Poly Eva Partiel Francais

Objectifs du cours
• Prendre conscience du comportement complexe de

Evaluation des Performances des systèmes soumis à des «phénomènes aléatoires»
systèmes de production • Développer une compréhension aussi intuitive que
possible du comportement
p p de ces systèmes
y
Xiaolan XIE, Professeur • Maîtriser les outils de base d’analyse de systèmes à
Département
p Génie Industriel Hospitalier
p événements discrets stochastiques
Centre Ingénierie et Santé • Savoir modéliser des systèmes réels afin d’en
xie@emse fr
xie@emse.fr analyser leur comportement (aspect qualitatif) et dd’en
en
évaluer leur performances (aspect quantitatif)
1 2
Evaluation des performances

Stochastic ?
Systèmes
•Stochastique:
Stochastique: du grec stokhastikos(conjectural), qui Modélisation
est le fruit du hasard
Modèles Analyse des
•Phénomène stochastique : dont le déterminisme nn’est
est résultats
é lt t
pas absolu Evaluation des
performances
p
Performances
! Attention: on obtient les p

performances du modèle et
non celles du système !
3 4
Une modélisation possible Indicateurs de performance
File d’attente
d attente
Serveur •On peut citer 4 paramètres de performance fréquemment
utilisés en théorie des files d’attente
Arrivée des clients –Le débit X
–Le nombre de clients Q
N(t) : nombre de clients
dans la file d’attente –Le taux d’utilisation U
–Le temps de réponse R
Ta : Temps
p entre deux arrivées Ts : Temps de service du serveur
consécutives de clients
gs: densité de probabilité de Ts
ga: densité de probabilité de Ta
5 6
Méthodes d’évaluation de performance Autre exemple : ligne de production
•Simulations à événements discrets

–Permettent une approche très générale
–Gourmandes en calcul
–Analyse
Analyse des résultats délicate
•Méthodes analytiques
–Limitées à des modèles simples •Exemples de variables d’état :
–Nombre de pièces dans un stock intermédiaire (0, 1, 2,…, capacité du stock)
–Peu coûteuses en temps
p de calcul –État
État dd’une
une machine (1 si en fonctionnement ou 0 si en panne)
–Permettent une bonne compréhension du système •Exemples d’événements :
•Ces
C 2 approches
h sontt complémentaires
lé t i –Fin
Fi ddu ttraitement
it t d’une
d’ pièce
iè sur une machine–Panne
hi P d’
d’une machine
hi
7 8
Indicateurs de performance Indicateurs de performance
9 10
Plan
Chapitre 1: Chaînes de Markov à temps discret
Chapitre 2: Chaînes de Markov à temps continu
Chapitre 3: Les files d’attente
C p
Chapitre 4: Évaluation des pperformances des systèmes
y
de production
11
Processus stochastiques
• Un processus stochastique {Xt, t T} est une suite de variables
aléatoires définies sur un même espace d’état E
• Les espaces d’état et de temps peuvent être discrets ou continus
E E
Processus stochastiques
t t
E et T discret E continu et T discret
E E
t t
E discret et T continu E et T continus
13 14
Hypothèses
• Nous restreindrons notre étude aux processus à événements

discrets
• Nous étudierons donc

– Les Processus stochastiques à temps discret {Xn}n IN
• Exemple : le nombre de produits d’une référence donné restant dans le rayon Chaînes de Markov à Temps Discret
d’un supermarché chaque soir à la fermeture
– Les Processus stochastiques à temps continu {Xt}t > 0, CMTD
• Exemple : le nombre de personnes présents dans une file d’attente
15 16
Chaînes de Markov à Temps Discret (CMTD) Positionnement des chaînes de Markov à temps discret
• Définition : un processus stochastique à espace d’état et de temps Processus

discrets {Xn, n > 0} est une chaîne de Markov à temps discret stochastiques
(CMTD) si et seulement si :
Événements Événements
n `, ( j , i0 ,..., in ) E n 2 discrets continus
P ª¬ X n 1 j Xn in ,..., X 0 i0 º¼ P ª¬ X n 1 j Xn in º¼ pij (n)

Temps discret Temps continu
• Dans une CMTD, le comportement futur ne dépend que de l’état

actuel
• Une CMTD est un processus
Sans mémoire
• pij(n) est appelé probabilité de transition de l’état i à l’état j à stochastique à événements discrets,
l’instant n temps discret et sans mémoire
17 18
Exemple: une souris dans un labyrinthe Exemple: une souris dans un labyrinthe
1 2 Départ ½ ½
1 2 Départ
½
¼ ¼ ½
5 3 4 1
5 ¼ 3 1
4
¼
Sortie 0
Sortie 0
1
• Quel processus stochastique peut-on utiliser pour représenter la
position de la souris à l’instant t ? • Soit {Xn}n=0,1,2,3,4,5 la position de la souris après n pièces visitées
• Sous quelles hypothèses un tel système peut-il être représenté • On suppose que la souris ne garde pas la mémoire des pièces
par une chaîne de Markov à temps discret ? 19 visitées et qu’elle choisit un des couloirs de façon équiprobable 20
CMTD homogène Quelle est la matrice de transition de ce processus ?
• Une CMTD est homogène si et seulement si ses probabilités de

½ ½
transition ne dépendent pas de n 1 2 Départ
½
P(Xn+1 = j | Xn = i) = pij(n) = pij ¼ ½
¼
• Une CMTD homogène (à espace d’état fini) est alors définie 1
exhaustivement par sa matrice de transition P = [pij]i,jHE 5 ¼ 3 1
4
ª p11 p12 p13 p14 º ¼
«p p22 p23 p24 »»
P « 21
« p31 p32 p33 p34 » 0
« » 1
¬ p41 p42 p43 p44 ¼
Sortie
21 22
Matrice stochastique Hypothèses
• Une matrice carrée est dite stochastique si et seulement si : • Dans le reste du chapitre, le terme CMTD désignera (sauf
– Tous ses termes sont positifs ou nuls mention contraire) une Chaîne de Markov
– La somme des termes de chaque ligne vaut 1 – à temps discret
– définie sur un ensemble d’états E fini
• Propriétés: – homogène dans le temps
– Une matrice de transition est une matrice stochastique
– Si P est stochastique, alors Pn est stochastique • Notons que la plupart des résultats s’appliquent même si l’espace
– Les valeurs propres de P ne dépassent pas l’unité : |O| d 1 d’état n’est plus fini mais dénombrable
23 24
Représentation Graphique d’une CMTD Classification des États
• Soit fjj la probabilité de revenir en j après l’avoir quitté, on dit

alors que :
p12 p23
2 – Un état j est transitoire ssi fjj < 1
p11 p33
p21 – Un état j est récurrent ssi fjj = 1
p24
1 3
– Un état i est absorbant ssi pii = 1
p41 p43
4
25 26
Classer les états de cette chaîne de Markov Chaîne de Markov Irréductible

• Une CMTD est dite irréductible si et seulement si de tout état i,
½ ½ on peut atteindre tout état j en un nombre fini d’étapes
1 2 Départ
½
¼ ¼ ½
p12 p23
1
5 ¼ 3 1
4 2
p11 p32 p33
p21
¼
1 3
p24
Sortie
1 p41 p43
4
27 28
Exemple de chaîne de Markov non irréductible Chaîne de Markov Périodique
• Un état j est périodique si on ne peut y revenir qu’après un
nombre d’étapes multiple de k > 1
8
5 • La période d’une CMTD est égale au PGCD de la période de
2
chacun de ses états
1 3 • Une CMTD est périodique si sa période est > 1, sinon elle est
Sous chaîne absorbante 1 apériodique
2
7 4
• Un exemple de chaîne de 1 3
Markov périodique de période 3
6
Sous chaîne absorbante 2 4
29 30
Partition de la chaîne de Markov en sous-chaînes

Classification des sous-chaînes irréductibles
irréductibles
• On peut toujours partitionner une chaîne de Markov en sous- • Une sous-chaîne est absorbante si on ne peut pas en sortir
chaînes irréductibles • Sinon une sous-chaîne est transitoire
Sous-chaîne Transitoire
8
5 8
2 5
Sous-chaîne irréductible 1 2
1 3
1 3
Sous chaîne-irréductible 2
Sous-chaîne Absorbante
7 4
7 4
6
6
Sous chaîne-irréductible 3
Sous-chaîne Absorbante
31 32
Écriture canonique d’une matrice de transition Temps de séjour dans un état
• Soit Ti le temps de séjour dans l’état i

ª P1 0 0º
« » P[Ti n] piin 1 (1 pii )
P « »
«0 Pk 0» • Ti suit donc une loi géométrique
«
¬ R1 … Rk
»
Q¼
• Q :: Transitions des sous-chaînes transitoires
• Pi : Transitions entre états de la sous-chaîne absorbante i
• Ri : Transitions vers la sous-chaîne absorbante i
33 34
Probabilités de transition en m étapes Exemple
• La probabilité d’aller de i à j en m étapes est ½ ½

1 2 Départ
½
pij(m) = P[Xn+m = j | Xn = i] = P[Xm = j | X0 = i]
¼ ¼ ½
• On note P(m) = (pij(m)) la matrice de transition en m étapes 1
5 ¼ 3 1
4
• Propriétés
– P(m) = Pm ¼
– Équations de Chapman-Kolmogorov: P(l+m) = P(l) P(m)
– Ce qui s’écrit sous forme développée: 0
1
p (l m)
ij ¦p
kE
(l )
ik
(m)
p kj
• La souris est placée dans la pièce 2. Quelle est la probabilité
35 qu’elle y soit 4 étapes plus tard ? (p22(4)) 36
Probabilité d’aller de i à j en exactement n étapes Exemple
• fij(n) : probabilité, d’aller de i à j en exactement n étapes (sans ½ ½

passer par j de façon intermédiaire) 1 2 Départ
½
• fij: probabilité d’aller de i à j en un nombre quelconque d’étapes ¼ ¼ ½
f 1
f ij ¦
n 1
f ij (n) 5 ¼ 3 1
4
f ¼
f ij pij ¦ pik f kj
kz j
0
1
• La souris est placée dans la pièce 2. Calculer f20, la probabilité

qu’elle trouve un jour la sortie.
37 38
Vecteur des probabilités d’état Équations en régime transitoire
• Soit Si(n) la probabilité d’être dans l’état i à l’étape n • D’après la formule des probabilités totales, on a :
Si(n) = P[Xn = i]
P[ X n 1 j] ¦ P[ X
iE
n 1 j Xn i ]P[ X n i]
• Soit S (n) = (S1(n),S2(n),…) le vecteur des probabilités d’état à l’étape n
• La vecteur des probabilités S (n) dépend

S j (n 1) ¦ p S ( n)
iE
ij i
– De la matrice de transition P
– Du vecteur des probabilités initiales
• Propriétés: soit P la matrice de transition d’une chaîne de Markov
• Remarque: si l’état initial est connu avec certitude et est égale à i, on a et S(0) la distribution initiale. Pour tout n t 0, on a alors :
simplement Si(0) = 1 et Sj(0) = 0 pour j z i
• Quelle relation existe-t-il entre S (n), S (0) et P ? ʌ(n 1) ʌ( n) P

et ʌ(n) ʌ(0) P n
39 40
Régime stationnaire d’une CMTD irréductible et
Comportement asymptotique
apériodique
• La distribution des probabilités S(n) converge-t-elle ? • Théorème (admis)
– Pour une CMTD irréductible et apériodique, le vecteur des probabilités
• Si la distribution converge, sa limite S = (S1, S2, …) dépend-elle S(n) tend vers un vecteur S qui ne dépend pas de S(0) et qui est la
de la distribution initiale S(0)? solution unique du système:
ʌ ʌP
• Si un état est récurrent, quelle est la proportion de temps passé °
® S 1
°̄¦
dans cet état et quel est le nombre moyen de transitions entre 2 Condition de normalisation
i
visites successives de cet état ? i
• Si un état est absorbant, quelle est la probabilité d’être absorbé

j E , S j
°
¦S
iE
i pij
dans cet état ? Au bout de combien de temps? ®
°¦ S j 1
¯ jE
• …
• Les probabilités Sj sont alors appelées probabilités stationnaires
41 42
Comportement asymptotique des chaînes irréductibles

Équilibre des flux
et périodiques
• L’équation S j ¦S
iE
i pij peut aussi s’écrire : ¦S
iE
j p ji ¦S
iE
i pij 1
1 2 • S(n) admet-il une limite pour cette

chaîne ?
• ¦S
iE
j p ji est le flux moyen de sortie de l’état j 1
• Lorsqu’une CMTD est périodique, le vecteur des probabilités

• ¦S
iE
i pij est le flux moyen d’entrée dans l’état j S(n) n’a pas de limite
ʌ ʌP
°
• Pourtant, le système ® S 1 admet une solution
°̄¦
i
i
• Interprétation : flux moyen sortant = flux moyen entrant • Si peut s’interpréter comme la proportion de temps que la CMTD
passe dans l’état i
43 44
Comportement asymptotique des chaînes réductibles
Analyse d’une chaîne de Markov (résumé)
et apériodiques
• 2 quantités peuvent être intéressantes à étudier: 1. Classification de la chaîne et de ses états
– La probabilité d’être absorbé par une sous-chaîne absorbante • Construire le graphe représentatif de la chaîne de Markov et donner sa
matrice de transition
– Le temps moyen avant absorption
• Déterminer si la chaîne est irréductible ou non
• Si la chaîne n’est pas irréductible, déterminer les sous-chaînes
absorbantes et transitoires et donner l’écriture canonique de la matrice de
8 transition
2 5
1 3 2. Comportement asymptotique
• Chaîne irréductible
Sous chaîne absorbante 1 • Calculer la distribution stationnaire
7 4
• Chaîne réductible
• Calculer la probabilité d’être absorbé par chaque sous-chaîne et le temps
6 avant absorption
• Calculer la distribution stationnaire pour chaque sous-chaîne absorbante
Sous chaîne absorbante 2
45 46
Positionnement des chaînes de Markov à temps
continu
Processus
stochastiques
Événements Événements
Chaînes de Markov à Temps Continu discrets continus
(CMTC)
Temps discret Temps continu
Sans mémoire
47 48
Définition d ’une CMTC Exemple du guichet de gare
File d’attente
• Un processus stochastique {X(t), t > 0} à espace d’état discret et Serveur
exponentiel
à temps continu est une Chaîne de Markov à Temps Continu
(CMTC) si et seulement si : Arrivées poissoniennes
P[ X(t+s) = j | X(u), 0 d u d s ] = P[ X(t+s) = j | X(s) ] s , t, j de clients
N(t) : nombre de
clients dans la file
d’attente
• Dans une CMTC, le comportement futur ne dépend que de l’état
actuel
N(t)
Arrivée Départ
client client
49 t 50
CMTC homogène Comportement d’une CMTC
• Une CMTC est homogène si et seulement si N(t)
k
P[X(t+s) = j | X(s) = i] = P[X(t) = j | X(0) = i] = pij(s) s , t , j , i pik
Ti
i
pij
• On considérera par la suite uniquement des CMTC homogènes j
t
• Ti = temps passé dans l’état i (variable aléatoire)
• Pij = probabilité de transition de i vers j lorsqu’il y a changement

d’état
51 52
Temps de séjour dans un état Loi exponentielle: rappel
• Notons Ti la variable aléatoire mesurant le temps passé dans • Soit une variable aléatoire T exponentielle de paramètre O
l ’état i f T (t ) Oe Ot tt0
– Densité de probabilité de T :
f T (t ) 0 t0
• La propriété sans mémoire d ’une CMTC homogène implique
que :
P ^Ti t t x | Ti t t` P ^Ti t x` , t , x – Fonction de répartition de : FT (t ) 1 e Ot tt0
FT (t ) 0 t0
• La loi exponentielle est la seule variable aléatoire continue ayant

la propriété précédente – Espérance et écart type de T : E[T] = 1/O, V[T] = 1/O
Le temps de séjour dans un état suit donc une loi exponentielle dans
– Coefficient de variation de T : cv[T] = V[T]/E[T] = 1
une chaîne de Markov à temps continu
53 54
Probabilités de transition 1ère Caractérisation d’une CMTC
• Lorsque la CMTC quitte l’état i, elle se déplace dans l’état j avec

une probabilité pij . Cette probabilité est : • On peut entièrement caractériser une CMTC par les paramètres
– indépendante du temps car le processus est homogène
suivants:
– {Pi}iE avec Pi paramètre de la variable aléatoire exponentielle Ti
– indépendante du temps Ti passé dans l’état i car le processus est
markovien (sans mémoire) – {pij}izj , avec pij probabilité de transition de i vers j lorsqu’il y a
changement d’état
P2
pij j p12 p23
2
p11 p33
P1 P3
i p21
p24
1 3
pik k
p41 P4 p43
4
55 56
CMTD Incluse Associée à une CMTC Classification d’une CMTC
• Soit une CMTC caractérisée par des taux de transition {Pi}iE et • On définit pour une CMTC des états transitoires, récurrents,
par des probabilités de transition {pij}i,jE absorbants de la même façon que pour une CMTD
• On appelle CMTD incluse la CMTD de matrice de transition • Propriétés:

