MEPS : Modélisation et évaluation

des performances des systèmes

Présenté par A.I. Amrous

Introduction

Créer un système informatique qui répond au mieux à l’exigence de son cahier de charge, nécessite sa modélisation
par des concepts formels sous forme de schémas et d’équations mathématiques. Et par la suite sa validation a priori
à travers le calcul d’un certains nombre de paramètres de performances. Parmi ces paramètres nous pouvons citer :

- Le temps de réponse: c’est le temps séparant l’arrivée d’une requête de la fin de son traitement. C’est un
paramètres très important, puisque il mesure la qualité de service du système informatique.

- Le débit: nombre de requêtes traitées par unité de temps

- Le taux de perte/rejet: c’est la probabilité qu’une requête soit rejetée par le système

Le calcul de ces paramètres lors de la conception de système, va permettre au concepteur d’envisager des solutions si les
Les valeurs obtenues ne répondent pas aux critères du cahier de charge.
 Modélisation

Un modèle est l’abstraction formelle d’un système réel. En fonction de degré d’abstraction on obtient un modèle plus au
moins fidèle au système modélisé. Un modèle très fidèle a son système réel va être un modèle très compliqué et difficile à
analysé. Alors que le choix d’un modèle peu fidèle, va rendre l’analyse de modèle simple, mais les résultats obtenus sont
moins fiables. Donc il faut choisir un compromis entre la fidélité de modèle au système réel et sa simplicité formelle.

Un modèle peut être caractérisé par plusieurs critères :

- Statique ( indépendant de temps), ou dynamique ( dépendant de temps).
- Déterministe ( évolution déterminée) ou stochastique( évolution probabiliste).
- Discrets ou continu.

Un modèle peut vérifier un seul critère, parmi les critères cités ci-dessus, ou une hybridation entre ces critères

Les modèles qu’on va étudier pendant notre cours sont:

- Les chaines de Markov discrètes et continues
- Les files d’attente
- Les réseaux de Pétrie
Rappel des notions probabilistes de base

Notion Signification Exemple

Expérience aléatoire Son résultat dépend du hasard. Lancer un dé

Univers des résultats L’ensemble de tous les résultats Ω = {1,2,3,4,5,6}

possibles d’une expérience
possibles : Ω aléatoire.

Événement C’est un sous-ensemble de A: Obtenir un nombre pair

l’univers des résultats possibles. A = {2,4,6}
Variable aléatoire C’est une fonction qui associe à

𝑋 :Ω→{−1,1}
chaque évènement d’une  
expérience aléatoire un nombre
  état(une valeur).
) La variable aléatoire signifie
qu’on gagne un dinar si
l’utilisateur lance 4,5 ou 6 et il
perd un dinar sinon.
 Notion
Variable aléatoire discrète
(V.A.D)
Variable aléatoire
Variable aléatoire
continue ( V.A.C)
continue ( V.A.C)
Probabilité d’état P(X=n),
Probabilité
noté P(n) d’état P(X=n),
noté P(n)
Signification Exemple
L’ensemble des états E d’une L’exemple précédent
𝑋:Ω→{−1,1}
variable aléatoire est un ensemble  
fini ou infini dénombrable.
Est une variable aléatoire
discrète
L’ensemble des états E d’une la fonction Random qui nous
L’ensemble des états
variable aléatoire E d’une
est un intervalle la fonction
donne une Random qui nous
valeur réelle a
variable
de nombres réels, non intervalle
aléatoire est un donne une valeur réelle a
chaque appel est une variable
de nombres réels, non
dénombrable.
chaque
aléatoireappel est une variable
continue.
dénombrable. aléatoire continue.
C’est la probabilité que la variable Dans notre exemple précédent
C’est la probabilité que lacomme
variable
aléatoire
aléatoire
discrète aura
résultat n,discrète
tel que: aura comme
P(X=1)=1/2
résultat n, tel que: Car: x=1} et puisque, dans
un dé, la proba d’avoir une
0
  valeur=1/6, donc
  𝑃(𝑥 𝑖 )=¿1¿
∑
𝑥 𝑖 ∈Ω
 Notion Signification Exemple
La densité de probabilité La proba que une variable aléatoire Loi exponentiel de paramètres .
f(x)
La densité de probabilité continue aura comme valeur a,
f(x) P(X=a)=0. car il y a une infinité de
valeur.

Donc les proba d’une variable continue

sera définie par une fonction de densité
sur un intervalle, tel que:

Tel que:

La moyenne (l’espérance) d’une lois de Elle caractérise la position de l’ensemble - Loi exponentiel de paramètres .
probabilité des valeurs possibles d’une variable
aléatoire. sa moyenne:
V.A.D: - La lois de poisson de paramètres ,
La moyenne (l’espérance) d’une lois de Elle caractérise la position de l’ensemble est une lois discrète définie par:
probabilité des valeurs possibles d’une variable P(X=n)= ,
V.A.C :
aléatoire. sa moyenne : =
V.A.D: E [ X ]= ∑ 𝑥 𝑃(𝑥 )
  𝑖 𝑖
𝑖 ∈Ω
𝑥+∞
V.A.C :  
E [ X ] = 𝑥𝑓 ( 𝑥 ) 𝑑𝑥
∫
−∞
 Quelques caractéristiques de lois de probabilité et leurs densités

Soit A et B deux évènements, on a:

  ( 𝐴 ∪𝐵 )=𝑃 ( 𝐴 )+ 𝑃 ( 𝐵 ) − 𝑃 ( 𝐴 ∩ 𝐵 ) , 𝑒𝑡 𝑠𝑖 𝐴 ∩ 𝐵=∅ 𝑎𝑙𝑜𝑟𝑠𝑃 ( 𝐴 ∪ 𝐵 ) =𝑃 ( 𝐴 ) + 𝑃 ( 𝐵 )

𝑃
𝑐
) =1 − 𝑃 ( 𝐴 )
  𝑃 ( 𝐴 ∩𝐵)
𝑃 ( 𝐴|𝐵 ) =
𝑃( 𝐵)

  Si deux évènements sont indépendants alors :

  Si
LES CHAINES DE MARKOV
 Les chaines de Markov discrètes

Définition d’un processus stochastique:

Très souvent, lorsque que nous étudions un phénomène qui dépend du hasard, et qui évolue dans le
temps. Ces phénomènes sont modélisé par une familles de variables aléatoire dites: processus
stochastique.

