dans le cas dune station de type 2 ou 4 (et reste valable pour une station de type
1 en posant ir = i pour tout r) :
fi(

n i) =
ni!
ni1! niR!
ei1
i1
n
i1

eiR
iR
n
iR
=
R
P
r=1
nir
(ni 1)!
ni1! niR!
ei1
i1
n
i1

eiR
iR
n
iR
=
R
X
r=1
nir(ni 1)!
ni1! niR!
ei1
i1
n
i1

eir
ir
n
ir

eiR
iR
n
iR
=
R
X
r=1;n
ir
=0
eir
ir
(ni 1)!
ni1! (nir 1)! niR!
ei1
i1
n
i1

eir
ir
n
ir
1

eiR
iR
n
iR
=
R
X
r=1;n
ir
=0
eir
ir
fi(

n i

Ir )
On applique alors cette formule au terme fM(

k ) dans la relation (4.33)
G(M,

N) = G(M 1,

N) +
X

k =(0, ,0)
fM(

k )G(M 1,

N

k )
= G(M 1,

N) +
X

k =(0, ,0)
R
X
r=1;kr=0
eMr
Mr
fM(

k

Ir )G(M 1,

N

k )
= G(M 1,

N) +
R
X
r=1
eMr
Mr

N
X

k =(0, ,0);kr=0
fM(

k

Ir )G(M 1,

N

Ir (

k

Ir ))
= G(M 1,

N) +
R
X
r=1
eMr
Mr

N

Ir
X

k
=(0, ,0)
fM(

k

)G(M 1,

N

Ir

k

)
Il sut nalement dappliquer la relation (4.33) à la dernière sommation de cette expression :
G(M,

N) = G(M 1,

N) +
R
X
r=1
eMr
Mr
G(M,

N

Ir ). 2
83
Bien entendu, les relations (4.33) et (4.34) restent valables si lon remplace dans lexpression
des constantes de normalisation, M par m (pour tout m = 2, , M) et

N par

n (pour
tout

n = (0, , 0), ,
N), les demonstrations etant strictement identiques. Cette remarque

permet daboutir ` a lalgortithme de calcul des constantes de normalisation suivant :
Algorithme de convolution : calcul des constantes G(m,
n )
Initialisation :
G(1,
n ) = f
1
(
n ) pour

n = (0, , 0), ,
N
G(m, (0, , 0)) = 1 pour m = 1, , M
Si la station m est de type 1, 2 ou 4, alors
Pour n variant de (0, , 0) ` a

N faire
G(m,
n ) = G(m1,

n ) +
r;nr=0
_
e
mr
mr
_
G(m,
I
r
)
Sinon (station de type 3) faire
Pour

n variant de (0, , 0) ` a

N faire
G(m,
n ) =

n

k =(0, ,0)
f
m
(
k )G(m1,

n
k ).
Etant donne que la relation de recurrence reliant les dierentes constantes de normalisation
est plus complexe pour une station de type 3 et que lalgorithme initialise ces constantes aux
valeurs de f
1
(
n ) et ne demarre sa boucle principale que pour m = 2, si le reseau ne contient

quune seule station de type 3 (IS), il est astucieux de renumeroter les stations du reseau de telle
sorte que la station (IS) soit la première. Dans ces conditions, seule la relation (4.33) est utilisee
dans lalgorithme. Il est ` a noter quen termes de complexite, cela est donc strictement equivalent
` a un reseau ne contenant aucune station de type 3. Dans ces deux cas (le reseau comporte zero
ou une seule station de type 3), on peut facilement verier que la complexite de lalgorithme de
convolution (pour le seul calcul des constantes G(m,
n )) se reduit ` a O
_
MR
R
r=1
N
r
_
.
Calcul des paramètres de performances en fonction des constantes de normalisation
Comme dans le cas monoclasse, on peut exprimer les paramètres de performances de chaque
station en fonction des constantes de normalisation et des constantes de normalisation comple-
mentaires. Les probabilites marginales de la station i, peuvent en eet sexprimer de la fa con
suivante :
84
i
(
k ) =
1
G(M,
N)

n E(M,

N) |

n
i
=

k
M
j=1
f
j
(
n
j
)
=
1
G(M,
N)
f
i
(
k )
n E(M,

N) |

n
i
=

k
j=i
f
j
(
n
j
).
En denissant E
i
(M,
k ) lensemble de tous les vecteurs detat

n de E(M,
N) qui sont tels

que la somme des clients de classe r dans toutes les stations autres que la station i,
j=i
n
jr
, est
egale ` a k
r
pour toutes les classes r = 1, , R, (et donc tels que le nombre n
ir
de clients de
classe r dans la station i est egal ` a N
r
k
r
)
E
i
(M,
k ) = {
n = (
n
1
, ,
n
M
) |
j=i
n
jr
= k
r
, r = 1, , R}
et G
i
(M 1,
k ) la constante de normalisation du reseau complementaire, comme etant la

constante de normalisation du reseau constitue des M stations du reseau initial, prive de la
station i et dans lequel on place

k = (k
1
, , k
R
) clients :
G
i
(M 1,
k ) =

n E
i
(M,

k )
j=i
f
j
(
n
j
)
on obtient immediatement :
i
(
k ) = f
i
(
k )
G
i
(M 1,
k )
G(M,
N)
(4.35)
Pour calculer les constantes de normalisation complementaires G
i
(M 1,
n ) apparaissant
dans cette expression, il sut, comme on la fait dans le cas monoclasse, dinverser la relation
(4.35) (si la station i est de type 1, 2 ou 4) ou la relation (4.33) (si la station i est de type
3). Dans le premier cas, linversion seectue en remarquant que G(M 1,
n ) est en fait la
constante G
M
(M 1,
n ). On reecrit alors la formule pour lindice i au lieu de lindice M :

G
i
(M 1,
n ) = G(M,
n )
R
r=1;nr=0
_
e
ir
ir
_
G(M,
I
r
) (4.36)
Si la station i est de type 3, une manipulation simple de la relation (4.33) nous donne de la
meme manière
G
i
(M 1,
n ) = G(M,
n )

k =(0, ,0)
f
i
(
k )G
i
(M 1,
k ) (4.37)
Les paramètres de performances de chaque station se deduisent alors immediatement des
constantes de normalisation du reseau :
d
ir
= e
ir
G(M,
I
r
)
G(M,
N)
85
L
ir
=