{pij}i,jE – Un état i d’une CMTC est transitoire (respectivement récurrent, absorbant)
si et seulement si l’état i de la CMTD incluse est transitoire
p12 p23 (respectivement récurrent, absorbant)
2 – Une CMTC est irréductible si et seulement sa CMTD incluse est
p11 p33 irréductible
p21
p24
1 3 • Remarque: il n’y a pas de notion de périodicité dans une CMTC
p41 p43
4
57 58
2ème caractérisation d’une CMTC Équivalence entre les deux représentations
• La CMTC se déplace de l’état i à l’état j après un temps Tij ,
• En posant
variable aléatoire exponentielle de taux Pij
– Ti = minj {Tij}
– pij = P[Tij = Ti]
• Définition: Pij est appelé taux de transition de i vers j
• On obtient l’équivalence suivante :
P ij P i pij
P12 P23
2 Pij
pij j
j Pj
P11 P33
P21
P24 Pi i i
1 3
P41 P43 pik k Pk

Pi ¦P
j zi
ij
Pik
k
4 P ij
pij
59 Pi 60
Probabilités d’état Probabilités d’état en régime transitoire

• Le théorème des probabilités totales s’écrit:
• On définit, comme pour les CMTD, des probabilités d’état
définies par :
P[ X (t dt ) j] ¦ P[ X (t dt )
iE
j X (t ) i ]P[ X (t ) i ]
Si(t) = P[X(t) = i]
• Avec :
P>X (t dt ) j @ S j (t dt )
• et un vecteur des probabilités d ’état défini par:
P>X (t ) i @ S i (t )
S(t)=(S1(t), S2(t), …)
P>X (t dt ) j X (t ) i @ P>Ti d dt @ pij (1 e P i dt ) pij P i pij o(dt ) j z i
P>X (t dt ) j X (t ) j @ P>Tj t dt @ e Pi dt 1 P j dt o(dt )

61 62
Probabilités d’état en régime transitoire
Générateur infinitésimal
(suite)
• On en déduit que : qij P ij , j z i
• Posons
S j (t dt ) ¦ S (t )(P dt o(dt )) >1 P dt o(dt )@S
iz j
i ij j j (t ) qii Pi ¦ P ij
j zi
S j (t dt ) S j (t ) o(dt ) • La matrice Q = (qij) est appelée le générateur infinitésimal de la

dt
¦ P S (t ) P S
iz j
ij i j j (t )
dt CMTC (Cette matrice ne peut être défini que si l’espace des états
est fini)
dS j (t )
• En faisant tendre dt vers 0, on obtient : • On a alors:
dt
¦ q S (t )
i
ij i
dS j (t )
P jS j (t ) ¦ P ijS i (t ) dʌ(t )
dt iz j • Soit, sous forme matriciel : ʌ(t )Q
dt
63 64
Régime permanent d’une CMTC irréductible Équilibre des Flux
• Propriétés: • L’équation ¦S q
iE
i ij 0 peut aussi s’écrire : ¦S P ¦S P
iz j
j ji
iz j
i ij
– dans une CMTC irréductible, le vecteur des probabilités stationnaires S =

(S1, S2, …) existe toujours et est indépendant de la distribution initiale
– S est solution de
¦S P j ji Flux moyen sortant de l’état j
ʌQ 0 iz j
° • Avec
® S 1
°̄¦ ¦S P
i i ij Flux moyen entrant dans l’état j
i iz j
j E , ¦ S i qij 0
° i • Interprétation : flux moyen sortant = flux moyen entrant
®
°¦ S j 1
¯ jE
65 66
Equations de frontière Processus de Poisson
• Soit E l ’espace d ’état d ’une CMTC admettant un régime N(t)

stationnaire
• Soit E1 et E2 tels que E1 E2 = E et E1 E2 =
• On a alors: flux de E1 vers E2 = flux de E2 vers E1 T t
• Un processus de Poisson de paramètre O est un processus

stochastique N(t) tel que
– N(0) = 0
– N(t) est incrémenté de + 1 après un temps T distribué suivant une loi
E1 E2 exponentielle de paramètre O
• On dira que des arrivées sont poissoniennes si le temps inter-

arrivées est exponentiel
67 68
Propriétés des processus de Poisson Propriétés des processus de Poisson (2)
• Un processus de Poisson est une CMTC réductible

• Probabilité pour qu’un client arrive pendant dt | Odt
O O O O k @ Odt o(dt )
0 1 2 3 … P[ N (t dt ) k 1 N (t )
• N(t) est distribué suivant une loi de Poisson de paramètre Ot • Probabilité pour que 0 client arrive pendant dt | 1-Odt
P[ N (t dt ) k N (t ) k @ 1 Odt o(dt )
(Ot ) k Ot
P[ N (t ) k@ e
k!
• Probabilité pour que plus d’un client arrive pendant dt | o(dt)

P[ N (t dt ) k j N (t ) k @ o(dt ), j t 2
69 70
Propriétés des processus de Poisson (3)
• La superposition de n processus de Poisson de paramètres Oi

(i=1,…,n) est un processus de Poisson de paramètre 6Oi
Poisson O
Poisson OO
Poisson O
• Soit un processus de Poisson qui se décompose en n processus
avec des probabilités pi. Ces n processus sont alors des processus
de Poisson de taux respectifs Opi
p1 Poisson Op1
Poisson O
p2 Poisson Op2
71
Définition d’une file d’attente
Arrivées de Départs de
clients clients servis
Service
Introduction aux files d’attente

Départs de clients découragés
d’attendre
• Un système de file d’attente peut être décrit ainsi:

« des clients arrivent pour un service donné, attendent si ce service n’est pas
immédiat et repartent après avoir été servis »
• Le terme de « client » peut aussi bien concerner des hommes que

des pièces de rechange …
72 73
Origine de la théorie des files d’attente Intérêt des files d’attente

• La théorie des files d’attente fut développée pour fournir des modèles
permettant de prévoir le comportement de systèmes répondant à des demandes • La théorie des files d’attente a de nombreuses applications dans:
aléatoires – La gestion de trafic (réseaux de communication, compagnies aériennes,
embouteillages , …)
– La planification (opérations sur des machines de production, programmes
sur des ordinateurs, …)
• Les premiers problèmes étudiés concernaient la congestion du trafic
téléphonique (Erlang, « the theory of probabilities and telephone – Le dimensionnement d’infrastructures (usines, …)
conversations », 1909)
• Erlang constata qu’un système téléphonique peut être modélisé par des
arrivées de clients poissoniennes et des temps de service exponentiels
• Molina, Pollaczek, Kolmogorov, Khintchine, Palm, Crommelin reprirent le

flambeau
74 75
Caractéristiques des files d’attente simples
• On peut caractériser les files d’attente par plusieurs critères :

– Le processus d’arrivée des clients
– Le temps de service
– La discipline de service
Files d’attente simple – La capacité du système
– Le nombre d’étages de service
76 77
Processus d’arrivée des clients

Notation de Kendall
T/X/C/K/P/Z
T1 T2 T3 T4
• La notation suivante est standard dans la théorie des files
d’attente t
• T pourra prendre les valeurs suivantes:

• T/X/C/K/P/Z avec – M : markovien (i.e. exponentiel)
– T: la distribution de probabilité du temps inter-arrivées – G : loi générale
– X: la distribution de probabilité du temps de service – D : loi déterministe
– C: le nombre de serveurs – Ek : loi de Erlang
– …
– K: la capacité de la file
– P: la taille de la population
– Z: la discipline de service • Si il y a des arrivées groupées on pourra utiliser la notation T[X] où X est la
variable aléatoire mesurant le nombre de clients à chaque arrivée
– P [X=k] = P[k clients arrivent en même temps]
• Des clients peuvent partir si il y a trop de monde dans la file

78 79
Temps de service Nombre de serveurs
T/X/C/K/P/Z T/X/C/K/P/Z
• X pourra prendre les valeurs suivantes: • Dans les files d’attente simples, les serveurs sont tous identiques
– M : markovien (i.e. exponentiel) P
– G : loi générale
– D : loi déterministe 1
– Ek : loi de Erlang
– … 2
…
k serveurs exponentielles de paramètre P
1
C
NP NP } NP } NP 2
…
Loi de erlang Ek de paramètre P
f
80 81
Capacité de la file Taille de la population

T/X/C/K/P/Z T/X/C/K/P/Z
• La taille de la population est finie ou infinie
• Pour une population finie, le taux d’arrivée des clients est

Perte du client si fonction du nombre de client dans le système : On
la file est pleine
Capacité K
82 83
Discipline de la file
Notion de classe de clients
T/X/C/K/P/Z
• Z peut prendre les valeurs suivantes:
Classe 1
– FCFS : First Come First Served Classe 2
– LCFC : Last Come First Served
– RANDOM : aléatoire
– HL (Hold On Line) : si un client important arrive, il prend la première
• Une file d’attente peut être parcourue par différentes classes de
place dans la file d’attente
clients caractérisées par:
– PR ( Preemption) : si un client important arrive, il est servi directement et
le client moins important (en train d’être servi) est remis dans la file – Des processus d’arrivée différents
– PS (Processor Sharing) : Tous les clients sont servis en même temps avec – Des temps de service différents
une vitesse inversement proportionnelle au nombre de clients – Des coûts différents
– GD (General Disciplin) – Un ordonnancement dans la file d’attente en fonction de leur classe
(préemption ou non par exemple)
84 85
Notation abrégée Mesures de performance
• On utilisera la notation abrégée T/X/C quand on considère une • L’étude d’une file d’attente a pour but de calculer ou d’estimer
file où: les performances d’un système dans des conditions de
– La capacité de la file est infinie fonctionnement données.
– La taille de la population est infinie
– La discipline est FIFO • Ce calcul se fait le plus souvent en régime stationnaire et les
paramètres les plus fréquemment utilisés sont:
– Le débit X
• On a donc T/X/C = T/X/C/f/f/FIFO – Le nombre de clients Q
– Le taux d’utilisation U du serveur
– Le temps de réponse R
• On calculera en général les espérances de ces paramètres (E[X],

E[Q], …)
86 87
Notion d’ergodicité Quelques notations en régime transitoire
• « Un système est ergodique si les performances stationnaires du Xe(T) Xs(T)

Q(T)
système (résultant de l’analyse stochastique) sont égales aux
performances de n’importe quelle réalisation particulière du
système, observée sur une période sufffisament longue » R(T)
• A(T) : nombre d ’arrivées dans le système entre 0 et T
• Ex: Les CMTC irréductibles, apériodiques et finies sont
• D(T) : nombre de départs du système entre 0 et T
ergodiques.
• Xe(T) = A(T)/T : débit moyen d ’entrée entre 0 et T
• Sauf mention contraire, tous les systèmes que nous considérerons • Xs(T) = D(T)/T : débit moyen de sortie entre 0 et T
seront ergodiques • Q(T) : nombre de clients moyen entre 0 et T
• Rk: temps de séjour du kième client arrivé
1 A (T )
• R (T ) ¦ Rk : temps moyen de séjour entre 0 et T
A(T ) k 1
88 89
Stabilité d’une file d’attente Loi de Little
Système de file • Dans un système stable en régime permanent, on a :

d’attente
Xe(T) Q = RX
Xs(T)
• Avec
– Q: le nombre moyen de clients
– R: le temps moyen de réponse
• Définition : Une file d ’attente est stable si et seulement si : – X: le débit moyen Système de file
d’attente
lim X s (T ) lim X e (T )
T o f T o f
D(T ) X X
Q
• La stabilité entraîne : lim 1
T o f A(T )
• Dans une file stable, le nombre de clients reste fini 90 R 91

Démonstration La file M/M/1
• Pour simplifier la démonstration, on va supposer que la file est N(t): Nombre de clients
vide à l’instant 0 et à l’instant T, ce qui implique A(T) = D (T)
§ A (T ) ·
§ 1 A(T ) ·§ D(T ) · § D(T ) ·¨ ¦
¨ Rk ¸
R(T ) X (T ) ¨¨ ¦ Rk ¸¸¨ ¸ ¨¨ ¸¸ k 1 ¸ O P
© A(T ) k 1 ¹© T ¹ © A(T ) ¹¨ T ¸
Arrivées
¨ ¸
© ¹ poissoniennes
Temps de service
Q(T ) exponentiel
• Attention ! Suivant les auteurs, N(t) représente:

• En faisant tendre T vers l’infini, on obtient la loi de Little – Soit le nombre de clients en attente + le nombre de clients en train d’être
servis (convention retenue ici)
– Soit le nombre de clients en attente
92 93
Chaîne de Markov associée à la file M/M/1 Calcul des probabilités stationnaires

Op(0) Pp(1)
O O O O O O ° (O P ) p(1)
°° Op(0) Pp (2)
0 1 } n-1 n n+1 } Equations d’équilibre ® #
°(O P ) p(n) Op(n 1) Pp(n 1)
P P P P P P °
°¯ #
• Les probabilités stationnaires existent car la CMTC est • En posant U OP on montre facilement que : p ( n) U n p (0)
irréductible f f
• La condition de normalisation s’écrit: ¦ p ( n) p(0)¦ U n 1

• Notons p ( n) lim P[ N (t ) n] , n t 0 n 0 n 0
t o f
94 95
Calcul des probabilités stationnaires (suite) Paramètres de performance de la file M/M/1
• Ce qui implique :
n, p (n) (1 U ) U n si U 1 • Tous les paramètres de performance sont calculés en régime
° stationnaire dans le cas où la file est stable (U= OP 1)
®
°n, p (n) 0 si U t 1
¯ • X: Débit moyen de la file en sortie
• La file est stable si U 1 • U: Taux d’utilisation du serveur

– On alors 1/P 1/Oc’est à dire un temps de traitement moyen strictement
inférieur au temps moyen entre 2 arrivées de clients • Q: nombre moyen de clients dans la file
• La file est instable si U t 1 • R: temps de séjour moyen dans le système (temps d’attente +
– Les clients s’accumulent sans que le serveur puisse les écouler temps de service)
complètement
96 97
Débit de la file M/M/1 Taux d’utilisation du serveur U d’une file M/M/1
• Le service s’effectue avec un taux P dans chaque état où le • Le taux d’utilisation correspond à la probabilité que le serveur de
système contient au moins un client la file soit occupé, soit la probabilité qu’il y ait au moins un
client dans le système « file + serveur »
f
X P[ file non vide] ¦ O p ( n) O (1 p (0)) O
U 1 p (0) U
O
n 1
P
• On peut noter que le débit moyen en sortie X est égal au débit
moyen en entrée O • La charge du serveur tend vers 100 % quand O!P
• De manière générale, on dira qu’une file d’attente simple est

stable si et seulement si son débit moyen en sortie est égal à
son débit moyen en entrée
98 99
Le nombre moyen de clients Q d’une file M/M/1 Le temps moyen de séjour R dans une file M/M/1
f f
U • R = 6 Proba(de trouver n clients en arrivant)*(temps moyen de
Q ¦ np(n)
n 1
¦ n(1 U ) U n
n 1 1 U séjour si l’on a n clients devant soi dans la file)
f
n 1 1 U 1
R ¦ p ( n) P P