  Un processus stochastiques est une famille de variables aléatoires définies sur le même espace de probabilité,
prenant des valeurs dans l’espace d’états E et indexées par le paramètre de temps t.
Par suite la variable aléatoire Xt correspond à l’état du phénomène à l’instant t. Si l’ensemble T est :

- Dénombrable, le processus stochastique est dit discret.

- Continu, le processus stochastique est dit continu.

L’ensemble des états E aussi peut être discret ou continu.

Processus Markovien

C’est un processus stochastique qui satisfait la propriété de perte de mémoire, annoncée comme suit:

Ceci vaut dire que l’évolution du processus à l instant n+1, ne dépend que de son évolution à l’instant n, et pas de celle
de l’historique du processus.

Lorsque l’ensemble d’états E d’un processus Markovien est discret, on appellera ce processus une chaine de Markov,
Et si:
- T est dénombrable ( finie ou infinie) on dira que c’est une chaine de Markov discrète ( CMTD)
- T est continu, on dira que c’est une chaine de Markov continue (CMTC)
Probabilité de transition

 On appelle probabilités de transition les probabilités de passé de n’importe quel état , à un autre état j
  Qui vaut dire qu’on doit définir les probabilité et ceci
  Exemple:
si on a trois états: , et supposant que le processus démarre à l’instant t=0 depuis l’état i, donc P(
on doit définir:
  À l’instant 1: , ,
  À l’instant 2: , ,
,,
,,
À l’instant 3:………………..
……

Une chaîne de Markov est dite homogène, si les probabilités de transition entre états ne dépendent pas du temps. Qui
vaut dire elles dépendent pas de l’instant dans la quelle la transition se réalise, mais seulement de l’état depuis lequel
elle s’est produit.  ∀ 𝑛 ∈𝑇 : 𝑃 𝑋 = 𝑗 𝑋 =i = 𝑃 𝑋 = 𝑗 𝑋 =i =… .= 𝑝
( 𝑛+1 | 𝑛 ) ( 𝑛+2 | 𝑛+1 ) 𝑖𝑗
Dans la suite nous supposons toujours que la chaîne de Markov est homogène. Dans ce cas nous pouvons associer
à la chaine de Markov une matrice de transition entre états (MT). Une telle matrice est stochastique, qui vaut que
la somme des valeurs de chaque ligne est égal à 1:  ❑
∑ 𝒑𝒊𝒋 =𝟏
𝒋∈ 𝑬
Une chaine de Markov discrète est complètement définie par:
  - Un graphe orienté, dans lequel chaque nœud représente un état de la chaine. Les transitions entre les états
sont pondérées par les probabilités de transition d’un état de la chaine à un autre, ou sont représenté par une matrice
de transition.

- Le vecteur de probabilité d’états initiaux Qui vaut dire la probabilité d’être dans un état i
à l’instant initiale 0

Exemple :
Considérons
  un système (processeur) pouvant se trouver à deux états possibles, en un jour n. L’état
en marche (M), et l’état en panne (P). Et soit les probabilités suivantes:
- La probabilité d’être en marche et de rester en marche le jour suivant est .
- La probabilité d’être en marche et puis de tomber en panne le jour suivant est .
- La probabilité d’être en penne et de rester en panne le jour suivant est .
- La probabilité d’être en panne et puis d’être en marche le jour suivant est .
  - Ce système peut être modélisé par une variable aléatoire qui peut prendre la valeur: en mache (M), ou en panne (P),
le jour n.
- Le fait que la valeur de (X au jour n+1), ne dépend que de (X au jour précédent n), vaut dire que le modèle vérifie
la propriété de Markov.
- L’espace des états E={ en panne(P), en marche(m)}, et donc on peut appelé ce modèle une chaine de Markov.
- Le temps est discret, puisque on parle de jours, et donc c’est une chaine de Markov à temps Discret (CMDT)
1
 
2

- Graphe d’une chaine de Markov discrète  1 P M

3
 
2 5

 2
 
MT= 5

- Matrice de transition

  - Probabilité initial: = (1,0) ou (0, 1)

Qui vaut dire que initialement on est soit:

- en marche ( donc la probabilité d’être en mache=1, et la probabilité d’être en panne =0)

ou
- en panne ( donc la probabilité d’être en panne=1, et la probabilité d’être en marche =0)
Avec une chaine de Markov discrète, on s’intéresse a deux types d’analyses:

- Une analyse transitoire: elle s’intéresse a prédire l’état du modèle, à une instant n, qui vaut dire calculer
le vecteur de probabilité pour une instant n.