N

k =(0, ,0)
k
r
i
(
k ) =
1
G(M,
N)

N

k =(0, ,0)
k
r
f
i
(
k )G
i
(M 1,
k ) ; W
ir
=
L
ir
d
ir
(4.38)
Preuve : Considerons tout dabord le cas dune station de type 1, 2 ou 4.
Dès linstant o` u la station i est dans letat

n i = (ni1, , niR), il y a une probabilite
nir
ni
pour que le client
en service soit de classe r et donc pour que la station debite à un taux ir. Le taux de sortie des clients de classe
r sexprime donc :
dir =

N
X

n=(0, ,0);n
ir
=0
i(

n i)
nir
ni
ir
=

N
X

n=(0, ,0);n
ir
=0
fi(

n i)
Gi(M 1,

N

n i)
G(M,

N)
nir
ni
ir
=
1
G(M,

N)

N
X

n=(0, ,0);n
ir
=0
fi(

n i)
nir
ni
irGi(M 1,

N

n i)
On peut facilement verier à partir de la denition des termes fi(

n i) que, dès linstant o` u la station i est de type
1, 2 ou 4, et que nir = 0, ces derniers satisfont la relation ;
fi(

n i) =
ni
nir
eir
ir
fi(

n i

Ir ).
En remplacant fi(

n i) dans lexpression du debit, on obtient :
dir =
eir
G(M,

N)

N
X

n
i
=(0, ,0);n
ir
=0
fi(

n i

Ir )Gi(M 1,

N

Ir (

n i

Ir ))
Finalement, en utilisant (4.33), on obtient
dir =
eir
G(M,

N)
G(M,

N

Ir )
Pour une station i de type 3, le debit moyen des clients de classe r sexprime de la facon suivante :
dir =

N
X

n
i
=(0, ,0);n
ir
=0
i(

n i)nirir
et les termes fi(

n i) sont relies par :
fi(

n i) =
1
nir
eir
ir
fi(

n i

Ir )
La combinaison de ces deux relations donne exactement le meme resultat.
Les relations (4.38) decoulent immediatement de la denition du nombre moyen de clients et de la loi de Little.
2
Il est ` a noter que, dans le cas dune station i de type 3, on a :
L
ir
=
d
ir
ir
=
e
ir
ir
G(M,
1
r
)
G(M,
N)
(4.39)
Preuve : Si la station est de type 3, elle comporte une innite de serveurs.
86
Tout client arrivant à la station entre donc instantanement en service. Son temps de sejour se reduit donc au
temps moyen de service, soit
1
ir
pour un client de classe r. La loi de Little appliquee à lensemble de la station
pour les seuls clients de classe r nous donne alors immediatement le resultat.
2
Les paramètres de performances marginaux, toutes classes confondues, sobtiennent directe-
ment par sommation sur les paramètes de performances, classe par classe :
d
i
=
R
r=1
d
ir
; L
i
=
R
r=1
L
ir
; W
i
=
L
i
d
i
(4.40)
Lalgorithme de convolution complet permettant dobtenir les paramètres de performances
moyens de toutes les stations et faisant appel ` a lalgorithme de calcul de constantes de normali-
sation G(m,
n ) est donne ci-dessous. Il possède la meme complexite que lalgorithme de calcul

des constantes de normalisation, soit O
_
MR
R
r=1
N
r
_
dès linstant o` u le reseau ne comporte
pas plus dune station IS (et que celle-ci, si elle existe, porte le numero 1).
Algorithme de convolution : calcul des performances moyennes
Calcul des constantes G(m,
n ), m = 1, , M et

n = (0, , 0), ,
N
Initialisation :
G
i
(M 1, (0, , 0)) = 1 pour i = 1, , M
Si la station m est de type 1,2 ou 4 alors
Pour


N faire
G
i
(M 1,

n ) = G(M,
n )
nr=0
_
e
ir
ir
_
G(M,
I
r
)
Sinon (station de type 3)
Pour


N, faire
G
i
(M 1,

n ) = G(M,
n )

k =(0, ,0)
f
i
(
k )G
i
(M 1,
k )
Calculer les paramètres de performances moyens ` a laide des relations (4.38) ` a (4.40).
Algorithme MVA pour les reseaux purement fermes
Lalgorithme MVA presente en detail dans le cadre des reseaux monoclasses fermes peut etre
generalise au cas dun reseau multiclasses purement ferme. Le principe de base reste le meme
puisque lalgorithme consiste ` a exprimer les paramètres de performances du reseau ayant une
population

N = (N
1
, , N
R
), en fonction de ceux du meme reseau, mais contenant un client de
classe r en moins (et donc ayant une population
I
r
= (N
1
, , N
r1
, N
r
1, N
r+1
, , N
R
)).
87
Dans cette section, on ne fera quune presentation succincte de cet algorithme en se concentrant
essentiellement sur la relation-cle autorisant la recursivite.
On reecrit les relations donnant les paramètres de performances, en y faisant clairement
apparatre la population du reseau :
i
(
k ,
N) = f
i
(
k )
G
i
(M 1,
k )
G(M,
N)
; d
ir
(
N) = e
ir
G(M,
I
r
)
G(M,
N)
L
ir
(
N) =

N

k =(0, ,0)
k
r
i
(
k ,
N) ; W
ir
(
N) =
L
ir
(
N)
d
ir
(
N)
La relation la plus importante de lalgorithme MVA multiclasses est celle exprimant le temps
moyen de sejour dun client de classe r la station i (de type 1, 2 ou 4), dans le reseau ayant une
population

N, en fonction du nombre moyen de clients presents ` a la station i, toutes classes
confondues, dans le reseau ayant une population

N
I
r
:
W
ir
(
N) =
1
ir
(1 +L
i
(
I
r
)) (4.41)
Preuve : Donnons tout dabord lexpression du nombre moyen de clients presents à la station i, toutes classes
confondue :
Li(

N) =
R
X
s=1
Lis(

N) =

N
X

k =(0, ,0)
R
X
s=1
ks
!
i(

k ,

N)
Une manipulation simple de lexpression du temps moyen de sejour dun client de classe r à la station i,
sachant que celle-ci est de type 1, 2 ou 4 (et kr = 0) nous donne :
Wir(