P (1 U ) P (1 U )
• Le nombre moyen de clients dans la file tend vers l’infini quand n 1
O!P
• La loi de Little se vérifie bien:
U
Q 1 U 1
R
X O P (1 U )
100 101
Généralisation aux files markoviennes Chaîne de Markov associée aux files markoviennes
Pn O0 O1 O2 On-1 On On+1
On 0 1 } n-1 n n+1 }
Arrivées
poissoniennes Temps de service
exponentiel P1 P2 Pn-1 Pn Pn+1 Pn+2
• On parle de file markovienne si le temps inter-arrivées et le temps

de service sont sans mémoire mais peuvent dépendre de l ’état du • Définition: Un processus stochastique à espace d ’état discret est
système un processus de naissance et de mort si et seulement si les
transitions s ’effectuent uniquement vers les états voisins
• Les files markoviennes simples sont des processus de naissance

et de mort (birth-death process)
102 103
Équations de frontière Probabilités stationnaires des files markoviennes
• Soit E l ’espace d’état d ’une CMTC irréductible • On écrit les équations de frontière entre les états dn et les états > n
Oi-1 Oi Oi+1 Oi p(i ) P i 1 p(i 1)
• Soit E1 et E2 tels que E1 E2 = E et E1 E2 =
n-1 n n+1 }
• On a alors: flux de E1 vers E2 = flux de E2 vers E1
Pi Pi+1 Pi+2 § n Oi 1 ·
p (n) ¨¨ ¸¸ p(0)
P
©i1 i ¹
E2
f
1
E1 ¦ p ( n) 1 p(0) f
§ n O ·
1 ¦ ¨¨ i 1 ¸¸
n 0
n 1 © i 1 Pi ¹
104 105
Le processus stochastique N(t) n’est plus une chaîne de

La file M/G/1
Markov
P
Temps de service TS ® 2 N(t)
Arrivées poissoniennes ¯cv
O
• On ne connaît souvent que l’espérance et la variance de X, ce

qui revient à connaître le taux moyen et le coefficient de • Pour un temps de service suivant une loi générale, la probabilité
variation de X de changer d’état dépend du temps déjà passé dans cet état
1
°°P E[T ] • Le processus stochastique N(t) n’est donc pas une chaîne de
S
® Markov
°cv VAR[T ]
2 S
°¯ E[T ] S
2
106 107
Définition de la chaîne de Markov incluse Probabilité qu’il arrive i clients
• Soit le processus stochastique {Xk}kt1 représentant le nombre de
clients juste après le départ du kième client, à l’instant tk • Soit TS le temps de service
N(t)
• Soit Di la probabilité qu’il arrive i clients pendant Ts
• Di = ³ P [il arrive de i clients pendant TS | tdTs<t+dt] *P

[tdTS<t+dt]dt
t • Soit fS la densité de probabilité de TS, on a alors:

t1 t2 t3 t4
f (O t ) i O t
4 arrivées 1 ar. 0 ar. Di ³0 i!
e f S (t )dt
^X k `k t1 ^N (tk )`k t1 est une CMTD 108 109
Probabilités de transition Probabilités stationnaires

D
• {Xk}kt1 est une CMTD irréductible et apériodique. Le vecteur
D des probabilités stationnaires p=(p(0),p(1),…) vérifie donc :
D
D2
} i-1 i i+1 i+2 i+3 }
° p(0) p (0)D p (1)D
° 0 0
D ° p(1) p (0)D1 p(1)D1 p(2)D 0
pij = Dj-i+1 pour iz0
°
D ® #
D2
° k 1
D
° p(k ) p (0)D k ¦ p( j )D k j 1
° j 1
0 1 2 3 } p0j= Dj °
¯ #
D 110 111
Paramètres de performance de la file M/G/1 (admis) La file G/M/1
X O
°U U Temps de service
° exponentiel de
paramètre P
°° 1 O (1 cv 2 )
®R 2 Temps inter-arrivées T
° P 2P (1 U ) m
° U 2 (1 cv 2 ) Formule de ® 2
°Q U Pollaczeck-Kinchin ¯cv
°¯ 2(1 U ) (P-K)
112 113
Paramètres de performance de la file G/M/1
• Soit Vla solution (z1) de V $ PPV, A* étant la transformée

de Laplace de fT, densité de probabilités de la loi d’inter-arrivées
X O Réseaux de files d’attente

°U U
°
° 1
®R
° P (1 V )
° U
°Q
¯ 1V
114 115
Définition d’un réseau de files d’attente Un exemple de routage déterministe
• Un réseau de files d’attente est un système composé de plusieurs

files d’attente reliées entre elles
• Les clients, une fois leur service terminé dans une station, se N2 d N3 2
déplacent vers une autre station ou quittent le système selon des
règles de routage (déterministes ou probabilistes) 1
p31 N2 > N3 3
Routage vers la file la plus courte

p01 1 3 p30
p23
p02 2 4
p24
116 117
Réseaux fermés et réseaux ouverts Réseaux multiclasses

p31
p01 1 3
p30
p23 1 3
p02 2 4
p24 O1
Réseau ouvert
O2 2 4
p01 1
3
p02 2
N clients
Réseau fermé 118 119
Exemple illustratif: une ligne de production Réseaux de Jackson ouverts
• Un réseau de Jackson ouvert (1957) est caractérisé par :
– Une seule classe de clients
– Un processus d’arrivée poissonien
– Un seul serveur à chaque station
Stock 1 Machine 1
– Un temps de service exponentiel à chaque station
– Une capacité de stockage illimitée à toutes les stations
Pièces
1 2 3 Clients – Une discipline de service FIFO pour toutes les files
brutes
– Des routages probabilistes
p31
K1 K2 K3
P1 P3
p01 1 3 p30
O p23
p02 2 4
p24
120 P2 P4 121
Probabilités de routage Condition de stabilité du système
• On note pij (iz0 et jz0) la probabilité qu’un client terminant son • Notons Oi le taux moyen d’arrivée des clients à la station i
service à la station i se rende à la station j
• Comme il suffit qu’une station soit instable pour que le système
• p0i désigne la probabilité qu’un client qui rentre dans le système soit instable, la condition de stabilité s’écrit:
se rende à la station i
Oi < Pi i = 1, …, M
• pi0 désigne la probabilité qu’un client terminant son service à la
station i sorte du système
• On pose p00=0 • Notons ei le taux de visite de la station i (ou nombre moyen de

passages à la station i):
M
¦p
j 0
ij 1, i 0,1,..., M avec M le nombre de stations ei = Oi / O
122 123
Calcul des taux d’arrivée moyens à chaque station Arrivées poissoniennes ?
Poissonien
• On suppose que le réseau est stable et donc que les débits 1 Poissonien
moyens d’entrée et de sortie de la station i sont égaux p
Poissonien 3
M
O i Op0i ¦ O j p ji , i 0,..., M 1-p
j 1 2
Poissonien
M
ei p0i ¦ e j p ji , i 0,..., M 1
p
j 1
Poissonien 3
1-p
2
Non Poissonien !
124 125
Transitions de sortie d’un réseau de Jackson

Description d’état d’un réseau de Jackson
p01 p10
n+e1 n-e1
p02 p11
• Soit n(t) = (n1(t), n2(t), …, nM(t)), où ni(t) est le nombre de clients n+e2 n
p03 O P1 p12
présents dans la station i au temps t n+e3 n n-e1+e2
…
• Le vecteur d’état n(t) permet de décrire le réseau de Jackson
entièrement p0M p1M
n+eM n-e1+eM
…
• {n(t)}tt0 est une CMTC
pM0
• Notons p(n) la probabilité stationnaire d’être dans l’état n n-eM
pM1
n-eM+e1
• Notation: ei=(0, …, 0, 1, 0, …, 0) PM n-eM+e2
…
ième position pMM
• Attention: Graphe valable uniquement n
126 si ni >0 pour tout i 127
Equations d’équilibre du réseau Probabilités stationnaires
• Propriété: Dans un réseau de Jackson, les probabilités

Flux sortant de n Flux entrant en n stationnaires sont données par la formule
ª º M
p (n )
M M M
p (n) «O ¦ ¦ Pi pij » ¦ p(n - e )O p p (n) i i
« » i 0i
i 1 j 0 i 1 i 1
¬« ni ! 0 ¼» ni ! 0
M M
avec pi(ni) la probabilité stationnaire d’une file M/M/1 ayant un
¦ ¦ p (n - ei + e j ) P j p ji taux d’arrivée Oi et un taux de service Pi
i 1 j 1
ni ! 0
Oi
M pi (ni ) (1 U i ) U ini , U i
¦ p (n + e j ) P j p j 0 Pi
j 1 128 129
Paramètres de performance Extension au cas de stations multiserveurs

Xi Oi • Soit Ci le nombre de serveurs de la station i
• Les paramètres de performance de Ui
Qi • La condition de stabilité s’écrit alors
chaque station se déduisent de la 1 Ui
décomposition en files M/M/1 :
Qi 1 Oi < CiPi i = 1, …, M
Ri
Xi P i Oi
• Les probabilités stationnaires valent :
M
X O
M
p ( n) p (n )
i 1
i i
• Les paramètres de performance du

réseau s’en déduisent:
Q ¦Q
i 1
i avec pi(ni) la probabilité stationnaire d’une file M/M/C ayant un
taux d’arrivée Oi, un taux de service Pi et comportant Ci serveurs
M
Q
R ¦e R
i 1
i i
X
130 131
Système M/M/1
RESULTATS::
RESULTATS
P0 = 1
1--
Pn = n(1
(1-- )
Compléments files d
d’attente
attente Où = / est appelé le taux de trafic
trafic.. A partir de cette distribution
distribution::
Ls = nombre moyen de clients dans le système = /( )

Ws = temps moyen passé dans le système = 1/( )
Lq = longueur moyenne de file
f d'attente = 2/( )
Wq = temps d'attente moyen = /( )
= taux d'utilisation du serveur = /
P0 = Taux d'oisiveté du serveur = 1 - /
Pn > k = probabilité d'avoir plus de k clients = ( / )k+
k+11
master GI2007 1 master GI2007 2
Système M/M/c Système M/M/c

Un système M/M/c est une file d'attente : Distribution :
• composé de c serveurs identiques
Pn = n/n!
/ ! P0, 0<n c
• dont les arrivées forment un processus de POISSON n
Pn Pc, n 0
• la durée de service suit une distribution exponentielle
exponentielle.. c
c
1
c 1 n c
P0
n 0 n! c! 1 c
Le processus N(t),
N(t) le nombre de clients présents dans le système à la
date t, est un processus de naissance et de mort.
mort.
• Le taux de ll'événement
événement "arrivée"
arrivée est .
• Le taux de "fin de service" n'est pas constant et est de N(t) si
N(t) c et c si N(t) > c.
0 1 2 3
Condition de stabilité:
stabilité: <c .

Système M/M/c M/M/c avec clients impatients
Ls = nombre moyen de clients présents dans le système • Le système est similaire au système M/M/c à l’exception des
= Lq +
clients perdus arrivés lorsque tous les serveurs sont occupés
occupés.
Ws = temps moyen passé dans le système des clients
= Wq + 1/
Lq = longueur moyenne de file d'attente

=
c
2
Pc 0 1 2
1 c
Wq = temps d
d'attente
attente moyen
= Lq /
= nombre de serveurs occupés,

occupés =
U = probabilité de délai de prise en charge d’un client

= Pc + Pc+1 + ...
= Pc/(1- /c)
M/M/c avec clients impatients

Distribution :
Pn = n/n!
/ ! P0, 0<n c
Pourcentage des clients perdus = Pc
Taux d’utilisation des serveurs = (1 – Pc) /c
1
c n
P0
n 0 n!
master GI2007 7
PLAN
1. Rappel des processus stochastiques
Réseaux de Petri stochastiques généralisés 2. Introduction aux réseaux de Petri stochastiques par exemples
3. Réseaux de Petri avec inhibiteurs et priorités

cas markovien
4. Réseaux de Petri stochastiques généralisés
Xiaolan XIE 5. Applications
6. Extensions
Professeur
Centre Ingénierie et Santé
Ecole Nationale Supérieure des Mines de Saint Etienne
1 2
1. Rappel des processus stochastiques Classification des processus stochastiques :

Selon l'espace d'état :
Définition: • processus à états discrets, aussi appelés chaînes
Un processus stochastique est une famille de variables aléatoires X(t) • processus à états continus
où t est le paramètre temps. Selon le temps :
• processus à temps discret
Exemple : • processus à temps continu
• l'état d'une machine soumis à pannes Selon la corrélation des variables , i.e. la distribution conjointe FX(x; t) =
• la durée de l'état de marche d'une machine P[X(t1) ≤ x1, …, X(tn) ≤ xn], :
• processus stationnaire :
FX(x; t + )= FX(x; t)
• processus indépendant :
X(t1), …, X(tn) sont mutuellement indépendantes
• processus Markovien :
L'influence de son histoire passée sur l'évolution future se résume
par son état actuel. (processus sans mémoire)
3 4
Une chaîne de Markov à temps continu est un processus stochastique Représentation d'une chaîne de Markov homogène :
• à temps continu,
• Une chaîne de Markov est entièrement spécifiée par ses taux de
• à état discret et
transitions qij définis comme suit :
• satisfaisant la propriété de Markov, i.e.
P[ X(tn+1) = j / X(t1) = i1, …, X(tn) = in] = P[ X(tn+1) = j / X(tn) = in] PXt t j Xt i
q ij lim
t t
pour tout t1 < t2 < … < tn+1 .
PX t t i X t i 1
q ii lim
t t
Une chaîne de Markov est dite homogène si la probabilité :
P[ X(s + ) = j / X(s) = i] La matrice Q = [qij] est la matrice de taux des transitions ou le
est indépendante de s, pour tout i, j et . générateur infinitésimal.
• On représente une chaîne de Markov à l'aide d'un graphe, appelé
diagramme transition-état, dans lequel :
- chaque sommet représente un état
- il existe un arc reliant deux sommets i et j si et seulement si qij > 0 et

on associe à chaque arc le taux de transition correspondant.
5 6
Exemple (une machine soumis à pannes) : Analyse du Régime transitoire :
Soit • Une chaîne de Markov satisfait l'équation de Chapman-Kolmogorov :

d t
(t) = 1, si la machine est en état de marche, tQ
dt
= 0, sinon.
On prouve que (t) est une chaîne de Markov ssi le temps de bon
Qt
fonctionnement et le temps de réparation sont des v.a. de distribution t 0e
exponentielle. Dans ce cas, où (t) = [ j(t)] et j(t) est la probabilité d'être dans l'état j à l'instant t.
q10 = 1/MTTF et q01 = 1/MTTR
• Le temps de séjour dans un état donné i est une variable aléatoire de
et le diagramme transition-état est : distribution exponentielle de l'espérance 1/ (i) où
1/ MTTR i j i q ij .
0 1
De plus, la distribution exponentielle est la seule distribution continue
1/ MTTF sans mémoire
q ij
Pij
• Les probabilités de transition sont : q ii
7 8
Analyse du Régime permanent : 2.
• Pour une chaîne ergodique, il existe un seul régime permanent
indépendant de la distribution initial. De plus, est l'unique solution
du système d'équations suivant :
Q 0
1
Introduction aux GSPN par exemples
tout j j
• Equation de balance : Q = 0. Dans le diagramme transition-état,

l'équation de balance s'écrit :
Flux de probabilité d'entrée = Flux de probabilité de sortie

pour tout sommet où le flux de probabilité d'un arc (i, j) est i * qij.
Critère d'ergodicité :
Une chaîne de Markov avec un espace d'état fini est ergodique si et

seulement si son diagramme transition-état est fortement connexe.
9 10
Exemple 1 :
Le graphe d'atteignabilité est :
Considérons une machine soumis à pannes avec les paramètres suivants:
p1
1/ : temps moyen de bon fonctionnement (MTTF)
1/ : temps moyen de réparation (MTTR)
1/p : temps opératoire moyen p2
p3
1000
t1 t1 t2 (p) t3
t4
Le diagramme transition-état est : Son modèle RdPS est : 0001 0100 t3 t4 ( )

t2 t5 ( )
p1 t5
0010 p4
Légende :
p3
p2
tr. immédiate
t1 t2 (p) t3 La suppression des états transitoires conduit à la chaîne de Markov
tr. temporisé
isomorphique :
p t4 ( )
0 1 t5 ( )
p
p4 0001 0100
11 12
Résultats : Exemple 2 :
• • On fabrique deux types de produit P1 et P2.
• Taux de pannes (fréquence de t4) : • La fabrication de chaque produit nécessite deux opérations dont
• Taux de production (fréquence de t2) : p p - la première est effectuée par une machine flexible commune
- et la deuxième par une machine dédiée.
Remarque : • P1 est prioritaire pour accéder à la machine commune
Le conflit entre t2, t4 est levé par compétition des horloges (modèle de • Il y a à tout moment un produit de chaque type dans le système
pannes)
p1 • Lorsque la fabrication d'un produit termine, un nouveau produit du
même type est lancé en fabrication
p3
p2
t1 t2 (p) t3
p t4 ( )
0001 0100
t5 ( )
p4
13 14
Le graphe d'atteignabilité : La chaîne de Markov :