  - Une analyse stationnaire: elle s’intéresse à prédire l’état du modèle lorsque il atteint sa stabilité, après un
un fonctionnement très long (( la propriété de stationnarité n’est pas atteinte par tous les modèles).
1) Analyse transitoire

 On s’intéresse à calculer le vecteur de probabilité d’états à l’instant n, , tel que , on a:

(𝑛 −1) ( 0) 𝑛
∗ 𝑀𝑇 =… … ..=𝜋 ∗ 𝑀𝑇
(𝑛)
𝜋  =𝜋
j

𝑛
 

𝑀𝑇 =𝑖 ¿
Tel que:

  La probabilité qui représente la valeur qui se situe à la i éme ligne et j ème colonne dans la matrice ,
désigne la probabilité d’atteindre l’état j depuis l’état i, après n étapes, qui vaut dire:

Les probabilités de la matrice de transition vérifiées l’équation de Chapman Kolmogorov

(𝑛 ) ( 𝑚) ( 𝑛 −𝑚 )
 
𝑝𝑖𝑗 = ∑ 𝑝 𝑖𝑘 . 𝑝 𝑘𝑗 , 0< 𝑚< 𝑛
𝑘∈𝐸
 Exemple:
 
MT=
En prenant la matrice de transition de l’exemple précédent

  Et en supposant que l’état initial est

  1 1
( 1)
𝜋 = 𝜋 ∗ 𝑀𝑇 = ( 1 , 0 ) ∗

 
(0 ) 2
2
5
2
3
5
=

1
1
2
( )( ) ,
1
2

1
( 2) 2 ( 1)
𝜋 = 𝜋 ∗ 𝑀𝑇 = 𝜋 ∗ 𝑀𝑇 =
(0 ) 1 1
,
2 2
∗
2
2 ( ) ( ) 2
3
= ( 0 . 45 ,0 . 55 )
5 5

n 0 1 2 3 4 5
1 0.5 0.45 0.445 0.4445 0.4445
0
0 0.5
0.5 0.55
0.55 0.555
0.555 0.555
0.555 0.555
0.555
 On peut calculer la probabilité de transition de l’état P en M après 3 étapes comme suit:

  - On calcul et puis désigne la valeur qui se trouve à la ligne P et la colonne M .

  donc =111/200=0,555

1
 
2
- Ont peut utiliser l’équation de Chapman Kolmogorov
1 3
 2 P M  
5
(3) ( 𝑚) ( 3 −𝑚 )
 
𝑝 𝑃𝑀 =∑ 𝑝 𝑃𝑘 .𝑝 𝑘𝑀 , 0< 𝑚<3 2
𝑘 ∈𝐸  
5

 
=0,555
 2) Analyse stationnaire:
 - On s’intéresse à calculer le vecteur de probabilité , lorsque , qui vaut dire:
(𝑛)
𝜋
  = lim 𝜋
Exemple: 𝑛 →+∞

En prenant la matrice de transition de l’exemple précédent

  Et en supposant que l’état initial est

  Et en supposant que l’état initial est
  1 1

( 1)
= 𝜋 (0 ) ∗ 𝑀𝑇 = ( 1 , 0 ) ∗
1
2
2
5
( )
1
2
3
5
=
1 1
,
2 2 ( ) 𝜋
( 1)
=𝜋
(0 )
∗ 𝑀𝑇 = ( 1 , 0 ) ∗

1
2
2
5
( ) 1
2
3
5
=
2 3
,
5 5 ( )
 
) ( )
  1 1 2 4 2 2
) ( ) (
( 2)
𝜋 = 𝜋 ∗ 𝑀𝑇 = ∗
(1)
1 1 2 2 , = ( 0 . 44 , 0 . 56 )
( 2)
𝜋 = 𝜋 ∗ 𝑀𝑇 =
(1)
,
2 2
∗ (2 3
=( 0 . 45 , 0 .55 ) 5 5 2
5
3
5
5 5
n 0 1 2 3 4 5 n 0 1 2 3 4 5
1 0.5 0.45 0.445 0.4445 0.4445 0 0.5 0.44 0.444 0.444 0.4445
0
0 0.5
0.5 0.55
0.55 0.555
0.555 0.555
0.555 0.555
0.555 1
1 0.5
0.5 0.56
0.56 0.556
0.556 0.5556
0.5556 0.5556
0.5556

On remarque l’évolution de vecteur d’états tend vers une distribution constante indépendante de vecteur de
probabilité initial
 la propriété de stationnarité n’est pas atteinte par tous les modèles, et donc il faut vérifier a chaque
fois, avant de passer a son calcule si elle existe et si elle est unique?

Pour répondre a cette question il faut étudier quelques propriétés des états de la chaine de Markov.

- 1) une CMTD irréductible

Une CMTD est dite irréductible ssi de tout état i on peut atteindre tout état j, en un nombre fini d’étapes.
Et on note ceci ij.
 ∀ 𝑖, 𝑗∈ 𝐸𝑖 → 𝑗❑ ∃ 𝑚≥ 1 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑝(𝑚) 𝑖𝑗 ≠ 0
⇔
  Si ij et ji on dira que i communique avec j et on le notera:

Exemple : 1
 
1
 
2
2 e3  1
5
 1 3
 1 e1 e2
3
  2 e1 e2  
5
2 5

2 1
 
  5
5

e1e2 et e2e1, donc tous les états communique De e3 on peut pas atteindre le e2 ou le e1, et donc la CMTD est
Et donc la CMTD est irréductible. non irréductible.
 - 2) Une CMDT apériodique:
  périodicité d’un état i, est :
La
C’est le plus grand commun diviseur des longueurs des circuits allant de i à i.

La période d’une CMTD égale au PGCD de la période de chacun de ses états. Elle est égale au PGCD de la longueur
de tous les circuits du graphe.

Une CMTD est dire apériodique si sa période =1, sinon elle est dite périodique.
0,5
Exemple 1
 
2
e1 e2
0,5
 1 e1 e2
3
 
2 5 0,5 0,5 0,5 0,5
2
  e4 e3
5 0,5

d(e1)=PGCD{1, 2,3,4,…..}=1 0,5

Période de la CMTD PGCD{1,1}=1 d(e1)=PGCD{2,4,6}=2
d(e2)=PGCD{1, 2,3,4,…..}=1 d(e2)=2 Période de la CMTD PGCD{2,2,2,2}=2
Donc la CMTD est apériodique
d(e3)=2 Donc la CMTD est périodique
d(e4)=2
-3) Une CMTD ergodique

Une chaine de Markov à temps discret finie, est ergodique si et seulement si elle est :
- apériodique
- Irréductible

4) Une CMTD stationnaire

Une chaine de Markov admet une distribution stationnaire unique sur ses états, si elle est ergodique.