N) =

N
X

k =(0, ,0);kr=0
krfi(

k )
eir
Gi(M 1,

N

k )
G(M,

N

Ir )
Or, si la station i est de type 1, 2 ou 4, nous avons dejà vu que le terme fi(

k ) peut sexprimer
fi(

k ) =
R
P
s=1
ks
kr
eir
ir
fi(

k

Ir )
On a alors, avec le changement de variable

k

=

k

Ir :
Wir(

N) =
X

k ;kr=0
R
P
s=1
ks
fi(

k

Ir )
ir
Gi(M 1,

N

k )
G(M,

N

Ir )
=
1
ir

N

Ir
X

k
=(0, ,0)
1 +
R
X
s=1
k
s
!
fi(

k

)
Gi(M 1,

N

Ir

k

)
G(M,

N

Ir )
=
1
ir

N

Ir
X

k
=(0, ,0)
1 +
R
X
s=1
k
s
!
i(

k

,

N

Ir )
=
1
ir
(1 +Li(

N

Ir ))
Si la station i est de type 3, le temps moyen de sejour dun client de classe r à cette station se reduit bien
evidemment à son temps moyen de service :
Wir(

N) =
1
ir
2
88
Les autres relations impliquees dans lalgorithme MVA sont, comme dans le cas monoclasse,
fondees sur lapplication de la loi de Little, soit au reseau tout entier, soit ` a une station parti-
culière. La seule dierence avec ce qui a ete decrit dans le cas monoclasse est que la loi de Little
doit etre appliquee classe par classe. La loi de Little appliquee aux seuls clients de classe r au
travers de lensemble du reseau nous donne alors lequivalent multiclasses de la relation (4.12) :
N
r
= W
r
(
N)d
r
(
N) =
_
M
i=1
e
ir
W
ir
(
N)
_
d
r
(
N) (4.42)
Lalgorithme MVA possède la meme complexite que lalgorithme de convolution, ` a condition
que le reseau ne comporte pas plus dune station de type 3, soit O
_
MR
R
r=1
N
r
_
. Il possède
donc lavantage sur lalgorithme de convolution dès linstant o` u le reseau comporte plus dune
station de type 3.
Algorithme MVA
Initialisation : L
i
((0, , 0)) = 0 pour i = 1, , M
Pour


N (
n = (0, , 0)) faire

Pour toutes les stations i = 1, , M de type 1, 2 ou 4 faire
W
ir
(
n ) =
1
ir
(1 +L
i
(
I
r
)) pour r = 1, , R
Pour toutes les stations i = 1, , M de type 3 faire
W
ir
(
n ) =
1
ir
pour r = 1, , R
d
r
(
n ) =
n
r
M
i=1
e
ir
W
ir
(
n )
pour r = 1, , R
d
ir
(
n ) = e
ir
d
r
(
n ) pour i = 1, , M et r = 1, , R
L
ir
(
n ) = W
ir
(
n )d
ir
(
n ) pour i = 1, , M et r = 1, , R
L
i
(
n ) =
R
r=1
L
ir
(
n ) pour i = 1, , M.
4.6.5 Extension au cas de taux dependant de letat
Considerons tout dabord le cas de stations ` a taux de service dependant de letat. Cela ne
concerne que les stations de type 1, 2 ou 4. Une première extension consiste ` a considerer des
stations dont le service est independant de la classe mais depend du nombre total de clients
qui sy trouvent. Soit
i
(n
i
) le taux de service de la station i pour toutes les classes de clients
visitant cette station. Celle-ci depend du nombre total de clients presents ` a la station i ` a un
instant donne, soit n
i
=
R
r=1
n
ir
. On obtiendrait alors f
i
(
n
i
) en rempla cant
R
r=1
(
ir
)
n
ir
par
89
n
i
k=1
i
(k), soit, si la station est de type 1, 2 ou 4 :
f
i
(
n
i
) =
n
i
!
n
i
k=1
i
(k)
R
r=1
e
n
ir
ir
n
ir
!
La forme la plus generale de stations ` a taux de service dependant de letat concerne une
station dont le taux moyen de service
ir
peut dependre de la classe du client en service (à
condition que la station ne soit pas de type 1), et doit etre multiplie par un facteur correctif
x
i
(n
i
), o` u x
i
(n
i
) est une fonction arbitraire (strictement positive) de n
i
, le nombre total de clients
presents dans la station. Ainsi, si ` a un instant donne, la station i contient n
i
clients (quelles que
soient leurs classes) et quun client de classe r est en service, celui-ci terminera son service au
bout dun temps exponentiel de moyenne
1
x
i
(n
i
)
ir
(à condition, bien s ur, quaucun autre client
narrive dans la station). Une station i multiserveurs comportant C
i
serveurs identiques est un
cas particulier dune telle station pour laquelle :
x
i
(n
i
) =
_
n
i
si 0 n
i
C
i
C
i
si C
i
n
i
N
Une station de type 3 (IS) peut egalement etre consideree comme un cas particulier dune
station ` a taux dependant de letat pour laquelle :
x
i
(n
i
) = n
i
pour tout n
i
.
On a alors :
f
i
(
n
i
) =
_
_
n
i
!
n
i
k=1
x
i
(k)
R
r=1
1
n
ir
!
_
e
ir
i
_
n
ir
n
i
!
n
i
k=1
x
i
(k)
R
r=1
1
n
ir
!
_
e
ir
ir
_
n
ir
Il existe aussi des extensions aux cas de taux darrivee dependant de letat (pour un reseau
ouvert ou mixte). Dans le premier cas, le taux darrivee des clients dune classe donnee dans le
reseau peut deprendre du nombre total de clients de cette classe, presents ` a un instant donne
dans le reseau. Soit
r
(K
r
) le taux darrivee des clients de classe r dans le reseau. Il depend du
nombre total de clients de classe r presents dans lensemble du reseau ` a un instant donne, soit
K
r
=
M
i=1
n
ir
. Il sura alors de remplacer dans lexpression du terme (
n ),
Kr
r
par
Kr1
k=0
r
(k),
soit :
(
n ) =
rO
Kr1
k=0
r
(K)
La deuxième extension concerne la vision equivalente dun reseau BCMP dans laquelle les
clients arrivent selon un processus de Poisson de taux et se voient attribuer une classe r avec
une probabilite
r
. On utilise alors les taux e
ir
` a la place des taux e
ir
. Dans cette vision
equivalente, le taux darrivee global des clients peut dependre du nombre total de clients des
90
classes ouvertes dans le reseau. Soit (K) le taux darrivee des clients (toutes classes confondues)
dans le reseau. Celui-ci depend du nombre total de clients. On a alors, en rempla cant
K
par
K1
k=0
(k) :
n ) =
K1
k=0
(k).
Il existe aussi des extensions des resultats presentes precedemment dans le cas de stations
ayant des taux de service dependant de letat, ` a la fois dans le cas dun reseau purement ouvert
et dun reseau purement ferme.
Reseaux purement ouverts
On ne sinteresse plus aux dierentes classes de clients, mais uniquement au nombre total
de clients presents ` a chaque station du reseau. Pour chaque station i ayant un taux de ser-
vice dependant de letat, il sut de remplacer dans lexpression de la probabilite stationnaire
marginale (n
1
, , n
M
), le terme
i
(n
i
) correspondant par :
i
(n
i
) =
i
(0)