Le modèle RdPS est :
1001001 M1
p1 p4 t1
t1 t4 0101000 M2
p7 t2
t3 0011001 M3
p2 p5
t4
t5 0101000 M2
t2 t5 M4 0010100
p1 p4
t3
p3 p6 M4
0010100 t1 t4
1000100 M5 p7
t3 t6 t5
M6 p2 p5
t6 1000100 M5
1000011
t1 t2 t5
t6 M7
0100010 M7 0100010
P1 est prioritaire pour accéder à la machine commune p3 p6
t2
t6 t3 0010011
0010011 t3 t6
M8 M8
Convention : Les transitions immédiates sont prioritaires
15 16
Résultats pour le cas i = : Remarques :
•
- Il n'est pas aisé d'obtenir directement la chaîne de Markov
• Les taux d'utilisation de la machine flexible :
- Les RdPS fournissent un outil pour la génération des chaînes de
• Le taux de production de P1 (fréquence de t3) : Markov pour les systèmes complexes
- Les transitions immédiates semble être un bon moyen pour la

• Le taux de production de P2 (fréquence de t6) :
représentation des conflits et des priorités.
0101000 M2
p1 p4
M4
0010100 t1 t4
p7
p2 p5
1000100 M5
t2 t5
M7
0100010
p3 p6
0010011 t3 t6
M8
17 18
Définition
3. où :
PN = (P, T, I, O, M0, H, )
• P : ensemble de places
• T : ensemble de transitions
• I : P x T IN : fonction PRE, i.e. arcs reliant les places aux transitions et
leurs poids
Réseaux de Petri avec inhibiteurs et • O : P x T IN : fonction POST, i.e. arcs reliant les transitions aux places
et leurs poids
priorités • M0 : P IN : le marquage initial
• H : P x T IN : les arcs inhibiteurs généralisés

• P : T IN : les niveaux de priorité des transitions
19 20
Exemple : Règles de franchissement :
t2 p3 t4 p6 t6
- Soit :
t1 •t : ensemble des places d'entrée de la transition t
p2 2
K
p1 t• : ensemble des places de sortie de t
°t : ensemble des places reliant à t par arcs inhibiteurs

t3 p4 t5 p7 t7
R1 : Une transition t est dite d'avoir la concession dans le marquage
M si M(p) ≥ I(p, t), p •t et M(p) < H(p), t), p °t.
Effet de l'inhibiteur :
La transition t5 n'est pas franchissable si M(p6) ≥ 2 . Soit (M) l'ensemble des transitions ayant la concession
Effet des priorités :
R2 : Une transition tj est dite franchissable si
Les transitions t1, t6 et t7 ne peuvent pas être franchies si au moins une
transition de priorité supérieure est franchissable . tj (M) et j ≥ k, tk (M)
R3 : Le franchissement de t conduit à un nouveau marquage :
M' = M + O(t) - I(t)
21 22
La structure des conflits

• (avec priorité) : Une transition tk est en conflit effectif indirect avec tl
• (sans priorité) : Une transition tm est en conflit effectif avec tl dans le ayant le même niveau de priorité dans M si
marquage M si
- tk est franchissable dans M,
- tm a la concession dans M
- tl est franchissable dans M,
- tl est franchissable et
tl
- tm n'a plus la concession dans M' tel que M M' . - le franchissement de tl conduit à une séquence de transitions de
priorité supérieure telle que, à l'issue de , aucune transition de
Exemple : t2, t3 et M1 obtenu par le franchissement de t1.
priorité supérieure à k n'est plus franchissable, et
tl
t2 p3 t6
- tk n'est plus franchissable dans M' tel que M M' .
t4 p6
Exemple :
t1
p2 2 p3
K t3
p1 t1
p1
p5
t3 p4 t5 p7 t7 p4
p2 t2
23 24
Propriétés structurelles du réseau de Petri
4.
Si la chaîne de Markov d'un RdPS a un espace d'état fini et est ergodique,
alors
- il est consistant : Réseaux de Petri stochastiques

Y 0, CY 0 généralisés
- et il est conservatif :
X 0, X T C 0
où C = O - I.
25 26
Définition : Un réseau de Petri stochastique généralisé est un 8-uplets : Notion des marquages tangibles et intangibles
GSPN = (P, T, I, O, M0, H, , W) - Un marquage M est dit tangible si aucune transition immédiate n'est
franchissable
où
• PN = (P, T, I, O, M0, H, ), appelé le réseau de Petri sous-jacent, est un - Il est dit intangible si au moins une immédiate est franchissable.
réseau de Petri avec inhibiteurs et priorités comportant :
- les transitions de priorité 0 dont les temps de franchissement sont

des v.a. de distribution exponentielle (transitions temporisées)
- les transitions de priorité n ≥ 1 dont les temps de franchissement
sont nuls (transitions n-immédiates)
•W : T IR+ : est une fonction telle que
- W(t) est le taux, i.e. l'inverse du temps moyen, de franchissement de

transition t si t est temporisée
- W(t) est un poids associé à t si elle est immédiate
27 28
Fonctionnement d'un RdPS • Pour un marquage intangible,
• On associe à chaque transition temporisée un horloge de distribution - on choisit une transition franchissable ti avec probabilité :
exponentielle
W ti
P ti M
• Pour un marquage tangible, Wt
t EM
- les horloges des transitions franchissables décrémentent à la même
où E(M) est l'ensemble des transitions franchissables. Rappelons que
vitesse
les transitions de E(M) sont toutes immédiates.
- la transition à franchir est celle dont l'horloge s'épuise le premier
- le franchissement de ti conduit à un nouveau marquage
• Si le nouveau marquage est intangible, on répète l'étape précédente.
Sinon, on génère les horloges des transitions nouvelles et le système

évolue dans le nouveau marquage tangible
29 30
Résultats : Génération des la chaîne de Markov isomorphique

• le processus du marquage est une chaîne de Markov. Le diagramme transition-état de la chaîne de Markov isomorphique peut
être déduit du graphe d'atteignabilité (GA) :
• le temps de séjour dans un marquage tangible M est une v.a. de
distribution exponentielle de l'espérance - en établissant une correspondance bi-univoque entre les marquages
1 tangibles et les états
t E M W t
GA Chaine de Markov
où E(M) est l'ensemble des transitions franchissables dans M, et W(t) le M
taux de franchissement de t, i.e. l'inverse de son temps moyen de
t
franchissement t1 t2
… M k-1
tk
M*
M M1
M*
• la probabilité de franchir une transition franchissable tk dans un
marquage tangible M est :
W tk
P tk M
t EM Wt
31 32
- en introduisant un arc u pour tout arc t du GA reliant deux marquages - en introduisant un arc v pour tout chemin t1t2…tk du GA reliant deux
tangibles. Le taux de l'arc u est W(t) marquages tangibles M et M* par l'intermédiaire des marquages
intangibles M1,M2, …, Mk-1. Le taux de l'arc v est :
GA Chaine de Markov
W(t1) P(t2 / M1) .P(t3 / M2) … P(tk / Mk-1)
M
W(t) où
t
M M*
W ti
M* P ti M
t EM Wt
GA Chaine de Markov
M
t
t1 t2 tk
M M1 … M k-1 M*
M*
33 34
Méthodologie
L'évaluation des performances
• Distribution en régime permanent :
1. Construction du modèle réseau de Petri stochastique
j : la probabilité d'être dans un marquage tangible Mj
2. Validation du modèle, i.e. vérification de la consistance et de la
• Fréquence de franchissement d'une transition temporisée tk
conservation, à l'aide de l'analyse structurelle
k k Mj j
j : tk E Mj 3. Définition des indices de performance
où k(Mj) est le taux de franchissement de tk dans Mj

4. Génération du graphe d'atteignabilité
• Le nombre moyen de jetons dans la place p :
5. Déduction de la chaîne de Markov isomorphique
E M(p) Mj p j
j
6. Vérification de l'ergodicité de la chaîne de Markov
• Temps moyen de séjour des jetons dans la place p (Loi de Little):
E M(p) 7. Résolution de la chaîne de Markov
E dp
t p• t
8. Calcul des indices de performance
35 36
Modèle RdPS :
5. Applications
p1 p5
H+1 p10
1. Une ligne de fabrication avec pannes de machines p3 p7

p2 p6
M1 B M2
t1 t2 t3 p9 t7 t8
t6
t4 t9
t5 t10
Hypothèse :
p4 p8
les machines oisives ne peuvent pas tomber en panne
Paramètres :
i : taux de pannes M1 B M2
i : taux de réparation
p i : taux de service
H : capacité du stock tampon
37 38
Propriétés structurelles : Les mesures de performance :

• Le RdP est conservatif car il a les trois p-invariants suivants : - taux de production (fréquence de t7) :
p H+ p1 p
{p1, p2, p3, p4} TH t7 j
{p2, p3, p9, p10} j / M j ( p6 ) 0
p p p p
{p5, p6, p7, p8} t1 t2 t3 p9 t7 t8
- en-cours moyen : t6
• Il est consistant car il a les t-invariants suivants : WIP M j p9 t5 t4 t1 t9

j
{t1, t2, t3, t6, t7, t8} j p p
{t4, t5}
- ratios d'utilisation des machines :
{t9, t10}
UM1 j UM2 j
p1 p5 j / M j ( p2 ) 0 j / M j (p6) 0
H+1 p10
- taux d'oisiveté des machines :

p3 p7
p2 p6 IM1 j et IM2 j
j / M j ( p3) 0 j / M j ( p5) 0
t1 t2 t3 p9 t7 t8
t6
t4 t9
t5 t10
p4 p8
39 40
2. Une machine à commande numérique • Le modèle RdPS est :
t9
• Le cycle de fonctionnement de la machine est comme suit : p9
Phase 1 : Lecture des informations des produits à traiter r t7

p2
Phase 2 : Exécution simultanée de deux commandes, l'une pour la p3 t3 p5
p8
préparation des outils et l'autre pour la préparation du programme NC p1 t1 t2 p4 t4 p6 t5 p7 t6
q t8
Phase 3 : Traitement du produit
Phase 4 : Test de qualité. Si la qualité est insuffisante, on recommence à où r + q = 1.

partir de la phase 2 pour d'autre traitements. Sinon, le produit est
Phase 1 : Lecture des informations des produits à traiter
évacué.
Phase 2 : Exécution simultanée de deux commandes, l'une pour la préparation des outils et
l'autre pour la préparation du programme NC
Phase 3 : Traitement du produit
Phase 4 : Test de qualité. Si la qualité est insuffisante, on recommence à partir de la phase 2

pour d'autre traitements. Sinon, le produit est évacué.
41 42
Le graphe d'atteignabilité est : La chaîne de Markov :

Propriétés structurelles :
M1 100000000
t1
•Le RdP est conservatif car il a les p-invariants suivants : M1 100000000
M2 010000000 1
{p1, p2, p3, p5, p7, p8, p9} t2
M3 001100000 M3 001100000
{p1, p2, p4, p6, p7, p8, p9} t3 t4
000110000 001001000 000110000 001001000
• Il est consistant car il a les t-invariants suivants : M4 t4 t3 M5 M4 M5
M6 000011000
{t1, t2, t3, t4, t5, t6, t7, t9} t5
M7 000000100 M7 000000100
{t2, t3, t4, t5, t6, t8} t6 q 6
t8 r 6
t9 M8 000000010
p9
t7
t9
M9 000000001 M9 000000001
r t7
t9 p9
p2
p3 t3 p5
p8
p1 t1 t2 p4 t4 p6 t5 p7 t6 r t7
p2
q t8 p3 t3 p5
p8
p1 t1 t2 p4 t4 p6 t5 p7 t6
q t8
43 44
• Le diagramme transition-état est fortement connexe et la chaîne de
• Les mesures de performance :
Markov est ergodique.
M1 100000000
- taux de production (fréquence de t9) :
1
TH = 9
• La distribution en régime permanent est solution du système : M3 001100000
- temps moyen de fabrication d'un produit :

M1 100000000 000110000 001001000
M4
q 1 T = 1/TH M5
M3 001100000 - temps moyen de la phase 2 (loi de Little):

M7 000000100
r 000110000 Nb moyen de jetons dans p3 et p5 3 4 5 q 6
001001000 d2
M4 M5 fréquence d' arrivée dans p3 1 1 7q 6
r 6
- taux d'utilisation de la machine : M9 000000001

M7 000000100
q 6 D= 7
r 6 t9 p9
M9 000000001 r t7
p2
p3 t3 p5
p8
p1 t1 t2 p4 t4 p6 t5 p7 t6
45 46 q t8
1. Choix des transitions immédiates à l'aide des commutateurs aléatoires
6.
• Chaque commutateur aléatoire est associé à un ensemble S de
transitions et il spécifie, pour chaque marquage, la probabilité de
franchir une transition de cet ensemble
• Les commutateurs qui sont des fonctions simples du marquage sont

très utiles
Extensions: • La fonction suivante est un commutateur pour le RdP ci-dessous :
si M(p2) < M(p3) , P(t1) = 1 et P(t2) =0
si M(p2) > M(p3), P(t1) = 0 et P(t2) =1

si M(p2) = M(p3), P(t1) = 0.5 et P(t2) = 0.5
t1
p2
p1
t2
p3
47 48
3. Approximation de la distribution générale à l'aide des sous-réseaux
2. Temps de franchissement dépendant du marquage
Exemple : • Considérons une v.a. D de l'espérance et de l'écart-type D.
t(M) = t * Min{M(p), p •t} D
p1 D p2
• Cas : D > D. Le délai du sous-réseau N1 et D ont la même espérance et le

même écart-type si :
1
2
D n(n 1) 2D n 2D
D
n 1
n 1
D
,
1
n D n(n 1) 2D n 2D
2
n 1
…
N1 :
p1 p2
n
49 50
• Cas : D < D. Le délai du sous-réseau N2 et D ont la même espérance et le

même écart-type si :
2 2
h 2 D D D , r1 2 2D 2
D
2
D
1 - r1
N2 :
p1 r1 h p2
51
Objectifs
Expliquer les indicateurs importants des systèmes de

production
d ti
Évaluation des performances

Montrer l’importance des aléas dans les systèmes de
des systèmes de production p
production
M t
Montrer les
l outils
til d’évaluation
d’é l ti d des performances
f
Master GI2007 1 Master GI2007 2
Production lines or tranfer lines
M1 B1 M2 B2 M3 B3 M4
machine Buffer
Frequent production disruption by machine failures

B i concepts
Basic
Buffers are of finite capacity
Production often varies wildly
3 4
Production lines or tranfer lines Production capability of a machine
Cycle time or processing time ( ) :

• time necessary to process a part by a machine
• Constant
C t t cycle
l times
ti (large
(l assembly
bl systems)
t )
• Variable or random cycle time (job-shop environment).
Maximal production rate or max.