 Ceci vaut dire que le vecteur de probabilité d’état d’une CMTD ergodique se stabilise après l’écoulement d’un temps
Infini, ce vecteur est indépendant de la distribution initiale et il se calcule en résolvant le système d’équations
Suivant:

  𝜋 . 𝑀𝑇 =𝜋

{∑𝑖∈ 𝐸
𝜋 𝑖=1

Les probabilités d’états dans le cas stationnaire, peuvent être interprétées comme la proportion de temps passée
dans ces états.
Exercice:
Soit la matrice de transition d’une CMTD:

 0 , 1 0,5 0,4
( 0,6 0,2 0,2
0,3 0,4 0,3 )
1- Représenter la matrice de transition sous forme d’un graphe avec 3 états {1,2,3}

2- Est ce que la chaine est ergodique

3- Est ce que sa distribution de probabilité est stationnaire? Si oui calculer son vecteur de probabilité
Les paramètres de performance d’une CMTD

Les paramètres de performance qu’on peut calculer d’une CMTD sont:

  la probabilité d’aller d’un état i à un état j en n étapes

  Calculer depuis l’équation de Kolmogorov, ou depuis la matrice, (vu précédemment).

  : la probabilité d’aller d’un état i et d’arrivé pour la première fois en état j après n étapes.
  Calculer par la relation suivante:

Qui exprime simplement le fait que pour aller de i et d’arriver pour la première fois en j après n étapes, il suffit d’aller
en une étape à un état k différent de j, puis d’aller de k et d’arriver pour la première fois en j après n-1 étapes (sans
repasser par j).
  : la probabilité d’aller de i en j pour la première fois, en un nombre quelconque d’étapes (probabilité d’atteindre j en
partant de i)

Calculer par l’équation :

 

Ce résultat exprime que pour aller de i en j en un nombre quelconque d’étapes, on va aller de l’ état i et
puis on va arriver pour la première fois à l’état j, après 1 étape, ou 2 étapes ou …..
Ou
 

Ce résultat exprime que pour aller de i en j en un nombre quelconque d’étapes, soit on y va

directement en une étape, soit on va à un état k différent de j et il reste à aller de k à j en un
nombre quelconque d’étapes.

Notons que dans une CMD irréductible les probabilités fij sont toutes égales à 1. Car tous les états communiques
entre eux, et donc en démarrant d’un état i il est sur qu’on va arrivé à n’importe quel autre état j.
   : le temps moyen de premier passage de l’état i à l’état j.

 
Calculer par l’équation:
Si la CMDT est irréductible, on peut utiliser

 Lorsque j=i alors on peut calculer aussi

  • : la probabilité de premier retour à l’état i après n étapes
•  : la probabilité de revenir à l’état i, après l’avoir quitter

   : le temps moyen de retour en i ( le nombre moyen d’étapes pour retourner en i)

  +∞
𝑀 𝑖=∑ 𝑛 𝑓 (𝑛)
𝑖𝑖
𝑛=1
  Quand la probabilité stationnaire existe, on a
  Le temps de séjour dans un état i d’une CMDT, est modélisé par une variable Si qui suit une lois de probabilité
géométrique de la forme
P
  \{ S i   =  m  /  X 0 =  i \}= ¿ ¿

  𝑃 ( 𝑆 𝑖 =𝑚| 𝑋 0=𝑖 ) = 𝑃 ( 𝑋 1 =𝑖 , 𝑋 2=𝑖 , … , 𝑋 𝑚 − 1 =𝑖 , 𝑋 𝑚 ≠ 𝑖 )

 * *…
1−  𝑝𝑖𝑖 j 
 ¿ (1 − ❑ 𝑚 −1
𝑝 ¿ ¿ 𝑖𝑖 )( 𝑝 ¿ ¿ 𝑖𝑖 )  ¿¿
 𝑖 1−  𝑝𝑖𝑖 j 
 𝑝𝑖𝑖  𝑖 1−  𝑝𝑖𝑖 j 
 𝑝𝑖𝑖
 𝑖
 𝑝𝑖𝑖  𝑖

  Le temps moyen de séjour dans un état i, est la moyenne de la lois géométrique et il est donné par

 
 Classifications des états
une classe est un ensemble d’états qui communiquent entre eux. Une CMDT peut être constituée d’une ou plusieurs
classes. Les états d’une même classe sont de même nature.
Nature des états
Un état i Un état i

Transitoire Récurrent  
Périodique Apériodique  

Récurrent Récurrent non nul

nul,   dit aussi, récurrent
positif  

Propriété:
- Une CMDT finie ne peut comporter que des états transitoires ou récurrents non nul. Ainsi un état récurent nul ne peut
donc exister que dans une CMTD infinie
- Tous les états d’une CMTD irréductible finie sont récurrents non nuls
Dans le cas ou la CMTD n’est pas irréductible, il est utile de la partitionner en des sous ensembles
dont les éléments ont les mêmes comportements.

- Une classe est dite absorbante si une fois rentrer dans cette classe on ne peut plus sortir de celle-ci.
- Une classe est dire transitoire, si une fois on sorte de cette classe on peut plus rentrer a celle-ci.

Exemple:

Sous chaine Transitoire

Propriété
L’existence de plus d’une classe absorbante, vaut dire que la CMTD n’est pas irréductible et donc non ergodique,
Probabilité d’absorbtion

Si on a deux classes, une classe récurrente C, et une classe transitoire T, alors la probabilité qu’un état i de la classe T,
sera absorber par un état j de classe C, est :

𝐴𝑖𝐶 = ∑ 𝑃𝑖𝑗 + ∑ 𝑃𝑖𝑘 𝐴 𝑘𝐶

 

𝑗 ∈𝐶 𝑘 ∈𝑇
LES CHAINES DE MARKOV
CONTINUES
  Une chaine de Markov continue (CMTC) est une chaine de Markov dont l’évolution du temps est continue.
  Soit , la variable qui va modéliser l’état du système à l’instant t.
Les points de changement d’états sont des points aléatoires dans le temps, pas nécessairement entiers.