n
i
i
n
i
k=1
i
(k)
o` u
i
=
R
r=1
r
e
ir
et
i
(0) =
1
1 +
+
n
i
=1
n
i
i
n
i Q
k=1
i
(k)
.
i
(n
i
) est la probabilite marginale de la station i (probabilite pour que la station contienne n
i
clients quelles que soient leurs classes et quel que soit le nombre de clients presents aux autres
stations), et peut etre consideree comme la probabilite dune le monoclasse ayant un taux de
service
i
(n
i
) dependant de letat et dans laquelle les clients arrivent selon un processus pois-
sonien de taux
i
.
Reseaux purement fermes (algorithme de convolution)
Lalgorithme de convolution peut etre directement etendu an de prendre en compte des
stations ` a taux de service dependant de letat. En fait, tout ce qui a ete presente sapplique
immediatement, en prenant soin de traiter une station ayant un taux de service dependant de
letat, au meme titre quune station de type 3 (IS). Ainsi, si une station i donnee (de type
1, 2 ou 4) possède un taux de service dependant de letat global n
i
de la station, il sut
de changer dans toutes les relations relatives ` a une station de type 3, le terme f
i
(
n
i
). Les
constantes de normalisation, les constantes de normalisation complementaires et les paramètres
de performances sexpriment alors exactement de la meme fa con. Par contre, le taux dutilisation
U
ir
doit etre calcule ` a partir de sa denition (proportion de temps passe par le serveur de la
station i ` a traiter des clients de classe r) :
U
ir
=

N

n
i
=(0, ,0);n
i
=0
i
(
n
i
)
n
ir
n
i
.
91
Dans les algorithmes, une station i ` a taux de service dependant de letat doit etre traitee
de la meme fa con quune station de type 3 (avec bien s ur lexpression adequate de f
i
(
n
i
)). Si
toutes les stations sont ` a taux dependant de letat, la complexite de lalgorithme est donc en
O
_
_
MR
_
R
r=1
N
r
_
2
_
_
.
Algorithme de convolution
Initialisation :
G(1,
n ) = f
1
(
n ) pour

n = (0, , 0), ,
N
G(m, (0, , 0)) = 1 pour m = 1, , M
G
i
(M 1, (0, , 0)) = 1 pour i = 1, , M
Si la station m est de type 1, 2 ou 4 (` a taux independant de letat) alors
Pour


N faire
G(m,
n ) = G(m1,

n ) +
R
r=1;nr=0
_
e
mr
mr
_
G(m,
I
r
)
Sinon (station de type 3 ou station ` a taux dependant de letat)
Pour


N faire
G(m,
n ) =

n

k =(0, ,0)
f
m
(
k )G(m1,

n
k )
Si la station m est de type 1, 2 ou 4 (` a taux independant de letat) alors
Pour


N faire
G
i
(M 1,

n ) = G(M,
N)
R
r=1;nr=0
_
e
ir
ir
_
G(M,
I
r
)
Sinon (station de type 3 ou station ` a taux dependant de letat)
Pour


N faire
G
i
(M 1,

n ) = G(M,
n )

k =(0, ,0)
f
i
(
k )G
i
(M 1,
k )
Calculer les paramètres de performances moyens.
Reseaux purement fermes (algorithme MVA)
Lalgorithme MVA multiclasses setend egalement au cas de stations ` a taux de service
dependant de letat. La relation-cle de lalgorithme qui exprimait le temps moyen de sejour
dun client de classe r ` a la station i (de type 1, 2 ou 4), nest alors plus valable. Elle doit etre
92
remplacee par la relation suivante :
W
ir
(
N) =
N
k=1
k
x
i
(k)
ir
i
(k 1,
I
r
) (4.43)
o` u N =
R
r=1
N
r
est le nombre total de clients dans le système et
i
(k,
N) est la probabilite
marginale pour que la station i contienne k clients, quelles que soient leurs classes, dans un
reseau ayant une population

N.
Preuve : Par denition, les probabilites marginales i(k,

N) apparaissant dans la relation (4.43) sobtiennent
à partir des probabilites i(

k ,

N) de la station i, par sommation sur tous les etats

k tels que la somme de leurs
composantes est egale à k :
i(k,

N) =

N
X

k =(0, ,0)|
R
P
r=1
kr=k
i(

k ,

N)
On a aussi lexpression du temps moyen de sejour :
Wir(

N) =

N
X

k =(0, ,0);kr=0
krfi(

k )
eir
Gi(M 1,

N

k )
G(M,

N

Ir )
.
Or, pour une station i à taux dependant de letat, on montre facilement que, si kr = 0 :
fi(

k ) =
k
kr
eir
xi(k)ir
fi(

k

Ir )
o` u k =
R
X
s=1
ks. En remplacant dans lexpression de Wir(

N) le terme fi(

k ), on obtient :
Wir(

N) =

N
X

k =(0, ,0);kr=0
kfi(

k

Ir )
xi(k)ir
Gi(M 1,

N

k )
G(M,

N

Ir )
=
N
X

k =(0, ,0);kr=0
k
xi(k)ir
xi(k)iri(

k

Ir ,

N

Ir )
=
N
X
k=1
k
xi(k)ir
xi(k)ir

N
X

k =(0, ,0)|kr=0 et
R
P
r=1
kr=k
i(

k

Ir ,

N

Ir )
=
N
X
k=1
k
xi(k)ir
xi(k)iri(k 1,

N

Ir )
2
Les probabilites marginales apparaissant dans cette expression se calculent ` a laide de la
relation recursive suivante :
i
(k,
N) =
1
x
i
(k)
R
r=1
d
ir
(
N)
ir
i
(k 1,
I
r
) pour k = 1, , N
Preuve : De la meme facon que cela a ete fait dans la demonstration de la relation (4.34), on montre que les
termes fi(