max capacity (U) :
• U = 1/ (parts per time unit)
5 6
Machine reliability model Models of machine failures
• TBF = Time Between Failure (Tup) ODF – Operation-Dependent Failure: the state of the
machine
hi degrades
d d ony when
h it
i produces.
d
• TTR = Time To Repair (Tdown)
Implication : an ODF cannot fail when it is not producing.
• MTBF = Mean TBF
• MTTR = Mean TTR
TDF – Time-Dependent
Time Dependent Fail Failure:
re the
th state
t t off the
th
• Failure rate = 1/MTBF
machine degrades all the time even if it is not producing.
• Repair rate = 1/MTTR
IImplication
li i : a TDF machine
hi can fail
f il even if it
i is
i not
producing.
UP
DOWN
7 8
Models of machine failures Mathematical models of buffers
Cause of failures: Buffer capacity : N

ODF: tool wear State of a buffer : number of parts in it varying from 0 to N
TDF: electricity supply,
supply electronic components
components, … Assumptions:
• A part, produced by a machine, is immediately placed in
th downstream
the d t b ff if it is
buffer, i nott full.
f ll
ODF failures account for 80% of disruptions in
manufacturing systems (Hanifin & Buzacott) • A part is immediately available for processing by a
machine,
hi if the
h upstream buffer
b ff isi not empty.
In this chapter,
chapter we mainly focus on ODF failures
failures.
Example of a two machine production line to explain the
difference
9 10
Mathematical models of buffers Interaction between machines and buffers

Buffering capacity of a moving convey Blocking Before Service (BBS):
A machine cannot operate and is blocked if
l
Ttravel • it is up
v
Ttravel • its downstream buffer is full
N0
• no part can be removed from that buffer
N K N0
where Bl ki After
Blocking Aft Service
S i (BAS):
(BAS)
l = length of the convey • A machine continue to produce even if the downstream buffer is full.
v = speed of the convey • The machine is blocked at the completion of the part if the buffer remains
full.
K = maximum number of carriers in the convey
Buffer capacity convetion: NBBS = NBAS +1
St
Starvation
ti : an idle
idl up machine
hi isi starved
t d if its
it upstream
t b ff is
buffer i empty/
t /
11 12
Performance measures Performance measures
Throughput rate also called productivity (TH): Work-in-process of the i-th buffer (WIPi)
• Number of pparts pproduced pper time unit. • Average
g number of pparts contained in the i-th buffer.
Production rate (PR):

( ) Total work-in-process
p ((WIP):
)
• Number of parts produced per cycle time. • Average number of parts) in the system
• Concept appropriate for synchronuous production systems with • WIP = WIP1 + WIP2 + ...
all machines having identical cycle times
Probability of blocking (BLi)
TH = U×PR
Probability of starvation (STi)
13 14
Cas d’une machine soumise à pannes
Modèles de pannes:
ODF – Operation-Dependent Failure: l’état de la
machine se dégrade que si elle produit. Alors elle ne peut
pas tomber en panne si elle ne travaille pas.
Cas d’une machine soumise à
pannes TDF – Time-Dependent Failure: l’état de la machine se
dégrade constamment avec le temps même si elle ne
travaille pas. Alors elle peut tomber en panne même si elle
ne travaille pas.

Cas d’une machine soumise à pannes Cas d’une machine soumise à pannes
Cause de pannes: Mesures de fiabilité:

ODF: usure des outils TBF = Time Between Failure = Temps de Bon Fonctionnement
TDF: alimentation,
alimentation composante électronique,
électronique … TTR = Time To Repair = Temps de Réparation
MTBF = Moyenne de TBF
Les pannes ODF représente 80% des interruptions dans MTTR = Moyenne de TTR
les systèmes de productions.
Taux de panne = 1/MTBF
Taux de réparation = 1/MTTR
On se limite principalement aux pannes ODF.
ODF
Exemple d’une ligne à deux machines pour expliquer la
différence.
différence UP DOWN
Cas d’une machine soumise à pannes Cas d’une machine soumise à pannes
Productivité: Productivité au cas de cadence réduite U’ < U:

MTBF
TH U U
MTBF MTTR
Preuve: Cas Operation Dependent Failure
•Durée moyenne d’une période UP = MTBF
•Durée
D é moyenne d’une
d’ période
é i d DOWN = MTTR TH U'
U'
•Production d’une période UP = U. MTBF U
•Durée d’un cycle UP-DOWN = MTBF + MTTR
•Productivité : TH = (U.MTBF) / (MTBF + MTTR). Cas Time Dependent Failure:
TH U'
UP DOWN
Hypothèses
M1 B1 M2 B2 M3 B3 M4
Lignes
g de production
p avec buffers •La p
première machine M1 n’est jjamais affamée
de capacité illimitée •Chaque machine produit tant que son buffer d’entrée n’est
pas vide
Machine goulot (bottleneck machine) Productivité
M1 B1 M2 B2 M3 B3 M4 M1 B1 M2 B2 M3 B3 M4
La productivité d’une ligne avec buffers de capacité illimitée

est celle de la machine goulot, i.e.
• Une machine est dite ggoulot si sa pproductivité ppropre
p ((ou U i MTBFi Ui i
TH MIN MIN
productivité isolée) est plus faible que celles des autres i MTBFi MTTRi i i i
machines.
La productivité
L d i i é d’une
d’ machine
hi Mi est celle
ll de
d la
l machine
hi lal
plus lente parmi les machines en amont, i.e.
U i MTBFi Ui i
TH j MIN MIN
i j MTBFi MTTRi i j i i

Cas d’une seule machine goulot Cas de deux machines goulot
M1 B1 M2 B2 M3 B3 M4 M1 B1 M2 B2 M3 B3 M4
Le niveau du buffer d’entrée de la machine goulot croit sans Le niveau du buffer d’entrée de chaque machine goulot croit
limite (quelle pente ?) sans limite
li i
Les buffers en aval reste limités. Les autres buffers entre les machines goulot restes limités.
B2
B1
B3
B3
B2
Cas de deux machines goulot
M1 B1 M2 B2 M3 B3 M4
Le niveau du buffer d’entrée de chaque machine goulot croit

sans limite
li i
Les autres buffers entre les machines goulot restes limités. Lignes
g de production
p sans stocks
tampons
B1
B3
B2

Hypothèses Cas des machines fiables mais de cadence différente
M1 B1 M2 B2 M3 B3 M4 M1 M2
Le progression des produits dans la ligne est synchronisée

Si une machine tombe en panne ou elle prend plus longtemps lorsque toutes les opérations en cours sont terminée.
pour une opération, les autres machines doivent attendre.
(propagration immédiate des interruptions) Le temps de cycle de la ligne est celui de la machine la plus
lente, i.e.
1
TH MIN U i MIN
Impact : la productivité est souvent plus faible que la machine i i i M1 attend
la plus lente.
lente
Master GI2007 29 Master GI2007 2 2 2 30
Cas des machines soumises à panne de cadence identique Cas des machines soumises à panne de cadence identique
M1 B1 M2 B2 M3 B3 M4 M1 B1 M2 B2 M3 B3 M4
Hypothèses: Productivité:
Si une machine tombe en panne ou elle prend plus longtemps U 1
ppour une opération,
p , les autres machines doivent attendre. TH
i
1 1 i
i i i i
La probabilité
L b bili é que deux
d machines
hi tombent
b en pannes en même
ê
temps est nulle. (probabilité négligeable en pratique)

Preuve de la productivité Impacte de la longueur de la ligne
1) Un intervalle de temps peut être décomposé comme suit: The longer the line is, the higher the capacity loss is.
UP M4 UP M2 UP M1 Buffer infini U
0,6
All UP some machine DOWN
2) Considérons l’instant tn où la ligne termine n pièce. Alors, 0,5
cet intervalle tn comprend : 0,4
perte de capacité
Throughput
• une durée totale de n de all UP,
0,3
• pour chaque
h machine
hi Mi
Mi, n /MTBFi pannes nécéssitant
é é it t un ttemps
de réparation de (n /MTBFi) MTTRi. 0,2 Zero-buffers
U n
3) n 01
0,1
tn n MTTRi
i MTBFi n 1
TH lim 0
x tn i 0 5 10 15 20
n 1 i 1
i i Nb machines
i i
Aggregation
M5
M1 B1 M2 M3 M4 B4 B6 M7
Aggregation of parallel machines and M6
consecutive dependent machines consecutive
dependent machines parallel
machines
M1 B1 M234 B4 M56 B6 M7
35 36
Aggregation of parallel machines Aggregation of parallel machines
M1 M1
M2 M2
Meq Meq
MS MS
Id i l parallel
Identical ll l machines
hi : i = = 1/U,
1/U i = , i = N Id
Non Identical
i l parallel
ll l machines
hi : i = 1/Ui, i, i, ei = 1/(1+
1/(1 i/ i)
S
Ueq = S×U U eq Ui
i 1
eq = S
e
i i
eq =
i 1
eq
S Ui
ei
i 1
U eq S
U eq S
U i ei
1 eq eq
i 1
37 38
Aggregration of consecutive dependent machines Aggregration of consecutive dependent machines

Machines of nonidentical cycle time : i = 1/Ui, i, i
M1 M2 ... MS Meq
• All machines slowed down to slowest one :
U = min{Ui, i= 1, ..., S}
Machines of identical cycle time : = = 1/U,
1/U i,
i i • Reduced failure rate : i = U i /Ui
S Failure rate equivalence
eq i 1 i
1 1 • Equivalent machine cycle time : Ueq = U

eeq E L Flow rate equivalence
q
eq S i • Failure rate equivalence : =
1 1 i 1
eq i i
eq i • Flow rate equivalence : THeq

e = TH(L)
1 S i 1 1 S 1
40
i 1
Average stoppage time equivalence • Average
g stoppage
pp g time equivalence
q i 1
i
eq eq i
eq eq i
39
Motivation/coût des stocks tampons
M1 B1 M2 B2 M3 B3 M4
Motivation:
Lignes de production à deux machines •Eviter la perte de la productivités
avec stock tampons Coûts:
•En-cours
E ett délais
dél i de
d fabrication
f b i ti plusl importants
i t t
•Espace de l’atelier plus important
•manutention plus compliquée
Effets de pannes:
•Buffer de capacité illimitée: pas de propagation dd’interruption
interruption
•Sans buffer: propagation instantanée
Buffers finis: propagations retardées et partielles
•Buffers
Motivation/coût des stocks tampons Modèle markovien d’une ligne fiable

Nouveaux phénomènes:
M1 B M2
•Blocage
Bl une très grave
•Famine panne de M3 Hypothèses:
• Les deux machines sont fiables et ne tombent jamais en
panne
M1 M2 M3 M4 • Le temps opératoire est une variable aléatoire de distribution

exponentielle
p de taux p1 p
pour M1 et p2 p
pour M2.
3 unités de temps après la panne
• Le stock tampon est de capacité K
où est le temps opératoire
• Il y a une place
l sur chaque
h machine
hi pour recevoir
i lla pièce
iè en
cours de fabrication.
M1 M2 M3 M4 • M1 n’est jamais affamée et M2 n’est jamais bloquée

Modèle markovien d’une ligne fiable Modèle markovien d’une ligne fiable
M1 B M2 M1 B M2
Le système est une chaîne de Markov à temps continu avec les Le modèle est équivalent à une file d’attente M/M/1/(K+2).
variables
i bl d’état:
d’é 1 n
P0 K 3
, Pn P0 , if 1
1
x = nombre de pièces dans B 1
Pn , if 1
+ la pièce sur M2 si il y en a K 3
Où = p1/p2 est appelé le taux de trafic.
trafic
+ la pièce terminée mais bloquée sur M1 si il y en a
p1 p1 p1 p1 p1 p1 p1 p1
0 1 … K+1 K+2 0 1 … K K+2
p2 p2 p2 p2 p2 p2 p2 p2
Modèle markovien d’une ligne fiable Exemple : p1 = 10, p2 = 9, = 10/9

04
0,4
Indicateurs de performance 0,35
0,3
probabilité
b bilité de
d la
l famine
f i de d M2 : P0 = (1-
(1 )/(1-
)/(1 K+3) 0 25
0,25
9,5
0,2
Blocking prob.
probabilité de blocage de M1: PK+2 = K+2(1- )/(1- K+3) 9
infinite buffer 0,15
01
0,1
8,5
productivité : 8
0,05
starving prob
0
ghput
0 5 10 15 20 25 30 35
TH = p2(1-P
(1 P0) = p1(1-P
(1 PK+2) = p1(1-
(1 K+2
K 2)/(1-
)/(1 KK+33)
7,5
Buffer capacity
Throug
7
Zero-buffer 30
En-cours moyen 6,5

25
6
K 2 K 2
1 K 2
5,5
20
E X nPn K 2
Encours
K 3 5 15
n 0 1 1 0 5 10 15 20 25 30 35
Buffer capacity 10
0
0 5 10 15 20 25 30 35
Buffer capacity
Modèle markovien d’une ligne soumise à pannes Modèle markovien d’une ligne soumise à pannes
M1 B M2 M1 B M2
Hypothèses: Le système est une chaîne de Markov à temps continu avec les
variables
i bl d’état:
d’é
• Les machines peuvent tomber en panne avec TBFi = EXP( i)
et TTRi = EXP ( i)
x = nombre de pièces dans B + la pièce sur M2 si il y en a + la
• Le temps opératoire est une variable aléatoire de distribution pièce terminée mais bloquée sur M1 si il y en a
exponentielle
p de taux p1 ppour M1 et p2 p
pour M2.
i = 1 sii Mi estt UP ett 0 sii Mi estt DOWN avec i = 11,2
2
• Le stock tampon est de capacité K
Etat ( 1, 2, x)
• Il y a une place
l sur chaque
h machine
hi pour recevoir
i lla pièce
iè en
cours de fabrication.
• M1 n’est jamais affamée et M2 n’est jamais bloquée
Modèle markovien d’une ligne soumise à pannes Modèle à temps discret d’une ligne soumise à pannes
M1 B M2 M1 B M2
Hypothèses:
Etat ( 1, 2, x), Capacité K = 0. g
• Lignes synchronisées,
y , i.e. Ui = U = 1,, avec toujours
j une pièce
p sur chaque
q
machine et un stock tampon de capacité h.
0, 0, 0 0, 0, 1 0, 0, 2 • Le temps est discrétisé en t = 1, 2, 3, …
• Dans chaque période, une machine peut-être : en état de marche (W), en
1, 0, 0 1, 0, 1 1, 0, 2 panne (R), bloquée (B), affamée (I). Cet état ne change pas.
• Une machine Mi en état W dans une période t tombe en panne en période
2 t+1 avec proba. pi et sinon passe dans l’état W ou B ou I.
0, 1, 0 0, 1, 1 0, 1, 2 2 • U
Une machine
hi Mi en ététatt R ddans une période
é i d t passe en ét
étatt W en période
éi d
1 1 p2 t+1 avec proba. ri et sinon reste dans l’état R.
1, 1, 0 1,, 1,, 1 1,, 1,, 2 • Une machine Mi en état B ou I dans une période t passe en état W en t+1
p1 si l’autre machine est réparée.
Modèle à temps discret d’une ligne soumise à pannes Modèle à flux continu de lignes soumise à pannes
M1 B M2 M1 B M2
Efficiency of the line, E(h) that is the probability a machine is producing
Throughput
g p rate,, TH(h)
( )
Considérons le cas de lignes synchronisées, i.e. Ui = U.
* h
1 r
, if I1 I2
1 I1 1 I2 r* h
E h
r1 r2 r1r2 r1r2 1 I h Chaque machine produit de manière continue.
continue Lorsque une
, if I1 I2 I
r1 r2 1 2 I r1r2 1 I
2
h 1 machine Mi produit, un flux est retiré de son buffer d’entrée à
TH (h) E (h)).U la vitesse U et un flux est injecté
j dans son buffer de sortie à la
1 p1 p2 p1 p2 r1 p2 vitesse U.
2 p1 p2 p1 p2 r2 p1
1 r1 r2 r1r2 p1r2
2 r1 r2 r1r2 p2 r1
1 2 * r1 p2 1 pi
,r , Ii
2 1 r2 p1 2 ri
Modèle à flux continu de lignes soumise à pannes Modèle à flux continu - comportement dynamique
M1 B M2 B
M1 M2
Le modèle à flux continu est une bonne approximation pour une Paramètres du système:
li
ligne à haut
h débit
débi et sii la
l capacité
i é de
d buffer
b ff est assez grand.
d
i: taux de pannes de machine Mi
i: taux de réparation
p de machine Mi
Il a été démontré que: • U: capacité maximale de Mi
THFcontinu(h) < THFdiscret(h) < THFcontinu(h+2) • h : capacité du stock tampon
où THFdiscret(h) est une ligne équivalente à flux discret avec un Variable d’état
stock
t k ttampon ded capacitéité h ett avec temps
t opératoire
é t i égal
é l au i(t) =1/0 : variable d’état de la machine Mi
constant 1/U. (aussi vrai pour une ligne de plus de deux • ui(t) : cadence de production de Mi
machines)
• x(t): niveau de stock tampon
Modèle à flux continu - comportement dynamique Modèle à flux continu - comportement dynamique
u1(t) u2(t) u1(t) u2(t)
M1 B M2 M1 B M2
1(t) x(t) 2(t) 1(t) x(t), h 2(t)
u1 = U u1 = U u1 = 0 u1 = U u1 = 0 u1 = 0
Blocage de M1 : 1(t) = 1, x(t) = h, 2(t) = 0
1=1 1=1 1=1 1=1 1=0 1=0
u2 = U u2 = 0 u2 = 0 u2 = U u2 = U u2 = 0 Famine
i ded M2
2: 1( ) = 0,
1(t) 0 x(t)
( ) = 0,
0 2(t)
2( ) = 1
2=1 2=0 2=0 2=1 2=1 2=1
h Dan les autres cas : u1(t) = 1(t) U, u2(t) = 2(t) U
x(t)
F2 blocking R2 F1 Starving R1 F2
Cas I1 = 1/ 1 I2 = 2/ 2
Efficiency of the line
line, E(h) that is the probability a machine
is producing I 2 e ah I1
E h ah
I2 1 I2 e I1 1 I1
Throughput rate : TH(h) = E(h)U
Probability of starving of M2: ps(h) = 1 – E(h)/e2 I1 I 2
U 1 2
1 eah I 2 1 I 2 he ah
I 2 I1 1 2
Probability of blocking of M1: pb(h) = 1 – E(h)/e1 Q h
I 2 1 I 2 eah I1 1 I1
Isolated efficiency of Mi : ei = 1/(1+Ii) = i/( i+ i)
Mean buffer level: Q(h) a 2 1 1 2 1 2 1 2