 Puisque c’est une chaine de Markov, donc elle va vérifier la contrainte de perte de mémoire

Les transition entre états se font à des instants quelconque non dénombrable, tandis que l’ensemble d’états E est
toujours dénombrable (finie ou infini).

   On va se limiter aux CMTC homogènes, qui vaut dire que la probabilité , ne dépond pas des instants
et , mais plutôt de la durée (- qui sépare les deux observations.
Ceci va nous permettre de définir la probabilité .

  ¿ 𝑃 ¿
Taux de transition
Dans les CMTC, on considère les taux de transissions au lieu des probabilité de transition d’états.
Un taux de transition est défini par :

  𝑝 𝑖𝑗 (𝑡 ,𝑡 +h)
𝜆  𝑖𝑗 (𝑡 )=lim
h→ 0 h

  tel que

peut être interprétée comme la probabilité de transition de l’état i vers l’état j au cours d’un
intervalle infiniment petit t, t  h .
  Pour les CMTC homogènes, on aura =
 Le taux de transition peut être interprété comme le nombre moyen de fois que le processus passe de i à j par unité de
temps.

Définition

  Une CMTC est caractérisée par:

- Le temps passé dans tous état i de la chaine est une variable aléatoire distribuée selon la loi exponentielle de taux
- Le temps de transition de l’état i à l’état j est distribué selon une loi exponentielle de taux
 Description d’une CMTC

  Une CMTC peut être définie par :

- soit par un graphe orienté dont les nœuds représentent les états de la CMTC et les arc sont pondérés par les
taux de transition.
- Soit par une matrice Q des taux de transition ( appelé aussi   ’ générateur infinitésimal’) tel que, chaque case :
  𝜆 𝑖 𝑗 𝑠𝑖 𝑖 ≠ 𝑗
𝑞 𝑖 𝑗=
{
− ∑ 𝜆𝑖𝑘 𝑠𝑖 𝑖 = 𝑗
𝑘 ≠𝑖
𝑘 ∈𝐸

𝑄=¿
 

Et donc la matrice

La somme des éléments sur chaque ligne dans la matrice Q est nulle.
Les équations d’états dites aussi les équations de Chapman Kolmogorov:

 soit, tel que

Ces probabilités vérifient l’équation d’états suivante:

Flux entrant Flux sortant

Sous forme matricielle ceci va donner:

 𝑑 𝜋 ❑ ( 𝑡 )
=𝜋 ( 𝑡 ) 𝑄 (𝑡 )
𝑑𝑡

Tel que Q(t) est la matrice des taux de transition

 Stationnarité d’une CMTC
Une CMTC est stationnaire(ergodique) si elle est finie et irréductible. Dans ce cas elle accepte une distribution stationnaire
unique, obtenue par la résolution de système d’équations

  𝜋 𝑄=0

{ 𝑛

∑ 𝜋 𝑖=1
𝑖=1

  Dans le cas stationnaire, puisque il n’y aura pas de changement d’états (, on aura:
le flux entrain = flux sortant

 
 Exemple
Considérons le processus stochastique modélisant l’état d’un processus (occupé, inoccupé)
X(t) = 0 si
inoccupé
1
sinon
On suppose les périodes de temps durant lesquelles le processeur est inoccupé (resp. occupé) sont distribués selon
une loi
exponentielle avec le paramètre λ (resp. μ)

1- Donné le graphe et la matrice Q

2- la durée moyenne durant laquelle le système est inoccupé

Puisque le temps de séjour dans l’état 0 suit une lois exponentielle de paramètre λ, et donc sa moyenne = 1/ λ
La CMTD incluse dans une CMTC
  𝜆 𝑖 𝑗 𝑠𝑖 𝑖 ≠ 𝑗
𝑞 𝑖 𝑗=
Soit la CMTC définie par le générateur infinitésimal Q , et dont les termes
{
− ∑ 𝜆𝑖𝑘 𝑠𝑖 𝑖 = 𝑗
𝑘 ≠𝑖
𝑘 ∈𝐸

On appelle la CMTD incluse dans cette CMTC, la chaine définie par les probabilité de transitions:

 𝑝𝑖𝑗 = 𝜆𝑖𝑗 = 𝜆𝑖𝑗

𝜆𝑖 ∑ 𝜆𝑖𝑘
𝑘 ≠𝑖
𝜆  𝑖𝑗  𝑝𝑖𝑗 j
𝑘 ∈𝐸 j
i i

𝜆  𝑖 𝑘 k 𝑝  𝑖 𝑘 k

CMTC CMTD incluse

Les files d’attente
Processus de naissance et de mort

un processus de naissance et de mort est un processus de Markov continu, dont les seules transitions possibles,
à partir un état i, sont vers ses voisins i-1 et i+1.

Ces processus ont de nombreuses applications en dynamique des populations et dans la théorie des files d'attente.
Le processus est spécifié par les taux de naissance 𝑞  𝑞 𝑖𝑗− 1=𝜇𝑖
  𝑖𝑗+1=𝜆 𝑖 et les taux de mortalité 

  𝜇𝑖   𝜆𝑖
i-1 i i+1

- Lorsque le système à un instant donné t  est dans l'état i, on dit que la population à l'instant t  est de taille i.

  - La transition de l’état i vers i+1, s’appelle une naissance, et représente le taux de naissance (le nombre de naissance
par unité de temps ).