k ) peuvent sexprimer de la facon suivante :
fi(

k ) =
R
X
r=1;kr=0
eir
xi(k)ir
fi(

k

Ir )
93
On developpe alors lexpression des probabilites i(

k ,

N) de la station i :
i(

k ,

N) = fi(

k )
Gi(M 1,

N

k )
G(M,

N)
=
R
X
r=1;kr=0
fi(

k

Ir )
xi(k)ir
Gi(M 1,

N

Ir (

k

Ir ))
G(M,

N

Ir )
eir
G(M,

N

Ir )
G(M,

N)
=
R
X
r=1;kr=0
1
xi(k)ir
i(

k

Ir ,

N

Ir )dir(

N)
Par sommation sur tous les etats

k tels que la somme de leurs composante est egale à k, on obtient la relation
desiree.
2
Comme dans le cas monoclasse, la probabilite
i
(0,
N) se deduit de la condition de normalisa-

tion :
i
(0,
N) = 1
N
k=1
i
(k,
N), cela pouvant engendrer des problèmes dinstabilite numerique.

On en deduit enn, ` a la page suivante, lalgorithme MVA adapte ` a des stations ayant des
taux de service dependant de letat.
94
Initialisation :
L
i
((0, , 0)) = 0 pour i = 1, , M
i
(0, (0, , 0)) = 0 pour i = 1, , M
Pour


N (
n = (0, , 0)) faire

Pour toutes les stations i = 1, , M de type 1,2 ou 4 (` a taux ind. de letat) faire
W
ir
(
n ) =
1
ir
(1 +L
i
(
I
r
)) pour r = 1, , R
Pour toutes les stations i = 1, , M de type 3 faire
W
ir
(
n ) =
1
ir
pour r = 1, , R
Pour toutes les stations i = 1, , M ` a taux dependant de letat faire
W
ir
(
n ) =
n
k=1
k
x
i
(k)
ir
i
(k 1,

n
I
r
) pour r = 1, , R
d
r
(
n ) =
n
r
M
i=1
e
ir
W
ir
(
n )
pour r = 1, , R
d
ir
(
n ) = e
ir
d
r
(
n ) pour i = 1, M et r = 1, , R
L
ir
(
n ) = W
ir
(
n )d
ir
(
n ) pour i = 1, M et r = 1, , R
L
i
(
n ) =
R
r=1
L
ir
(
n ) pour i = 1, M
Pour toutes les stations i = 1, , M ` a taux dependant de letat faire
i
(k,
n ) =
1
x
i
(k)
R
r=1;nr=0
d
ir
(
n )
ir
p
i
(k 1,
I
r
) pour k = 1, , n
i
(0,
n ) = 1
n
k=1
i
(k,
n ).
Remarques sur la forme produit
Le fait que, dans le cas de serveurs ` a discipline de services FIFO, la forme produit ne soit
valide que pour des distributions de services exponentielles, tandisquelle est valide pour des lois
` a transformee de Laplace rationnelle pour dautres disciplines de service sexplique par lexistence
ou non de blocage dans le système.
En eet, une le dattente ` a loi de service ` a transformee de Laplace rationnelle est equivalente
` a un ensemble de les dattentes de lois exponentielles en serie avec, entre chaque le elementaire,
une probabilite pour sortir du guichet denitivement. Neanmoins, une seule de ces les dattente
est occupee ` a la fois. Le client suivant attend que le système soit vide pour y penetrer.
Quand la règle de service est FIFO, il y a blocage des les dattente non occupees ` a cause
de loccupation de lune dentre elles. Ceci exclut la forme produit sauf dans le cas exponentiel
o` u il ny a quun seul serveur dans la le dattente, et que le temps de service est le meme pour
tous les clients de la classe. Si le temps de service est dierent pour chaque classe de clients,
alors il y a plusieurs les dattente en parallèle avec une certaine probabilite dacceder ` a lune
dentre elles.
Là encore, une seule le dattente ne peut etre occupee ` a la fois, ce qui entrane le blocage des
95
R1 stations quand lune dentre elles est occupee. En revanche, sil y a une innite de serveurs
au guichet, aucune le dattente ne se cree et donc aucun blocage napparat. De meme, la
discipline temps partage est similaire au cas dune innite de serveurs, chaque client recevant
un service de taux
ir
/n
i
. Donc, pas de blocage non plus.
Enn, dans le cas LIFO avec preemption chaque client qui se fait supplanter au serveur
conserve comme acquis le service quil a re cu et le reprend à la le dattente dans laquelle il
etait lorsquil sest fait evincer par les clients arrives après lui. Cest une fa con de faire passer
sans blocage les clients qui se presentent ` a la le dattente.
Ces trois dernières disciplines de service ont en commun de permettre au client nouvellement
arrive detre servi immediatement. Cette propriete est une condition necessaire pour que le
guichet possède la propriete dequilibre de les dattente en labsence de loi de service exponen-
tielle. Lequation dequilibre de le dattente permet degaler les ux de transition vers cette
le dattente et hors de cette le dattente ` a linterieur du guichet. Or, en labsence de la loi
exponentielle pour ce guichet, on peut montrer que lequilibre de le dattente est necessaire
pour avoir la forme produit. Cest pourquoi, les les dattente de type FIFO, avec règles de
priorites, ou dautres règles qui ne permettent pas le service immediat du client nouvellement
arrive ne peuvent entraner la forme produit lorsque les lois de service ne sont pas exponentielles.
96
Elements de theorie des les dattente Annexe