U 1 2 1 2

Case U=1, = 0,1

Cas I1 = 1/ 1 I2 = 2/ 2 =I
0,55
1 I 1 2 infinite buffer
h U 05
0,5
I 1 2
E h 2 0,45
1 I 1 2 In this case,
h 1 2I U
ut
Throughpu
I 1 2
04
0,4
0,35 zero-buffer Q(h) = 0,5h

2 h I 1 2 0,3
1 I 1 U
2 1 2 0,25
Q h h
2 1 2
1 I h I 1 2I U 0,2
0 50 100 150 200 250 300 350
1 2
Buffer capacity h
Etudes des performances Etudes des performances
TH(N)
U=1
WIP 1 = 0,14
1 = 0.1 1 = 0,14
1 = 00,12
12
1 = 0,12
2 = 0,1 1 = 0,10
1 = 0,10
1 = 0,08
2 = 0,1
01 1 = 0,08
1 = 0,06
1 = 0,06
h=N
Discussions:
Why are the curves increasing? Why do there reach an asymptote?
What is TH when N= 0? What is the limit of TH as N tends to infinity?
Why are the curves with smaller 1 lower?
Etudes des performances
TH
WIP
WIP

Modèle à flux continu - comportement dynamique
u1(t) u2(t)
M1 B M2
1(t) x(t), h 2(t)
Une ligne à flux continue est un processus de Markov avec état

TH discret ( 1, 2)) et état continu x caractérisé ppar:
distribution des états internes:
F 1 2(x) = P{ 1(t) = 1, 1 2(t) = 2,
2 0 < x(t) x)
f 1 2(x) = d F 1 2(x) /dx
distribution
distrib tion des états frontières:
P 1 2(0), P 1 2(h)
s
Cas I1 = 1/ 1 I2 = 2/ 2 Cas I1 = 1/ 1 I2 = 2/ 2=I
2 1 1 2 1 2 1 2
a
U 1 2 1 2 f10 x f 01 x C0
ax
f10 x f 01 x Ce C0
f 00 x IC0 , f11 x
I
f 00 x 1 2
C ax , f11 x
Ce 1 2
C ax
Ce
U U
1 2 1 2 P11 h C0 , P11 0 C0
U U 1 2
P11 h Ce ah , P11 0 C
1 2 1 2
1 2 P10 h U C0 , P01 0 U C0
1 2 ah 1 2 1 2 2 1
P10 h U Ce , P01 0 U C
1 2 2 1
P01 h P00 h P10 0 P00 0 0
2
P01 h P00 h P10 0 P00 0 0 1 1 I
1 2
U 1 2I h
1 U 1 2 1 I 2 ah 1 I1 C0 1 2 I
e
C 2 1 1 2 I1 I2

Hypothèses
M1 B1 M2 B2 M3 B3 M4
L’étude d’une ligne quelconque est difficile à cause de manque

d solution
de l i analytique
l i (pas
( de
d formules
f l pour lesl indicateurs
i di de
d
performances) et de l’explosion d’états.
Lignes
g de production
p avec stocks
tampons Une méthode par décomposition DDX est capable d’obtenir
une analyse approximative mais suffisamment précise dd’une
une
ligne de production.
D’autres méthodes d’approximation existe mais la méthode

DDX est considérée comme la plus efficace et généralisable à
d systèmes
des tè plus
l généraux.
é é



Aggregation method
Notation
Equivalent machine
M1 B1 M2 B2 M3 B3 M4 M1 B1 M2 B2 M3 B3 M4
Soit: M1 B1 M2 L12
Ii = i/ i
Replace L12 by a machine M12 of equivalent isolation
ei = 1/(1+Ii) : isolated efficiency of Mi throughput rate (flow equivalence), i.e.
eiU : iisolated
l t d productivity
d ti it off Mi
1
eM12 E L12 12
Considérons les performances de la ligne: 1 12 / 12
12
E L12
12
Ei : proba que Mi soit occupée

12 = 2 is a feasible selection. A better selection is:
THi = Ei U: p
productivité de Mi
psi : proba de la famine 1 P( 2 0) 2 1 ps(L12 ) 1 1
12 P( 2 0) 2 ps(L12 ) 1 2 P( 2 0) 2 ps(L12 ) 1 1
pbi : proba de blocage
P( 2 0) 1 E(L12 ) ps(L12 )
Aggregation method Méthode par décomposition

Equivalent machine Propriétés d’une
d une ligne continue
M1 B1 M2 B2 M3 B3 M4 M1 B1 M2 B2 M3 B3 M4
Soit:
M12 B2 M3 B3 M4
Ii = i/ i
ei = 1/(1+Ii) : isolated efficiency of Mi
M123 B3 M4 eiU : isolated productivity of Mi
M1234 Considérons les performances de la ligne:

Ei : proba que Mi soit occupée
Repeating the aggregation process leads to an approximated
THi = Ei U: productivité de Mi
estimation of the throughput
g p of the line.
psi : proba de la famine
pbi : proba de blocage
Méthode aussi applicable pour les modèles discrets.
Méthode par décomposition Méthode par décomposition
Propriétés d’une
d une ligne continue Décomposition
M1 B1 M2 B2 M3 B3 M4 Décomposer une ligne de K-machines en K-1 lignes de 2-machines.
Conservation des flux:

L: M1 B1 M2 B2 M3 B3 M4
THi = TH1, i = 2, …, K (1)

h1 h2 h3
Ei = E1, i = 2, …, K (2)
L(1):
( ) Mu(1) B(1) Md(1)
Mu(i) = sous- ligne en amont de Bi
p d’attente:
Relation flux-temps
Ei = ei (1- psi –pbi) , i = 2, …, K (3) u
h1 d Md(i) = sous- ligne en aval de Bi
u d
Preuve:
Ei = P{ i(t) = 1 et Mi non bloquée et Mi non affamée}
Mu(2) B(2) Md(2) L(2):
= P{ i(t) = 1 | Mi non bloquée et Mi non affamée}. P{Mi non bloquée et Mi non u h2 d
affamée} u d
= ei (1- psi –pbi)

Objectif: le flux d’entrée/sortie de Mu(3) B(3) Md(3)
L(3):
car la
l proabb que Mi soit
i bloquée
bl é et affamée
ff é en même
ê temps est nulle.
ll B(i) est similaire à celui de Bi dans L u h3 d
u
Master GI2007 89 Master GI2007 d 90

Décomposition Décomposition
Notation : Appliquer (3) à la ligne L(i):

Iu(i), eu(i), Id(i), ed(i) E(i) = eu(i)(1- pb(i)) , i = 1, …, K-1 (7)
E(i) : proba
b que Md(i) soit
it occupée
é E(i) = ed(i)(1-
(i)(1 ps(i)
(i)) , i = 1,
1 …, K-1
K1 ( 8)
ps(i) : proba de la famine de Md(i) Combiner (2) et (4)
pb(i) : proba. de blocage de Mu(i) E(i) = E(1) , i = 1, …, K-1 (I)

Combiner (3), (4), (5), (6),
Selon ll’objectif
objectif de la décomposition:
E(i-1) = ei (1 - ps(i-1) - pb(i))
E(i) = Ei+1, i = 1, …, K-1 (4)
Combinant avec ((7)) et (8)
( )
ps(i) = psi+1 , i = 1, …, K-1 (5) Id(i-1) + Iu(i) = 1/E(i-1) + Ii –1 (II)
pb(i) = pbi , i = 1, …, K
K-1
1 (6)

Temps de réparation de Mu(i) : C)
nb d’interruptions d’arrivée
ps i 1
p u i 1 des flux dans B(i-1)
Pr ob u i 0 u i
A) panne de Mu(i) = panne de Mi, avec prob. 1- nb de réparations de Mu(i)
= nb de pannes de Mu’i)
= panne de Mu(i-1), avec prob.
D’après
D après ll’équation
équation dd’équilibre
équilibre,
Etat-transition de Mu(i)
temps de réparation de Mu(i) E(i) u(i) = Prob u(i) =0 u(i)
u(i)
MTTR (i) = MTTRu(i-1)
MTTRu(i) MTTR (i 1) + (1
(1- ) MTTRi Al
Alors: E(i) working
ki DOWN
u(i)
1/ u(i) = / u(i-1) + (1- ) / i (9) ps i 1
p i 1
u
( )
(10) idle
E i u i
où =p
pourcentage
g d’arrêts de Mu(i)
( ) dus à une panne
p de Mu(i-1)
( )

Combiner (9)-(10),
Temps de réparation de Md(i)
1 ps i 1 1 ps i 1 u i 1 1
1
u i E i Iu i u i E i Iu i u i i d(i) = Y. u(i+1) + (1-Y) i+1 (IV)
ps i 1 ps i 1 u i 1 avec Y = pb(i+1) / (Id(i).E(i)).
1 i u i
E i Iu i E i Iu i
u(i) = X. u(i-1) + (1-X) i (III) Equations de frontière:

avec X = ps(i-1) / (Iu(i).E(i)). u(1) = 1, u(1) = 1, d(K-1) = K, u(K-1) = K, (V)

Regroupant (I) – (V), nous avons 2(K-1) équations pour 2(K-1) Algorithme DDX :
inconnues: Et
Etape 1:
1 Initialiser
I iti li u(i) = i, u(i) = i, d(i) = i+1, u(i) = i+1
E(i) = E(1) , i = 1, …, K-1 (I) Etape 2: Mise à jour des u(i), u(i) selon éq. (I)-(II)-(III)
Pour i = 2 à K
K-1,
1 faire
Id(i-1) + Iu(i) = 1/E(i-1) + Ii –1 (II)
2.1 Evaluer la ligne L(i-1) pour obtenir E(i-1), ps(i-1), pb(i-1)
u(i) = X. u(i-1) + (1-X) i (III)
2 2 Selon (II),
2.2 (II) Iu(i) = 1/E(i-1) + Ii –1 - Id(i-1)
avec X = ps(i-1) / (Iu(i).E(i)). 2.3 Selon (III)-(I), u(i) = X. u(i-1) + (1-X) i avec X = ps(i-1) / (Iu(i).E(i-1)).
Etape 2: Mise à jour des d(i), d(i) selon éq. (I)
(I)-(II)-(IV)
(II) (IV)
d(i) = Y.
Y u(i+1) + (1-Y)
(1 Y) i+1 (IV)
Pour i = K-2 à 1, faire
avec Y = pb(i+1) / (Id(i).E(i)).
2.1 Evaluer la ligne
g L(i+1)
( ) pour
p obtenir E(i+1),
( ), ps(i+1),
p ( ), pb(i+1)
p ( )
u(1) = 1, u(1) = 1, d(K-1) = K, u(K-1) = K, (V) 2.2 Selon (II), Id(i) = 1/E(i+1) + Ii+1 –1 - Iu(i+1)
2.3 Selon ((IV)-(I),
)() d((i)) = Y. d((i+1)) + ((1-Y)) ii+11 avec Y = p
pb(i+1)
( ) / ((Id((i).E(i+1))
) ( ))
Etape 4: Répéter (2) – (3) jusqu’à convergence, i.e. E(i) = E(1).
Chapitre 1: Chaînes de Markov à temps discret
Exercice 1 : Processus stochastiques
Donnez un processus stochastique permettant de décrire l’évolution des variables suivantes ainsi que la nature des
espaces des temps et des états associés :
a) Nombre d’appels suivant le jour de l’année
b) Nombre d’appels arrivant dans l’intervalle [0, t]
c) Temps moyen de traitement d’un appel par rapport au jour de la semaine
d) Temps d’attente restant en fonction du temps déjà écoulé
Exercice 2 : Marches aléatoires
Soit X , X , … des variables aléatoires identiques et indépendantes. On définit le processus stochastique {Y } par
1 2 n n=0,1,2,…
Y0 = 0, et Yn = X1 + X2 + ... + Xn. {Y } est alors appelé une marche aléatoire.
n n=0,1,2,…
a) Les variables aléatoires Y sont elles indépendantes ?
n
On suppose maintenant que X est une variable de Bernoulli de paramètre p, ce qui signifie que P[Xn = 1] = p et P[Xn =
n
-1] = 1-p.
b) Proposer une représentation graphique de la marche aléatoire {Y } associée
n
c) Trouvez une relation entre les P[Y = i], i N (probabilité d’être en i après n étapes) et les P[Y = j], j N
n n+1
(probabilité d’être en j après n+1 étapes)
Exercice 3 : Matrices stochastiques
a) Soit P une matrice stochastique, montrez que Pn est stochastique
b) Montrez que toute matrice stochastique admet 1 comme valeur propre
c) Théorème de Frobenius : soit P une matrice de stochastique, montrer que ses valeurs propres ne dépassent pas l’unité
Exercice 4 : Représentation graphique d’une chaîne de Markov à temps discret
Classifiez les états des chaînes de Markov associées aux graphes ci-dessous (états absorbants, transitoires, récurrents).
Parmi ces chaînes, lesquels sont irréductibles ?
Exercice 5 : Forme canonique
Soit la chaîne de Markov à temps discret définie par le graphe suivants
a) Donnez la nature de chacun des états (absorbants, transitoires, récurrent)
b) Classifiez les états, les sous-chaînes et la chaîne
c) Donnez la matrice de transition ainsi que sa forme canonique
Problème 1 : C’est ton destin !
D’éminents sociologues rangent les individus de notre société en 3 classes sociales : Bourgeoisie (B), Classe moyenne
(C) et Prolétariat (P). On s’intéressera dans ce modèle simpliste à la classe sociale qu’atteint un individu à la fin de sa
vie. On supposera que celle-ci dépend uniquement de la classe sociale de son père.
Si le père appartient à B, son fils appartiendra aux classes B et C avec des probabilités respectives de 0.5 et 0.5.
Si le père appartient à C, son fils appartiendra aux classes B, C et P avec des probabilités respectives de 0.2, 0.7 et 0.1.
Si le père appartient à P, son fils appartiendra aux classes B, C et P avec des probabilités respectives de 0.1, 0.3 et 0.6.
a) Modélisez ce comportement sociologique par une chaîne de Markov
b) Donnez son graphe et sa matrice de transition
c) Donnez la nature de chacun des états. La chaîne est-elle irréductible ? Périodique ?
d) Quelles sont à long terme les proportions de gens de chacune des classes ?
e) Quelle est la probabilité stationnaire d’être dans une classe sociale différente de celle de son grand-père
paternel ?
Problème 2 : Le contrat de confiance
Le responsable du rayon arts ménagers d'un grand magasin a constaté que la demande journalière de machine à laver
était aléatoire et bernouillienne. Plus précisément, il y chaque jour une probabilité p pour que soit vendue une machine
et une probabilité q=1-p pour qu’il n'en soit pas vendu.
Dés que la dernière machine est vendue, on en commande m qui arrivent toutes le lendemain soir. Le coût de stockage
est de s par machine (par jour); le coût d'une commande est indépendant du nombre de machines demandées et est b.
a) En utilisant une chaîne de Markov à temps discret, calculez le coût journalier moyen
b) Pour quelle valeur de m ce coût est-il minimal ?
Problème 3 : Roulette française versus roulette américaine
Vous sentant en veine, vous achetez i jetons et vous vous dirigez vers la table de roulette la plus proche. Votre stratégie
est simple: vous misez un jeton à chaque jeu et ne sélectionnez que les chances simples (pair/impair, rouge/noir,
manque/passe). La probabilité de gagner est à chaque fois de p. Vous décidez de vous arrêter si vous arrivez à a jetons
(ou si vous êtes ruiné et qu’il ne vous en reste aucun).
Définissant Xn comme votre nombre de jetons après n jeux:
a) Montrez que {Xn}n=0,1,… est une chaîne de Markov. Dessinez son graphe représentatif et donnez sa
matrice de transition. Donnez la nature de chacun des états. La chaîne est-elle irréductible ?
b) Calculez la probabilité f d’être ruiné en partant de i (Vous pourrez par exemple établir une relation de
i0
récurrence sur la quantité f )
i0
c) En déduire l’espérance de gain E[G]
d) Calculez e le temps moyen du jeu en partant de i (vous pourrez également établir une relation de récurrence
i
sur e )
i
e) Application numérique : calculez e et f pour la roulette française (p = 18/37) et pour la roulette américaine
i i0
(p = 18/38) en prenant i=50 et a=100
Problème 4 : Fiabilité
Une entreprise utilise une machine dont l’état d’usure est l’un des suivants : neuve, usée, très usée et inutilisable.
Chaque jour d’utilisation passé dans l’un de ces 4 états rapporte respectivement 1000 €, 1000 €, 800 € et 0 € à
l’entreprise. On modélise le processus de vieillissement d’une telle machine par une chaîne de Markov à temps discret
(l’unité de temps étant le jour) dont la matrice de transition est donnée dans le tableau suivant :
neuve usée très usée inutilisable
neuve 0,6 0,2 0,1 0,1
usée 0 0,7 0,2 0,1
très usée 0 0 0,8 0,2
inutilisable 0 0 0 1
a) Calculer la durée moyenne d’une machine neuve
b) Sachant que le remplacement d’une machine par une machine neuve coûte K=2000 € et demande une journée
complète de travail, choisissez laquelle des 2 politiques maximise à long terme le gain moyen de l’entreprise :
(P ) Remplacer la machine dés qu’elle est inutilisable
1
(P ) Remplacer la machine dés qu’elle est très usée ou inutilisable
2
Chapitre 2: Chaînes de Markov à temps continu