  - La transition de l’état i vers i-1, s’appelle une morte et représente le taux de mort (le nombre de mort par
unité de temps ).
La loi de naissance ( la lois des arrivées)

La
  lois de naissance (d’arrivée) dans le cas d’un processus de naissance de mort suit une loi de poisson car elle vérifie
les caractéristique suivantes:
- Le processus commence à l'instant 0 avec l'état 0.( personne n’est encore né)
- La seule transition directe admise est la transition de i a i+1, appelé naissance ou arrivée.
- A tout instant t, la probabilité d'une arrivée dans l'intervalle [t, t + h[  est , et ceci quel que soit
l'évolution du processus avant l'instant t et l'état du système à cet instant.

  Pour un processus de poisson Z(t) de paramètres , on a:

La loi des inter-arrivées

Soit T  la durée de temps qui sépare deux arrivées consécutives, la loi de la variable T est dite loi des inter-arrivées.

théorème

  Si la loi des arrivées suit un processus de poisson de paramètres , donc les lois des inter-arrivés consécutives sont
indépendantes, et chacune suit une loi exponentielles de même paramètre

  Si les inter-arrivées forment des variables aléatoires indépendantes, chacune suivant une loi exponentielle de paramètre     
.
  et si les arrivées ont lieu une par une alors le processus d'arrivée est de Poisson

Une variable exponentielle admet la densité de la forme

𝑓  ( 𝑡 )= λ 𝑒− λ 𝑡
Les équations d’états de Chapman Kolmogorov:

 soit, tel que

Ces probabilités vérifient l’équation d’états suivante:

0 naissance 1 naissance, 0 naissance,

1 mort 0 mort 0 mort
 

1 naissance, 0 naissance,
0 mort 0 mort
 𝑛
∑ 𝜋 𝑖=1
𝑖=1

  𝜆0   𝜇𝑖   𝜆𝑖
0 1 i-1 i i+1

  𝜇1   𝜆𝑖 − 1   𝜇𝑖+1
Régime stationnaire

Si la chaine est ergodique la chaine, la chaine admet une distribution stationnaire qui est solution du système d’équations:

 
 
 𝑛
∑ 𝜋𝑖 (𝑡)=1
𝑖=1
La résolution par récurrence d’un tel système se fait ainsi:

   
 
 

 𝑛
 
∑ 𝜋 ( 𝑡 )dans
On remplaçant ceci
𝑖 =1, on obtient
𝑖=1
Condition d’existence d’un régime stationnaire
Un processus de naissance et de mort est stationnaire, si et seulement si, :

- Soit il est finie et irréductible

  - Soit Dans le cas où le système est infinie dénombrable (l’espace d’état E, est infinie dénombrable) , la chaine doit
Vérifiée .
Les files d’attente

De nombreux systèmes d'attente peuvent être modélisés par un processus de naissance et de mort. Ces systèmes ont
comme particularités communes un processus d'arrivée de type poissonnien et une durée de service suivant une loi
exponentielle. L’arrive représente la naissance et le service représente la mort.

- On pourra avoir un nombre quelconque de serveurs.

- Le système peut adopter une discipline particulière pour l’ordre de service ( FIFO, LIFO, etc.)
- Le système peut admettre un nombre fini ou infini d’utilisateurs.

Ces caractéristiques de files d’attente, peuvent être notés grâce a la notation de Kendel, comme suit

X/Y/s/k/type

Arrivé d’utilisateurs
Départ des utilisateurs

salle d’attente serveur

Notation de Kendel d’une file d’attente :X/Y/s/k/type

 X représente le processus d'arrivée, il peut être soit:

- M lorsque le processus est de Poisson, 
- D lorsqu'il est déterministe, ou
- G lorsqu'il est quelconque.

 Y représente la loi de la durée de service; il peut être soit :

- M pour la variable aléatoire exponentielle, 
- D pour une durée déterministe, ou
- G pour une durée de type général.
 s est le nombre de serveurs, qui est un entier positif.

 K est le nombre total d’utilisateurs que le système peut admettre suivant des contraintes d'espace et d'accueil. Dans le
cas où il est absent, ce nombre n'est pas limité

 La notation peut inclure aussi la discipline de service : FIFO = PAPS (Premier Arrivé, Premier Servi), LIFO = DAPS (Dernier Arrivé,
Premier Servi), ou P (Prioritaire).
 Le système M/M/1

  Un système M/M/1 est équivalent au système M/M/1/

Processus des arrivées poisonien, processus de service exponentiel, 1 seul serveur, le nombre d’utilisateur est infini, et la
discipline de service est FIFO

 Supposons que Le processus d'arrivée d’utilisateur est de Poisson de taux        

Le diagramme associé a ce type de file d’attente est un processus de naissance et de mort, schématisé comme suit:

  𝜆❑   𝜇❑   𝜆❑
0 1 i-1 i i+1

  𝜇❑   𝜆❑   𝜇❑
  𝜆❑
le processus est ergodique si et seulement si  <1
𝜇❑
  Puisque on a : et . Les équations des probabilités stationnaires deviennent alors :
𝑖
𝜆𝑘   𝜆❑𝑖
(𝑡 )= 𝜋 0 𝜋 𝑖(
(𝑡 ) ∏ 𝑡 )= 𝜋 0 (Tel
  𝑡que:
)𝜌= 𝜌
𝜇❑
𝑘 =0 𝜇𝑘 +1
1  𝜋 0 (𝑡 )= ∞
1
( 𝑡 )= ∞ 𝑖
𝜆𝑘 ∑ 𝜌
𝑖

∑∏ 𝜇 𝑘 +1
𝑖=0
𝑖=0 𝑘 =0

 Condition d’existence d’un régime stationnaire

- pour que la chaine soit ergodique il faut que ceci va être vérifié si =

  Interprétation de la condition

Cette condition garantie que le taux des arrivés sont inferieure aux taux de service et donc ceci granite que de n’importe quel
état i je vais aller a un état i+k, et puis un jour je vais revenir, et donc la chaine sera irréductible.
1 1
  0 ( 𝑡 )=
𝜋 ∞
=
1 / (1 − 𝜌 )
∑  𝜌𝜋
𝑖
0 ( 𝑡 )= 1 − ρ
𝑖=0