ANNEXE
Fiches de cours de probabilite de deuxième annee
Fiche 1 : Introduction aux Probabilites
On fait appel ` a la theorie des probabilites pour modeliser une experience dont :
plusieurs resultats sont possibles ;
on connait tous les resultats possibles.
est lensemble des resultats possibles.
Remarque : si lexperience et ses motivations sont decrites sans ambigute, la determination de
ne pose pas de problèmes.
Lorsquon eectue une experience aleatoire, certains faits lies ` a cette experience peuvent se
produire ou non : on les appelle evenements.
Probabilite: mesure qui permet devaluer les chances de realisation des evenements.
Lorsque est inni, parfois, toutes les parties de ne sont pas toujours interessantes
introduction de la notion de tribu.
tribu A sur : tout sous-ensemble de parties de tel que :
i) A ;
ii) si A A, alors A A ;
iii) si pour tout n IN, A
n
A, alors
+
_
n=0
A
n
A.
probabilite P sur (, A) : toute application P de A vers [0, 1] telle que :
i) P() = 1 ;
ii) pour toute suite devenements A
n
A, incompatibles deux ` a deux, on a :
P
_
+
_
n=0
A
n
_
=
+
n=0
P(A
n
).
Lorsque est ni, on prend pratiquement toujours A = P().
Equiprobabilite : P({
i
}) =
1
card
pour tout
i
, (o` u card est le nombre delements de
) : chaque resultat a meme chance. On a alors :
P(A) =
cardA
card
.
Combinatoire : theorie pour compter les elements dun ensemble.
Independance : (A
i
)
iI
est une famille devenements independants si pour toute partie J nie
de I, P
_
_
jJ
A
j
_
_
=
jJ
P(A
j
).
97

Fiche 2 : Variables aleatoires discrètes
On a vu comment modeliser une experience aleatoire ` a laide dun triplet (, A, P) avec
ensemble des resultats possibles ;
A P() tribu des evenements ;
P : A [0, 1] probabilite mesurant les chances de realisation des evenements.
X variable aleatoire reelle sur (, A, P) si X : IR application mesurable, cest-à-dire
telle que, pour tout B B
IR
, X
1
(B) A o` u
X
1
(B) = { ; X() B} note [X B].
X() ensemble des valeurs prises par X
X est une v.a.r. discrète si X() est ni ou denombrable.
La loi dune v.a.r. discrète est donnee par :
_
X() = {x
k
, k I ZZ}
p
k
= P([X = x
k
]) pour tout x
k
X()
.
On a alors p
k
0 et
k
p
k
= 1 .
On obtient ainsi P([X B]) pour tout B B
IR
car X
1
(B) =
_
x
k
B
[X = x
k
].
Esperance de (X) o` u : IR IR :
IE((X)) =
k
(x
k
)P([X = x
k
])
(sous reserve de convergence absolue de cette serie).
(x) = x : IE(X) =
x
k
P([X = x
k
]) = m (moyenne) ;
(x) = (x m)
2
, IE((X m)
2
) =
(x
k
m)
2
P([X = x
k
]) =
x
2
k
P([X = x
k
]) m
2
=
IE(X
2
) (IE(X))
2
= var(X) (variance) ;
(x) = e
itx
, IE(e
itX
) =
X
(t) =
e
itx
k
P([X = x
k
]) (fonction caracteristique) ;
(x) = s
x
lorsque X() IN, IE(s
X
) = G
X
(s) =
s
k
P([X = k]) (fonction generatrice) :
cest une serie entière de rayon R 1.
IE(X) = G
X
(1
)
G
X
(1
) = IE(X(X 1)) ; var(X) = G
X
(1
) +C
X
(1
) (G
X
(1
))
2
.
Proprietes : IE(aX +b) = aIE(X) +b et var(aX +b) = a
2
var(X).
98

Fiche 3 : Lois continues
X : (, A, P) IR v.a.r. si X
1
(B) A pour tout B B
IR
.
Loi de X : P
X
probabilite sur B
IR
denie par P
X
(B) = P(X
1
(B)), o` u
X
1
(B) = { ; X() B} note [X B].
B
IR
= ({] , x], x IR}) (plus petite tribu contenant ces intervalles). Pour connatre
P
X
, il sut de connatre P
X
(] , x]) = P([X x]) pour tout x IR.
On note F
X
: x F
X
(x) = P([X x]) la fonction de repartition de X : F
X
est croissante,
continue ` a droite, lim
F
X
= 0, lim
+
F
X
= 1.
X est absolument continue si F
X
est continue sur IR, et de classe C
1
sur IR \ I, avec I ni ou
denombrable.
f
X
= F
X
sur IR\ I (quelconque sur I) est alors une densite de X.
f
X
est positive, continue sur IR\ I, et
_
+
f
X
(t) dt = 1.
Reciproquement, F
X
(x) =
_
x
f
X
(t) dt, P([X = x]) = 0 et
P([a X b]) = F
X
(b) F
X
(a) =
_
b
a
f
X
(t) dt.
Esperance de (X) lorsque X est absolument continue et : IR IR :
IE((X)) =
_
(x)f
X
(x) dx,
sous reserve de convergence absolue (analogue de
(x
k
)P([X = x
k
]) dans le cas discret).
(x) = x : IE(X) =
_
xf
X
(x) dx = m ;
(x) = (x m)
2
, IE((X m)
2
) =
_
(x m)
2
f
X
(x) dx =
_
x
2
f
X
(x) dx m
2
= IE(X
2
)
(IE(X))
2
= var(X) ;
(x) = e
itx
, IE(e
itX
) =
X
(t) =
_
e
itx
f
X
(x)dx ;
(x) = 1I
],t]
(x), IE(1I
],t]
(X)) =
_
1I
],t]
(x)f
X
(x)dx = F
X
(t).
Loi de Y = (X) : utiliser les fonctions de repartition
F
Y
(y) = P([(X) y]), ` a exprimer ` a laide de F
X
puis deriver... ou bien methode directe
lorsque sy prete (C
1
dieomorphisme de sur
avec f
X
nulle hors de ) :
f
Y
(y) = f
X
(
1
(y))|(
1
)
(y)|1I
(y)
Proprietes : IE(aX +b) = aIE(X) +b et var(aX +b) = a
2
var(X).
99