Exercice 1 : Loi exponentielle
a) Une variable aléatoire sans mémoire est une variable aléatoire T vérifiant :
P{T t+ x | T t} = P{T x}, t, x
Montrer que la seule loi continue sans mémoire est la loi exponentielle.
b) En déduire que le temps passé dans un état i d’une CMTC suit une loi exponentielle.
c) Soient X1, X2, … , Xn, n variables aléatoires exponentielles indépendantes de paramètres respectifs λ , λ , … , λ et
1 2 n
Y= min{X ,X X }. Montrer que :
1 2, …, n
- Y est une variable exponentielle de paramètre λ + λ + …+ λ
1 2 n
- P[X = Y]= λ /(λ +λ + … +λ )
i i 1 2 n
d) Soient X1, X2, … , Xn n variables aléatoires exponentielles indépendantes de même paramètre λ. Montrer que Z =
n
X + X + ... + X a la distribution de probabilité suivante :
1 2 n
n 1 x
x e
fn x
n 1!
Remarque : On dit que Zn suit une loi de Erlang à n étages de taux λ.
Exercice 2 : Processus de Poisson

Soit un processus de Poisson N(t) de paramètre λ .
a) Montrer que les probabilités d’état de N(t) sont :
k
t t
P N t k e
k!
b) Montrer que la superposition de n processus de Poisson de taux respectifs λi (i=1,…,n) est un processus de Poisson
de paramètre Σ λ .
i
c) Montrer que la décomposition de N(t) avec des probabilités pi donne n processus de Poisson de paramètres λ p .
i
Problème 1 : Fiabilité
Un atelier comporte deux machines identiques, chacune a une fiabilité exponentielle de taux λ (ce qui signifie que le
temps entre deux pannes consécutives est supposé distribué selon une loi exponentielle de taux λ) et fonctionne en
permanence (quand elle n'est pas en panne). Lorsqu'une panne survient, la réparation requiert l'intervention de deux
réparateurs R et R successivement (toujours dans l'ordre R puis R ). L'atelier ne dispose que d'un seul réparateur R et
1 2 1 2 1
d'un seul réparateur R . Ainsi si une machine en panne est en cours de réparation avec R et que l'autre tombe en panne,
2 1
elle devra attendre que R se libère (même chose pour R2). Les durées aléatoires des réparations de R et R suivent des
1 1 2
lois exponentielles de taux respectifs μ et μ .
1 2
a) Montrer que ce système peut être décrit par une chaîne de Markov à 6 états. Donner le graphe associé.
b) Ecrire les équations d'état à l'équilibre dans le cas où μ = μ = μ;
1 2
c) Calculer les probabilités d'état à l'équilibre.
d) On suppose qu'en moyenne une machine tombe en panne toutes les 4 heures et qu'il faut en moyenne 1
heure à chaque réparateur pour chacune des deux phases de la réparation. Quelle est la disponibilité
d'atelier, c'est-à-dire la proportion de temps pendant lequel au moins une machine fonctionne ?
Problème 2 : Production
On considère un système de production constitué de 3 machines.
pièces brutes
1 1 3
3 produit
1 2 s finis
Ce système est alimenté par un stock infini de pièces brutes. Le processus de fabrication d’une pièce correspond au
passage successif sur les trois machines de l’atelier. Chaque machine possède un temps d’usinage supposé distribué
suivant une loi exponentielle (de taux μ pour la machine i). Il n’existe aucune zone de stockage entre les différentes
i
machines. Dés qu’une machine libre reçoit une pièce, elle commence son traitement. A la fin du traitement de cette
pièce, deux choses peuvent se produire. Soit la machine suivante est disponible et la pièce est alors transférée
instantanément et peut poursuivre son processus de fabrication, soit la machine suivante n’est pas libre et la pièce reste
sur la machine considérée qui se trouve alors bloquée. Celle-ci se débloquera dés l’instant où la machine suivante sera à
nouveau disponible. Seule la dernière machine ne peut jamais être bloquée, puisque l’on suppose que tout produit fini
est instantanément retiré du système.
a) Modéliser le comportement de ce système par une CMTC en précisant bien la signification de chaque état.
On supposera connues par la suite les probabilités stationnaires.