 En régime stationnaire, lorsque

𝜋  𝑖(𝑡 )=𝜋 0 (𝑡 ) 𝜌𝑖 𝜋
  𝑖 (𝑡 )=(1 − 𝜌) 𝜌
𝑖
Les paramètres de performances

Dans le cas des files d’attente on s’intéresse, en général, au paramètres suivants:

 - La charge du système
 - La probabilité stationnaire pour que le système soit occupé, calculée comme

  - Le nombre moyen d’utilisateur dans le système

 
Car:

  ´ ´
𝑁 1
𝑉serveur):
- Le temps moyen d’attente dans le système ( file d’attente+ = =
𝜆 𝜇 − 𝜆
1 unité de temps  clients
Car:
  unité de temps  clients

  - Le nombre moyen d’utilisateur dans le serveur:

  - Le nombre moyen d’utilisateur en attente dans la file

 
Car:   On peut le calculer aussi comme
  - Le temps moyen d’attente

1 unité de temps  clients

Car:
  unité de temps  clients

  on peut le calculer aussi par

Le temps moyen
Le temps moyen de séjour de service d’un utilisateur
dans le système

  - Le débit absolue qui représente le nombre d’utilisateurs servis par unité de temps

- Le débit relatif qui représente la probabilité qu’un utilisateur qui arrive dans le système sera servi
  ´` ´
𝐴 𝜆
𝐴= = =1
𝜆𝑒𝑓𝑓 𝜆
  Tel que représente le taux réelle des arrivé dans le système. Dans le cas ou la file d’attente est bornée,
ce taux va être différent du paramètres de la loi de poisson qui modélise les arrivés, car il y aura des utilisateurs qui arrivent
et qui vont trouver la fille bornée, donc il vont quitter immédiatement le système
 Le système M/M/s

  Un système M/M/s est équivalent au système M/M/s/

Processus des arrivées poisonien, processus de service exponentiel, s seul serveur, le nombre d’utilisateur est infini, et la
discipline de service est FIFO

 Supposons que Le processus d'arrivée d’utilisateur est de Poisson de taux        

Le diagramme associé a ce type de file d’attente est un processus de naissance et de mort, schématisé comme suit:

  𝜆❑   𝜆❑   𝜆❑   𝜆❑   𝜆❑
0 1 2 i-1 i i+1 s-1 s s+1

  𝜇❑  2 𝜇❑  𝑖 𝜇❑  𝑠 𝜇❑ s 
  ¿ s 

Le système admet une distribution stationnaire si et seulement si                    

c'est-à-dire si le taux d'arrivée est inférieur au taux total de service.

 Probabilités d’états dans le cas stationnaire

𝜆 ∗ 𝜆 ∗ …∗ 𝜆   𝜌𝑖
𝑖
𝜋 𝑖(𝑡 )= 𝜋 0 (𝑡 ) ∏
𝑘=0
𝜆𝑘
𝜇𝑘 +1
=¿
{𝜋 0 (𝑡 )

𝜋 0 (𝑡 )
𝜇 ∗ ( 2 𝜇 ) ∗ (3 𝜇 ) ∗ …(𝑖 𝜇)
𝜆 ∗ 𝜆 ∗… … … ∗ 𝜆
𝜇∗ ( 2 𝜇 ) ∗ ( 3 𝜇 ) ∗ … ( 𝑠 𝜇 ) … ( 𝑠 𝜇 )
¿ 𝑠𝑖 𝑖< 𝑠

¿ 𝑠𝑖 𝑖 ≥ 𝑠
¿ 𝜋 𝑖 (𝑡 )=
{
𝜋 0 (𝑡 )

𝜋0 (𝑡 )
𝑖!
𝜌𝑖
𝑠! 𝑠
𝑖− 𝑠
¿ 𝑠𝑖 𝑖< 𝑠

¿ 𝑠𝑖 𝑖 ≥ 𝑠

 Tel que :

  0 (𝑡 )= 1   0 (𝑡 )= 1
𝜋 ∞ 𝑖 𝜋 𝑠 −1
𝜆𝑘 𝜌
𝑖 +∞
𝜌
𝑖
∑∏ 𝜇 𝑘 +1 ∑ +∑
𝑖 ! 𝑖=𝑠 𝑠 ! 𝑠 𝑖− 𝑠
𝑖=0 𝑘 =0 𝑖=0

  0 (𝑡 )= 1
𝜋 𝑠 −1
𝜌𝑖 𝜌𝑠 𝜌𝑖 −𝑠
+∞

∑ +
𝑖! 𝑠!
∑ 𝑠
𝑖 −𝑠
𝑖=0 𝑖=𝑠

  (𝑡 )= 1
𝜋 0 𝑠 −1
𝜌𝑖 𝜌𝑠 𝑠
∑ +
𝑖 ! 𝑠 ! (𝑠 − 𝜌 )
𝑖=0
Les paramètres de performances

 - La charge du système

 - La probabilité stationnaire pour que le système soit occupé, calculée comme

- Le nombre moyen d’utilisateur dans le système

  ´
𝑁
𝑉
- Le temps moyen d’attente dans le système ( file d’attente+ ´
serveur): =
𝜆
1 unité de temps  clients
Car:
  unité de temps  clients

  - Le nombre moyen d’utilisateur dans le serveur:

- Le nombre moyen d’utilisateur en attente dans la file

 
   - Le temps moyen d’attente

1 unité de temps  clients

Car:
  unité de temps  clients

  - Le débit absolue qui représente le nombre d’utilisateurs servis par unité de temps