Fiche 4 : Calcul de Lois dans IR
d
Rappels pour d = 2 :
Cas general : On determine la fonction de repartition du couple
F
X,Y
: (x, y) P([X x] [Y y]).
Lois marginales : F
X
(x) = lim
y+
F
X,Y
(x, y) ; F
Y
(y) = lim
x+
F
X,Y
(x, y).
X et Y sont independantes si et seulement si F
X,Y
(x, y) = F
X
(x)F
Y
(y) pour tout (x, y).
Cas particuliers :
v.a.r. discrètes : il sut de connatre p
ij
= P([X = x
i
] [Y = y
j
]) pour x
i
X() et
y
j
Y (). Alors p
i.
= P([X = x
i
]) =
j
p
ij
et p
.j
= P([Y = y
j
]) =
i
p
ij
.
X et Y sont independantes si et seulement si p
ij
= p
i.
p
.j
pour tout (i, j).
(X, Y ) absolument continu : si il existe f 0, continue sur IR
2
\ I (o` u I IR
2
de mesure
nulle), appelee densite, telle que F
X,Y
(x, y) =
_
x
_
y
f(u, v) dudv.
On a alors
_ _
f(u, v) dudv = 1 ; f =

2
F
X,Y
xy
; f
X
(x) =
_
f(x, y) dy ; f
Y
(y) =
_
f(x, y) dx.
X et Y sont independantes ssi f(x, y) = f
X
(x)f
Y
(y) pour tout (x, y).
Esperance de (X, Y ), o` u : IR
2
IR :
IE((X, Y )) =
_
(x, y) dP
X,Y
(x, y)
=
_
i,j
(x
i
, y
j
)P([X = x
i
] [Y = y
j
]) si (X, Y ) discret
_ _
(x, y)f
X,Y
(x, y)dxdy si (X, Y ) absolument continu.
On en deduit la propriete : IE(aX +bY ) = aIE(X) +bIE(Y ).
On a egalement IE(XY ) =
_ _
xy dP
X,Y
(x, y). Par denition,
cov(X, Y ) = IE[(X IE(X))(Y IE(Y ))] = IE(XY ) IE(X)IE(Y ).
(cov(X, X) = var(X) et cov(aX +b, cY +d) = ac cov(X, Y )).
Loi de (U, V ) = h(X, Y ) o` u (X, Y ) absolument continu, de densite f
X,Y
, nulle hors de et h
C
1
dieomorphisme de IR
2
sur
= h() :
f
U,V
(u, v) = f
X,Y
(h
1
(u, v)) |J
h
1 (u, v)| 1I
(u, v)
(cest lanalogue de f
(X)
(u) = f
X
(
1
(u)) |
1
(u)| dans IR).

En general, on veut la loi de (X, Y ) o` u : IR
2
IR (par exemple la loi de X + Y ) : on
peut commencer ` a chercher par exemple la loi de (U, V ) = (X, (X, Y )) puis on en deduit la
deuxième loi marginale.
100

Fiche 5 : Conditionnement discret
On sinteresse ` a la probabilite que A ait lieu, sachant que B a lieu : ceci revient ` a remplacer
par B et A par A B.
Cas ni : On a alors P(A/B) =
card(A B)
card B
=
card(AB)
card
card B
card
=
P(A B)
P(B)
note P
B
(A).
Pour cela, il faut que P(B) = 0.
Consequence : P(A B) = P
B
(A) P(B) = P
A
(B) P(A) si P(A) = 0 et P(B) = 0.
A et B independants (i.e. P(A B) = P(A)P(B)) equivaut ` a P(B) = P
A
(B) ou ` a
P(A) = P
B
(A) : la connaissance de B napporte aucune information pour determiner la
probabilite de A.
Probabilites totales : Lorsque =
_
n
E
n
, avec les E
n
disjoints deux ` a deux,
P(A) =
n
P(A E
n
) =
n
P
En
(A)P(E
n
).
Loi conditionnelle dans le cas discret : Pour y
j
Y (), la loi P
[Y =y
j
]
X
est determinee, pour
x
i
X() par :
P
[Y =y
j
]
X
({x
i
}) = P
[Y =y
j
]
([X = x
i
]) =
P([X = x
i
] [Y = y
j
])
P([Y = y
j
])
=
p
ij
p
.j
.
Esperance conditionnelle IE
[Y =y
j
]
(X) : cest lesperance dune v.a.r. de loi P
[Y =y
j
]
X
, soit
IE
[Y =y
j
]
(X) =
i
x
i
P
[Y =y
j
]
([X = x
i
]) =
i
x
i
p
ij
p
.j
.
Cest un reel qui depend de y
j
, soit (y
j
).
On appelle alors IE
Y
(X) la variable aleatoire (Y ).
101

Fiche 6 : Conditionnement continu
Si X et Y sont absolument continues, P
(X=x)
Y
loi absolument continue de densite
f
(X=x)
Y
(y) =
f
X,Y
(x, y)
f
X
(x)
pour x xe tel que f
X
(x) = 0.
(Cest lanalogue de P
[X=x
i
]
Y
({y
j
}) =
P([X = x
i
] [Y = y
j
])
P([X = x
i
])
dans le cas discret).
Remarque : Pour la loi conditionnelle de Y ` a X = x, le reel x est xe et donc il ne doit pas y
avoir dindicatrice dans f
X
(x) et dans f
X,Y
(x, y), cest y qui doit etre exprime en fonction de x
et non linverse.
Esperance conditionnelle de Y à (X = x) : esperance dune variable de loi P
(X=x)
Y
.
Cest un reel qui est fonction de x.
Si (X, Y ) est discret, IE
(X=x)
(Y ) =
yY ()
yP
[X=x]
([Y = y]) ;
si (X, Y ) est absolument continu, IE
(X=x)
(Y ) =
_
y
f
X,Y
(x, y)
f
X
(x)
dy.
IE
X
(Y ) est la variable aleatoire (X) fonction de X avec (x) = IE
(X=x)
(Y ).
Proprietes :
Si Y admet une esperance, IE
X
(Y ) aussi et alors IE(IE
X
(Y )) = IE(Y ) .
IE
X
((X)Y ) = (X)IE
X
(Y ) pour toute variable bornee (X).
102

Fiche 7 : Convergence
Convergence en loi : X
n
L
X si F
Xn
(x)
n+
F
X
(x) en tout x o` u F
X
est continue, ce
qui equivaut ` a
Xn
(t)
n+
X
(t) pour tout t lorsque
X
est continue en 0 (ou bien ` a
G
Xn
(s)
n+
G
X
(s) pour tout s ] 1, 1[, mais ceci seulement si X
n
et X sont entières),
o` u lon a pose
X
(t) = IE(e
itX
) (et G
X
(s) = IE(s
X
)).
Loi faible des grands nombres : si les X
i
sont des v.a.r. independantes de meme loi, desperance
m, alors
X
1
+ +X
n
n
L
m (v.a.r. constante).
Theorème Central Limite : si les X
i
sont de plus dordre 2, de variance
2
, alors
X
1
+ +X
n
nm
n
L
Z
de loi normale N(0, 1).
Consequence : P
X
1
++Xn
N(nm, n
2
).
Convergence en Probabilite : X
n
P
X si, pour tout > 0,
lim
n+
P([|X
n
X| > ]) = 0.
Inegalite de Bienayme-Tchebitchev : P([|X| > ])
1
2
IE(X
2
)
(et P([|X IE(X)| > ])
1
2
var(X)).
Propriete : La convergence en probabilite implique la convergence en loi. La reciproque est
fausse en general, mais
convergence en loi vers une constante convergence en probabilite vers cette constante.
103