b) Quelle est la proportion de temps P pendant laquelle il y a au moins une machine bloquée dans l’atelier ?
c) Quel est le nombre moyen X de pièces produites par unité de temps ?
d) Quel est le nombre moyen Q de pièces dans l’atelier ?
e) Quel est le nombre moyen de machines M en fonctionnement (en train de traiter une pièce) ?
f) Quel est le temps moyen de production R d’une pièce (temps séparant le début de traitement par la première
machine de la fin de traitement par la dernière machine) ?
Problème 3 : Commutation de paquets
On considère un réseau de transmission à commutation de paquets constitué de 3 noeuds et de 2 liaisons:
Le processus d’arrivée des paquets au noeud 1 est supposé poissonien de taux λ. Tous les paquets empruntent les
liaisons 1-2 et 2-3. Lorsque le noeud 3 reçoit un paquet, il le traite instantanément. Tous les noeuds ont une capacité
limitée à un seul paquet. Cette capacité limitée implique deux choses:
- Lorsqu’un paquet arrive au noeud 1 alors que celui-ci contient déjà un paquet, le paquet est alors perdu ;
- Lorsqu'il y a un paquet dans le noeud 1 et un paquet dans le noeud 2, le noeud 1 ne pourra commencer à émettre son
paquet que lorsque le noeud 2 sera vide. On suppose que le noeud 1 est informé en temps réel de la disponibilité du
noeud 2.
Le temps d’émission du noeud i est supposé exponentiel de taux μi, i = 1, 2. Le temps de propagation sur chaque
liaison est supposé négligeable. Tant qu’un paquet est en émission, il occupe une place dans le noeud.
a) Modéliser le comportement de ce réseau par une CMTC en indiquant avec précision la signification de
chaque état.
b) Calculer les probabilités stationnaires après avoir justifié leur existence.
c) Quelle est la probabilité de rejet d’un paquet à l’entrée du système ?
d) Donner le temps moyen mis par un paquet accepté pour traverser le réseau.
Chapitre 3: Files d'attente
Problème 1 : Commutateur téléphonique
On considère un système de type commutateur téléphonique, capable de traiter simultanément C appels. Un nouvel
appel qui arrive alors que C appels sont déjà en cours de traitement est perdu. On suppose le processus d’arrivée des
appels poissonien de taux λ et le service exponentiel de taux μ.
a) Modéliser ce système par une file d’attente et donner sa notation de Kendall
b) Représenter la CMTC associée au système
c) Calculer les probabilités stationnaires et donner la condition de stabilité
d) Donner l’expression du débit des appels qui ont abouti , du nombre moyen d’appel en cours de traitement et du
temps moyen de réponse
Problème 2 : Système à population finie
On considère un système dont le nombre de clients potentiels est m. Chacun de ces clients, lorsqu’il n’est pas dans le
système, est susceptible d’y entrer suivant un processus de poisson λ, indépendamment du comportement des autres
clients. Le service d’un client est supposé distribué suivant une loi exponentielle de taux μ. Le système a une capacité
illimitée et un nombre de serveurs illimité.
a) Modéliser ce système par une file d’attente et donner sa notation de Kendall
b) Représenter la CMTC associée au système
c) Calculer les probabilités stationnaires et donner la condition de stabilité
d) Calculer le nombre moyen de clients dans le système
Problème 3 : Réseau informatique
Le réseau informatique d’un laboratoire pharmaceutique est composé de 10 terminaux. Ces 10 postes de travail (on les
supposera toujours occupés) sont connectés à un processeur (CPU). Chaque terminal peut envoyer une seule requête à
la fois au CPU et doit attendre la réponse du processeur avant de pouvoir en envoyer une autre. Après la réponse du
CPU à un utilisateur, ce dernier attend environ 40 secondes avant d’envoyer une nouvelle requête. On appelle cette
grandeur le temps de réflexion. Le processeur traite les requêtes les unes après les autres dans leur ordre d’arrivée, il est
supposé de capacité infinie et met en moyenne 4 secondes pour traiter une commande.
Le temps de réflexion et le temps de traitement d’une requête par le processeur suivent une loi exponentielle.
a) Modéliser le réseau informatique de ce laboratoire
b) Formuler ce modèle comme un problème de file d’attente et donner sa notation de Kendall
c) Enumérer et classifier les états possibles de la chaîne de Markov associée, donner le graphe représentatif
associé ainsi que sa matrice génératrice (générateur infinitésimal)
d) Supposant connue la distribution stationnaire, calculer le nombre moyen de requêtes dans le processeur, le
temps moyen de réponse et le taux d’occupation du processeur.
Problème 4 : Commutateur à priorités
On considère un commutateur téléphonique capable de gérer C appels simultanément. Trois classes d’appels arrivent au
commutateur. On supposera que les appels de type r arrivent selon un processus de Poisson de taux λ , r = 1, 2 ou 3.
r
Lorsqu’un appel arrive alors qu’il y a moins de C appels dans le commutateur, l’appel est instantanément traité. On
supposera que la durée d’un appel est indépendante du type d’appel et est décrite par une variable exponentielle de taux
μ. Lorsqu’un appel ne peut être immédiatement satisfait, ce dernier est, suivant le type de l’appel, soit mis en attente
dans un buffer FIFO de capacité limitée, soit rejeté.
Le buffer est en effet divisé en trois zones distinctes de tailles respectives k , r = 1,2,3, chacune ne pouvant accueillir
r
que des appels de type inférieur ou égal à r.
a) Représenter la CMTC associée au système
b) Expliquer pourquoi il n’y a pas de problème de stabilité. Pour simplifier les calculs, on posera dans la suite
du problème : C = 2, k = k = k = 1, λ = λ = λ = 1/3 et μ = ½
1 2 3 1 2 3
c) Calculer les probabilités stationnaires de la file
d) Quel est la proportion d’appels de type r rejetés, r = 1, r = 2, r = 3 ?
e) En déduire le nombre moyen d’appels satisfaits par unité de temps pour chacun des trois types et tous types
confondus.
Problème 5 : Paramètres de performance d’une file M/G/1 On considère une file d’attente M/G/1. Le processus
d’arrivée est un processus de Poisson de paramètre λ et le temps de service X a pour densité de probabilité f .
X
Rappelons que les probabilités stationnaires vérifient :
On introduit les transformées respectives des probabilités p(n) et α :
i
P (0)V ( z )(1 z )
a) Montrer que P ( z )
V ( z) z
b) En déduire que P(0) = 1-
c) En déduire le taux d’utilisation du serveur U
st
Introduisons maintenant la transformée de Laplace de f : B ( s) 0 e f X (t )dt
X
d) Vérifier que E[Xn] = (-1)n B(n)(0)
(1 ) B( z )(1 z )
e) Montrer que P ( z )
B( z) z
f) Vérifier que le nombre moyen de clients dans le système vaut : Q = P'(1)
2
1 cv 2
g) En déduire la formule de Pollaczeck-Kinchin (P-K) : Q
21
h) En déduire le temps moyen de séjour R dans le système
VAR ( X )
Rappel : cv 2 2
et Var(X) = E[X2] – E[X]2
E X
Problème 6 : La file G/M/1
En s’inspirant de la démarche adoptée pour la file M/G/1, trouver une Chaîne de Markov incluse associée à la file
G/M/1, trouver ses probabilités de transition et la représenter graphiquement.
Problème 7 : La file M/E /1
k
On considère une file M/E /1 où le temps de service est une variable aléatoire suivant une loi de Erlang à k étages de
k
paramètre μ. Rappelons qu’une telle variable aléatoire est la somme de k variables aléatoires exponentielles de
paramètre μ.
a) Modéliser cette file d’attente par une CMTC. comme variable d’état du système : « le nombre d’étages restant à
effectuer par l’ensemble des clients du système »
b) Donner son graphe représentatif
Problème 8 : Station d’usinage Une station d’usinage reçoit des pièces à la cadence moyenne d’une toute les 30
secondes. Les pièces en attente s’empilent devant la machine, la dernière arrivée se plaçant au-dessus des autres.
L’usinage d’une pièce a une durée moyenne de 25 s.
a) On suppose que les pièces arrivent selon un processus de Poisson et que les temps d’usinage sont
indépendants et identiquement distribués selon une loi exponentielle.
• Donner la notation de Kendall de la file d’attente modélisant la station d’usinage
• Préciser les taux d’arrivée et de service
• Vérifier la stabilité de la file
• Calculer le temps moyen d’attente d’une pièce devant la station
b) Une étude plus précise du processus d’usinage a montré qu’il se compose d’une première phase d’une durée
constante de 5 secondes et d’une seconde phase dont la durée est distribuée uniformément entre 10 et 30
secondes. Quel est alors le temps moyen d’attente d’une pièce devant la station ?
c) Comment peut-on expliquer la différence de temps d’attente entre les 2 modèles ?
9 (Staffing : number of nurses) A hospital is exploring the level of staffing needed for a booth in the local mall, where
they would test and provide information on the diabetes. Previous experience has shown that, on average, every 6.67
minutes a new person approaches the booth. A nurse can complete testing and answering questions, on average, in
twelve minutes.
Assuming s = 2, 3, 4 nurses, a hourly cost of 40€ per nurse and a customer waiting cost of 75€ per hour.
Determine the following: patient arrival rate, service rate, overall system utilization, nb of patients in the system (Ls),
the average queue length (Lq), average time spent in the system (Ws), average waiting time (Wq), probability of no
patient (P0), probability of waiting (Pw), total system costs.
10. (Dimensioning the number of beds : Target occupancy level) Consider obsterics units in hospitals. Obsterics is
generally operated independently of other services, so its capacity needs can be determined without regard to other
services. It is also one for which the use of a standard M/M/s queueing model is quite good. Most obsterics patients are
unscheduled and the assumption of Poisson arrivals has been shown to be a good one in studies of unscheduled hospital
admissions. In addition, the coefficient of variation (CV) of the length of stay (LOS), which is defined as the ratio of the
standard deviation to the mean, is typically very close to 1 satisfying the service time assumption of the M/M/s model.
(Dimensioning the number of beds) Since obsterics patients are considered emergent, the American College of
Obsterics and Gynecology (ACOG) recommends that occupancy levels of obsterics units not exceeding 75%. Many
hospitals have obsterics units operating below this level. However, some have eliminated beds to reduce « excess »
capacity and costs and 20% of NY hospitals had obsterics units that would be considered over-utilized by this standard.
Assuming the target occupancy level of 75%, what is the probability of delay for lack of beds for a hospital with s = 10,
20, 40, 60, 80, 100, 150, 200 beds.
Lesson : For the same occupancy level, the probability of delay decreases with the size of the service.
11 (Dimensioning the number of beds) Evaluation of capacity based on a delay target leads to very important
conclusion. Though there is no standard delay target, it has been suggested that the probability of delay for an obsterics
bed should not exceed 1%.
What is the size of an obsterics unit (nb of beds) necessary to achieve a probability of delay not exceeding 1% while
keeping the target occupancy level of 60%, 70%, 75%, 80%, 85%?
Lessons :
Achieving high occupancy level while having small probability of delay is only possible for obsterics unit of large
hospitals.
Capacity cut should be made with clear understanding of the impact. Simple and naive analysis based on average could
lead to bad decisions.
12. (Dimensioning the number of beds: Impact of seasonality) Consider an obsterics unit with 56 beds which
experiences a significant degree of seasonality with occupancy level varying from a low of 68% in January to about
88% in July.
What is the probability of delay in January and in July?
If, as is likely, there are several days when actual arrivals exceed the month average by 10%, what is the probability of
delay for these days in July?
Lesson :
Capacity planning should not be based only on the yearly average. Extra bed capacity should be planned for
predictable demand increase during peak times.
13 (Dimensioning the number of beds : Impact of clinical organization) Consider the possiblity of combining
cardiac and thoracic surgery patients as thoracic patients are relatively few and require similar nursing skills as cardiac
patients.
The average arrival rate of cardiac patients is 1,91 bed requests per day and that of thoracic patients is 0,42. No
additional information is available on the arrival pattern and we assume Poisson arrivals. The average LOS (Length Of
Stay) is 7,7 days for cardiac patients and 3,8 days for thoracic patients.
What is the number of beds for cardiac patients and thoracic patients in order to have average patient waiting time for a
bed E(D) not exceeding 0,5, 1, 2, 3 days? What is the number of beds if all patients are treated in the same nursing unit?
Delay in this case measures the time a patient coming out of surgery spends waiting in a recovery unit or ICU until a
bed in the nursing unit is available. Long delays cause backups in operating rooms/emergency rooms, surgery
cancellation and ambulance diversion.
Lesson :
Personal and equipment flexibility and service pooling can achieve higher occupancy level and reduction of
beds.However, priority given to one patient group could significantly degrade the waiting time of other patients if all
treated in the same nursing unit.
Gestion de stock et de production
Problème 1 : Optimisation d’une politique « stock nominal » avec demandes mises en attente
On considère une machine de taux de production μ. Une pièce terminée est instantanément placée dans un stock. Si
le stock n’est pas vide, une commande qui arrive est instantanément satisfaite à partir du stock. Lorsqu’il n’y a plus de
stock, les commandes qui arrivent sont mises en attente jusqu’à ce que de nouvelles pièces soient produites. Les
commandes arrivent avec un taux λ.
La politique de gestion de stock choisie est la suivante : tant que le stock est strictement inférieur à une valeur seuil
notée S, on produit. Lorsque le stock atteint la valeur S, on ne produit plus.
On note X(t) le nombre de pièces en stock à l’instant t. Si X(t)<0, X(t) désigne le nombre de commandes en attente.
*
L’objectif de ce problème est de déterminer S , la valeur de S qui minimise le coût global.
On ne considèrera dans ce modèle que 2 types de coûts :
• h : le coût unitaire de stockage (une pièce en stock coûte h par unité de temps) ;
• b : le coût unitaire d’attente (une commande en attente coûte b par unité de temps).
1. Montrer que X(t) est une CMTC (Chaîne de Markov à Temps Continu) sous certaines hypothèses que vous
préciserez ;
2. Représenter graphiquement cette CMTC ;
3. Exprimer les probabilités stationnaires p(n) = limt P[X(t) = n] après avoir justifié leur existence;
4. On désigne par C(S) le coût total moyen par unité de temps, associé à un niveau de stock S. Exprimer C(S)
en fonction de h, b, ρ, S et des p(n) ;
S 1
5. On admet désormais que C(S) = (h b) h S . Montrer que S* = min{S | C(S+1) – C(S) > 0};
1 1
h
6. En déduire que S* = log
h b
h
7. En faisant S* = log , montrer que le coût optimal C* vaut C* = (h+b)S* et tracer sous Excel C* en
h b
fonction de pour h = 1 et b = 10.
8. Avec la même approximation, exprimer le taux de service (défini par le pourcentage de clients servis sans
*
attente) en fonction de h et b dans le cas où S=S . Que pouvez-vous en conclure ?
Problème 2 : Optimisation d’une politique « stock nominal » avec pertes
On considère un système proche du problème précédent à la différence qu’il n’est plus possible de mettre de
demandes en attente. Une demande non satisfaite directement par le stock est définitivement perdue et induit un coût de
rupture de stock c. Le coût de stockage est identique au premier problème.
1. Exprimer C(S) en fonction de h, c, ρ, λ, S et des p(n) ;
S 1
S
2. On peut montrer que le stock moyen vaut I S 1
. En utilisant Excel, calculer le stock nominal optimal
1 1
* *
S ainsi que le coût optimal C pour λ=0.9, μ=1 , h=1, c=10.
1. (File d'attente) Considérons un système de production composé de trois machines M1, M2, et
M3. Deux produits P1 et P2 sont fabriqués. Les processus de fabrication sont les suivants. Les
produits à fabriquer arrivent de manière aléatoire de l'extérieur. Chaque produit P1 est d'abord traité
par la machine M1et ensuite par la machine M3. Chaque produit P2 est d'abord traité par la machine
M2 et ensuite par la machine M3. La machine M3 est donc commune à ces deux produits.
a) Supposons que les produits P1 arrivent suivant la loi de POISSON avec un taux =3
pièces /heures et les produits P2 arrivent suivant la loi de POISSON avec un taux =2
pièces /heures. Quelle la durée moyenne de temps séparant deux arrivées consécutives de P1
et de P2?
b) Supposons que les temps opératoires (temps de traitement) sont des variables aléatoires de
distribution exponentielle et le temps opératoire est en moyen 15 min sur la machine M1, 20
min sur M2, et 10 min sur M3 quelque soit le produit. Quels sont les taux de service de ces
trois machines?
c) Quel est le taux d'arrivée des produits de chaque machine?
d) Déterminer le niveau moyen de chaque stock tampon, la somme des en-cours (la somme de
produits présents dans le système), et le délai de fabrication de chaque produit.
e) Supposons que l'on fixe le ratio des deux produits, c'est-à-dire 3/5 de P1 et 2/5 de P2. Quelle
la capacité maximale du système (nombre de pièces fabriquées par heure)? Que se passe-t-il
si les arrivées s'approchent de cette capacité maximale?
S1 M1
P1
S3 M3
P2
S2 M2
4. Considérons une ligne de fabrication composée de 3 postes de travail (M1, M2, M3) organisés en
série. Chaque poste de travail est composé d'une machine et un stock tampon en amont. La cadence
moyenne de fabrication est 1 = 5 pièces / heure pour M1, 2 = 6 pièces/heure pour M2 et 3 = 5
pièces / heure pour M3. On vous demande de calculer le niveau moyen de chaque stock tampon et
le délai moyen de fabrication de chaque pièce pour un taux d'arrivée de pièce de = 3, 4, 4,5.
S1 M1 S2 M2 S3 M3
Ligne de fabrication:
Considérons d'une ligne de production composée de deux machines M1 et M2 séparées par un stock tampon B. Le
temps opératoire est en moyenne 10 minutes sur la machine M1 et 12 minutes sur la machine M2. Les machines
peuvent tomber en panne et nous utilisons le modèle ODF (Operation-Dependent Failure). Le temps de bon
fonctionnement est en moyenne de 9 heures pour la machine M1 et de 14 heures pour la machine M2. Le temps de
réparation est le même pour les deux machines et est en moyenne de 1 heure. Nous supposons que tous ces temps
sont de distribution exponentielle.
a) Expliquer la signification des pannes ODF.
b) Déterminer la productivité isolée de chaque machine, i.e. la productivité si elle est jamais affamée ni
bloquée.
c) Déterminer la productivité de la ligne si on supprime le stock tampon B. Dans ce cas, pour améliorer la
productivité de la ligne, quelle est la machine à améliorer en priorité? Pourquoi?
d) Déterminer la productivité de la ligne si le stock tampon est de capacité illimitée. Le niveau de stock sera-
t-il limité? Pourquoi? . Dans ce cas, pour améliorer la productivité de la ligne, quelle est la machine à
améliorer en priorité? Pourquoi?
e) Considérons le modèle de flux continu avec un stock tampon B de capacité h = 5 et supposons que la
machine M1 est ralentie à la cadence de 12 minutes par produit (i.e. elle attend 2 minutes après chaque
opération). Déterminer le taux effectif de panne de M2. Déterminer la probabilité de la famine de
machine M2 et déduire de cette probabilité la productivité de la ligne. Pour améliorer la productivité de
la ligne, quelle est la machine à améliorer en priorité? Pourquoi?
M1 B M2

Poly Eva Partiel Francais

Transféré par

Droits d'auteur :

Formats disponibles

Poly Eva Partiel Francais

Transféré par

Informations du document

Titre original

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

Poly Eva Partiel Francais

Transféré par

Droits d'auteur :

Formats disponibles

Objectifs du cours

• Prendre conscience du comportement complexe de

Evaluation des performances

! Attention: on obtient les p

Méthodes d’évaluation de performance Autre exemple : ligne de production

•Simulations à événements discrets

Chapitre 1: Chaînes de Markov à temps discret

Chapitre 2: Chaînes de Markov à temps continu

Chapitre 3: Les files d’attente

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

• Nous restreindrons notre étude aux processus à événements

• Nous étudierons donc

• Définition : un processus stochastique à espace d’état et de temps Processus

P ª¬ X n 1 j Xn in ,..., X 0 i0 º¼ P ª¬ X n 1 j Xn in º¼ pij (n)

• Dans une CMTD, le comportement futur ne dépend que de l’état

• Une CMTD est homogène si et seulement si ses probabilités de

Matrice stochastique Hypothèses

• Soit fjj la probabilité de revenir en j après l’avoir quitté, on dit

Classer les états de cette chaîne de Markov Chaîne de Markov Irréductible

Partition de la chaîne de Markov en sous-chaînes

• Soit Ti le temps de séjour dans l’état i

• Pi : Transitions entre états de la sous-chaîne absorbante i

• Ri : Transitions vers la sous-chaîne absorbante i

Probabilités de transition en m étapes Exemple

• La probabilité d’aller de i à j en m étapes est ½ ½

• fij(n) : probabilité, d’aller de i à j en exactement n étapes (sans ½ ½

• La souris est placée dans la pièce 2. Calculer f20, la probabilité

Vecteur des probabilités d’état Équations en régime transitoire

• La vecteur des probabilités S (n) dépend

• Quelle relation existe-t-il entre S (n), S (0) et P ? ʌ(n  1) ʌ( n) P

• Si un état est absorbant, quelle est la probabilité d’être absorbé

Comportement asymptotique des chaînes irréductibles

1 2 • S(n) admet-il une limite pour cette

• Lorsqu’une CMTD est périodique, le vecteur des probabilités

Définition d ’une CMTC Exemple du guichet de gare

• Une CMTC est homogène si et seulement si N(t)

• Ti = temps passé dans l’état i (variable aléatoire)

• Pij = probabilité de transition de i vers j lorsqu’il y a changement

Temps de séjour dans un état Loi exponentielle: rappel

• La loi exponentielle est la seule variable aléatoire continue ayant

• Lorsque la CMTC quitte l’état i, elle se déplace dans l’état j avec

CMTD Incluse Associée à une CMTC Classification d’une CMTC

• On appelle CMTD incluse la CMTD de matrice de transition • Propriétés:

P41 P43 pik k Pk

Probabilités d’état Probabilités d’état en régime transitoire

P>X (t  dt ) j X (t ) j @ P>Tj t dt @ e  Pi dt 1  P j dt  o(dt )

S j (t  dt )  S j (t ) o(dt ) • La matrice Q = (qij) est appelée le générateur infinitésimal de la

Régime permanent d’une CMTC irréductible Équilibre des Flux

– dans une CMTC irréductible, le vecteur des probabilités stationnaires S =

• Soit E l ’espace d ’état d ’une CMTC admettant un régime N(t)

• Soit E1 et E2 tels que E1  E2 = E et E1  E2 = 

• On a alors: flux de E1 vers E2 = flux de E2 vers E1 T t

• Un processus de Poisson de paramètre O est un processus

• On dira que des arrivées sont poissoniennes si le temps inter-

Propriétés des processus de Poisson Propriétés des processus de Poisson (2)

• Un processus de Poisson est une CMTC réductible

• Probabilité pour que plus d’un client arrive pendant dt | o(dt)

• La superposition de n processus de Poisson de paramètres Oi

Introduction aux files d’attente

P ª¬ X n 1 j Xn in ,..., X 0 i0 º¼ P ª¬ X n 1 j Xn in º¼ pij (n)

• Quelle relation existe-t-il entre S (n), S (0) et P ? ʌ(n 1) ʌ( n) P

P>X (t dt ) j X (t ) j @ P>Tj t dt @ e Pi dt 1 P j dt o(dt )

S j (t dt ) S j (t ) o(dt ) • La matrice Q = (qij) est appelée le générateur infinitésimal de la

• Soit E1 et E2 tels que E1 E2 = E et E1 E2 =

• La file est stable si U 1 • U: Taux d’utilisation du serveur

• Soit Vla solution (z1) de V $ PPV, A* étant la transformée

X O Réseaux de files d’attente