- Le débit relatif qui représente la probabilité qu’un utilisateur qui arrive dans le système sera servi
  ´` ´
𝐴 𝜆
𝐴= = =1
𝜆𝑒𝑓𝑓 𝜆
  Tel que représente le taux réelle des arrivé dans le système. Dans le cas ou la file d’attente est bornée,
ce taux va être différent du paramètres de la loi de poisson qui modélise les arrivés, car il y aura des utilisateurs qui arrivent
et qui vont trouver la fille bornée, donc il vont quitter immédiatement le système
 Le système M/M/1/K

  Un système M/M/1/K est équivalent au système M/M/1/

Processus des arrivées poisonien, processus de service exponentiel, 1 seul serveur, la file d’attente est borné a K places, et la
discipline de service est FIFO

 Supposons que Le processus d'arrivée d’utilisateur est de Poisson de taux        

Le diagramme associé a ce type de file d’attente est un processus de naissance et de mort, schématisé comme suit:

  𝜆❑   𝜆❑   𝜆❑   𝜆❑   𝜆❑   𝜆❑
0 1 2 i-1 i i+1 K-1 K
  𝜇❑   𝜇❑   𝜇❑   𝜇❑   𝜇❑

Le système admet une distribution stationnaire sans aucune condition, car la chaine est finie et
irréductible.  
Probabilités d’états dans le cas stationnaire

𝑖
  𝜆𝑘 𝜋 0 (𝑡 ) 𝜌 𝑖 ¿ 𝑠𝑖 𝑖 ≤ 𝐾
𝜋 𝑖(𝑡 )=𝜋 0 (𝑡 ) ∏
𝑘=0 𝜇𝑘 +1
 
𝜋 𝑖 (𝑡 )= { 0 ¿ 𝑠𝑖 𝑖 > 𝐾

1
  0 (𝑡 )= 1  𝜋 0 (𝑡 )= 𝐾
𝜋 ∞ 𝑖 ∑ 𝜌𝑖
𝜆𝑘
∑∏ 𝜇 𝑘 +1
𝑖=0

𝑖=0 𝑘 =0

  1− 𝜌
𝜋 0 (𝑡 )= 𝑖
1−𝜌
 Les paramètres de performances

  - Le débit absolue qui représente le nombre d’utilisateurs servis par unité de temps

- Le débit relatif qui représente la probabilité qu’un utilisateur qui arrive dans le système sera servi
´
 𝐴` =1 − 𝜋 𝐾

  - Probabilité de refus:

  - La charge de système

- Le nombre moyen d’utilisateur dans le système

 
- Le nombre moyen d’utilisateur dans la file

 - Le temps moyen de séjour dans le système:

 
Partie
TD
TD1
. Montrez que ce système se modélise par une chaîne de Markov à 3 états.
 Dessinez le graphe associé à cette chaîne et donnez sa matrice de
transition.

Si l’imprimante est en attente à un instant donné, quelle est la probabilité de se trouver à l’état d’interruption au bout de 2
étapes ? puis après 3 étapes ?
Quel est le temps moyen d’une interruption ?

Quelle est la taille moyenne des fichiers imprimés ?

Montrer que la chaîne est ergodique. Calculez-les probabilités stationnaires associées.
7. En régime stationnaire, quel est le taux (la proportion) d’utilisation de l’imprimante ?
 
Exercice 2:
1)Montrer que l’évolution du marché peut être décrite par une chaîne de Markov
la distribution initiale
la matrice des probabilités
2) Déterminer l’état du marché au 31 janvier.

2) Quel serait cet état au bout d’une seconde campagne de publicité de 15 jours ?
5) Y a-t-il une limite à l’état du marché au bout d’un grand nombre de campagnes de publicité ?
1. Quel est le modèle adapté pour la modélisation de ce système ? Justifier.
1. Donner la représentation graphique et matricielle correspondante, ainsi que les probabilité d’états
initiale ?
2) Quelle est la probabilité que le robot soit dans la salle 2 après 4 déplacements ?
3) Quelle est la probabilité de premier retour du robot dans la salle 2 ?
5) Quel est le temps moyen de premier retour dans la salle 2 ?   +∞
𝑀 𝑖=∑ 𝑛 𝑓 (𝑛)
𝑖𝑖
𝑛=1
1- Quel est le modèle adapté à ce système ?
 2- Donnez le diagramme des taux de transition d’état ainsi que le générateur infinitésimal décrivant ce système ?

3- Vérifiez l’érgodicité de ce modèle ? si le régime stationnaire sera atteint, calculez le vecteur des probabilités à l’état
stationnaire pour α, β, μ et λ quelconques.
4- La proportion de temps durant lequel le serveur est allumé.

- La proportion de temps durant lequel le serveur est défectueux.

- La durée moyenne de la panne (ou réparation).

Le temps moyen entre deux pannes successives.

- Le temps moyen entre deux instants consécutifs où le serveur est allumé.

- La probabilité que le serveur tombe en panne en étant allumé.

La probabilité de réparation.

- Le nombre moyen de fois où le serveur tombera en panne par unité de temps.

Serie 3, les files d’attente
1) Donner la notation de Kendall du modèle dont on précisera les paramètres ;

2) Quelle est la charge ou intensité du trafic ? que peut-on en déduire ?

3) En moyenne combien de machines restent inutilisées en permanence ?

4) Quel est le nombre moyen de machines en attente de réglage ?

5) Combien chaque machine attend-elle en moyenne sa prise en charge ?

6-Si l’heure d’immobilisation d’une machine revient à 1000 DA, quelle est la perte (ou plutôt le manque à gagner)
sur un mois ? (On suppose que la production est continue sur 30 jours à raison de 8 heures par jour).

7) Quel est le coût dû seulement à l’attente d’être réparé ?

8) Quelle est la proportion de temps où l’équipe de maintenance est inactive ?