Fiche 8 : Chanes de Markov
Le processus (X
n
)
nIN
est dit Chane de Markov ` a espace detats E, si
pour tous n
1
< n
2
< < n
k
< n
k+1
, pour tous x
1
, , x
k+1
E :
P([X
n
k+1
= x
k+1
]/[X
n
1
= x
1
] [X
n
k
= x
k
]) = P([X
n
k+1
= x
k+1
]/[X
n
k
= x
k
])
pour tous m et n, pour tous x, y E, P([X
m+n
= y]/[X
m
= x]) ne depend que de n (et
non des instants m et m+n).
Notations : On pose p
(n)
x,y
= P
[Xm=x]
([X
m+n
= y]), P
(n)
= (p
(n)
x,y
)
x,yE
et
(n)
= P
Xn
.
Proprietes : a) p
(n)
x,y
0 et
y
p
(n)
x,y
= 1 pour tout x.
b) Pour tout m et pour tout n, P
(m+n)
= P
(m)
P
(n)
. On pose P = P
(1)
.
c) Pour tout m et pour tout n,
(m+n)
=
(m)
P
(n)
, et
(n)
=
(0)
P
n
.
Classication des etats : x y sil existe (n
1
, n
2
) IN
2
tels que p
(n
1
)
xy
> 0 et p
(n
2
)
yx
> 0 :
est une relation dequivalence. Classe essentielle: on ne peut pas en sortir.
Chane irreductible : une seule classe, tous les etats communiquent.
Classication plus ne : f
(n)
xy
probabilite, en partant de x, datteindre y en n etapes (on rajoute
f
(0)
xy
= 0). f
xy
=
+
n=1
f
(n)
xy
probabilite datteindre y en partant de x (ou de retourner en x si
y = x). x est recurrent si f
xx
= 1 (on est s ur dy retourner), transitoire sinon.
recurrent essentiel, et la reciproque est vraie si E ni.
critère : x recurrent si et seulement si
n0
p
(n)
xx
= +.
Temps de retour T
x
: P
[X
0
=x]
([T
x
= n]) = f
(n)
xx
,
x
= IE
[X
0
=x]
(T
x
) =
+
n=1
nf
(n)
xx
.
x recurrent positif si
x
< +.
Distribution stationnaire : probabilite qui verie = P.
Si
(0)
= , alors,
(n)
= pour tout n.
Si
(n)

, alors
P.
Si distribution stationnaire, alors
x
= 0 pour tout x non recurrent positif.
stationnaire existe sil existe une classe recurrente positive ;
non unique sil existe plusieurs classes recurrentes positives.
Pour x recurrent positif et lunique distribution stationnaire sur la classe de x,
x
=
1

x
.
104

QUELQUES LOIS CLASSIQUES
V.A. X X() Loi de X IE(X) var(X)
binomiale
B(n, p)
p ]0, 1[ ; n IN
{0, 1, , n}
P([X = k])
=
C
k
n
p
k
(1 p)
nk
np np(1 p)
geometrique
G(p)
p ]0, 1[
IN
P([X = k])
=
p(1 p)
n1
1
p
1 p
p
2
Poisson
P()
> 0
IN
P([X = k])
=
e
k
k!

uniforme
U([a, b])
ab ; a, b IR
[a, b]
f
X
(x)
=
1
b a
a +b
2
(b a)
2
12
exponentielle
E()
IR
+
IR
+
f
X
(x)
=
e
x
1
2
gamma
(, a)
, a IR
+
IR
+
f
X
(x)
=
a
(a)
e
x
x
a1
a
2
105

Supaero Chab

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Supaero Chab

Transféré par

Droits d'auteur :

Formats disponibles

Elments de thorie

des files dattente

ESEAUX DE FILES DATTENTE

Elements de theorie des les dattente Introduction

Elements de theorie des les dattente Introduction

T(n, ) : temps total pendant lequel le syst`eme contient n clients ; on a bien s ur :

: proportion de temps pendant laquelle le syst`eme contient n clients.

unites de temps et restent tous en

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente Rappels mathematiques

(t) = P(t)A = AP(t) et P(0) = I.

(0)), mais reciproquement, la

Elements de theorie des les dattente Rappels mathematiques

et, en faisant h 0, il vient :

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente Rappels mathematiques

Etude pour k = 0 : p0(t) = f(t) avec f qui verie

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente Rappels mathematiques

alors que IE(Tn) =

. Cest donc que

na pas meme loi que les Tn alors que sur [N

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente Rappels mathematiques

= var(Zt) IE(Zt) + (IE(Zt))

Elements de theorie des les dattente Rappels mathematiques

= (t) et ln(p0(t)) ln(p0(0)) =

(t) exp((t)) = (t)pn1(t)

Elements de theorie des les dattente Rappels mathematiques

. On reconnat bien l`a la fonction generatrice de la

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente Rappels mathematiques

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

(absence de memoire de la loi exponentielle) et P(En) = n = (1 )

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

. Mais ici d nest plus egal ` a .

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

Nombre moyen de clients L

Elements de theorie des les dattente File dattente unique

. On peut redemontrer ce resultat en utilisant la loi de Little :

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

(1) + o(h) = 1 + Lh + o(h), que 0 = 1 A

Temps moyen de sejour W : dapr`es la formule de Little

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

Elements de theorie des les dattente File dattente unique

( z). est donc lunique

( ). Notons que = 1 est toujours solution de cette

(0) = 1). Cela permet dans tous les cas de

Elements de theorie des les dattente File dattente unique

(loi de Little appliquee au serveur)

Elements de theorie des les dattente File dattente unique

)(p) = f(0) +pL(f)(p).