Processus stochastiques

modélisation

Responsable UE : Agnès Lagnoux (lagnoux@[Link])

Conception polycopié : Claudie Hassenforder

ISMAG
MASTER 2 - MI00451X
 SOMMAIRE

INTRODUCTION p01

Chapitre 1 : PROCESSUS DE MARKOV

1.1 Généralités p05

1.2 Chaı̂nes de Markov à temps discret p06
1.2.1 Matrice de transition et graphe d’une chaı̂ne de Markov p06
1.2.2 Exemples classiques de chaı̂nes de Markov p06
1.2.3 Classification des états p07
1.2.4 Absorption par les classes récurrentes dans le cas fini p10
1.2.5 Distribution stationnaire p11
1.2.6 Comportement asymptotique p15
1.3 Processus de Markov continus p16
1.3.1 Régime transitoire p16
1.3.2 Régime permanent p18

Chapitre 2 : PROCESSUS DE POISSON

2.1 Introduction p19

2.2 Définitions et description du processus p20
2.3 Caractérisation d’un processus par ses temps d’arrivée p23
2.4 Propriétés supplémentaires p24
2.4.1 Décomposition, superposition p24
2.4.2 Processus de Poisson et loi binomiale p25
2.4.3 Processus de Poisson et loi uniforme p26
2.5 Processus de Poisson composés p26
2.6 Processus non homogènes p27

Chapitre 3 : PROCESSUS DE NAISSANCE ET DE MORT

3.1 Etude générale p29

3.1.1 Régime transitoire p29
3.1.2 Régime permanent p30
3.2 Étude de quelques cas particuliers p30
3.2.1 Croissance pure, par immigration p31
3.2.2 Croissance pure, par naissance p31
3.2.3 Décroissance pure, par décès p32
3.2.4 Processus de Yule-Ferry p32
3.2.5 Modèle logistique, à taux non linéaires p34
3.3 Problème de l’extinction de l’espèce p35

Chapitre 4 : PROCESSUS DE RAMIFICATION

4.1 Processus discret à 1 type p40

4.2 Processus permanent à 1 type p41
4.3 Processus discret à 2 types p43
4.4 Processus permanent à 2 types p44
Chapitre 5 : PREMIÈRES NOTIONS SUR LES FILES D’ATTENTE

5.1 Introduction p47

5.2 La file simple p47
5.2.1 Processus d’arrivée p47
5.2.2 Temps de service p48
5.2.3 Structure et discipline de la file p48
5.2.4 Notation de Kendall p49
5.2.5 Notion de classe de clients p50
5.3 Les réseaux de files d’attente p50
5.3.1 Les réseaux ouverts p50
5.3.2 Les réseaux fermés p51
5.3.3 Les réseaux multiclasses p51
5.3.4 Les réseaux de files d’attente à capacité limitée p52
5.3.5 Les réseaux de files d’attente ouverts à contrainte de population p52
5.4 Quelques exemples de systèmes d’attente p53
5.5 Paramètres de performances opérationels p53
5.5.1 Paramètres de performances en régime transitoire p53
5.5.2 Paramètres de performances en régime stationnaire p55
5.5.3 Stabilité p56
5.5.4 Ergodicité p56
5.5.5 La loi de Little p58

Chapitre 6 : FILE D’ATTENTE UNIQUE

6.1 Files d’attente markoviennes p60

6.1.1 Processus de naissance et de mort général p60
3.1.2 La file M/M/1 p61
3.1.3 La file M/M/1/K p63
3.1.4 La file M/M/C p66
3.1.5 La file M/M/∞ p68
3.2 Étude de la file M/G/1 p69
3.2.1 Introduction p69
3.2.2 Analyse du régime permanent : méthode de la chaı̂ne de Markov incluse p70
3.2.3 Mise en oeuvre de l’analyse de la valeur moyenne p72
3.3 La file G/M/1 p74
3.4 Extension à la file G/G/1 p76

Chapitre 7 : FIABILITÉ

7.1 Introduction p79

7.1.1 Définitions p79
7.1.2 Lois utilisées p79
7.2 Systèmes non réparables p80
7.2.1 Généralités p80
7.2.2 Systèmes sans redondance p80
7.2.3 Systèmes avec redondance p80
7.3 Systèmes réparables p81
7.3.1 Introduction p81
7.3.2 Méthode des processus stochastiques p81
 Introduction
L’origine des études sur les phénomènes d’attente remonte aux années 1909-1920 avec les
travaux de A.K. Erlang concernant le réseau téléphonique de Copenhague. La théorie mathéma-
tique s’est ensuite développée notamment grâce aux contributions de Palm, Kolmogorov, Khint-
chine, Pollaczek,... et fait actuellement toujours l’objet de nombreuses plublications scientifiques.
Cette théorie s’est ensuite étendue à de nombreux champs d’application comme la gestion de
stocks, les télécommunications en général, la fiabilité de systèmes complexes,...

Les problèmes liés à l’attente dans un centre de service sont omniprésents dans notre société.
Les exemples ne manquent pas :
- attente à un guichet (caisse dans un supermarché, administration),
- traffic urbain ou aérien,
- réseaux téléphoniques,
- circulation de pièces dans un atelier,
- programmes dans un système informatique,...

Il est devenu inconcevable de construire un système quelconque (que ce soit un système in-
formatique, un réseau de communication, un système de production ou un système de la vie
quotidienne) sans avoir auparavant fait d’analyse des performances. La pression des enjeux
économiques est telle actuellement que l’on ne peut aboutir à un système sous-dimensionné
et que l’on doit éviter au maximum le surdimensionnement. Construire un système adapté,
respectant le plus possible les objectifs du cahier des charges est une démarche qui passe obli-
gatoirement par une étape de modélisation et d’analyse des performances.

En plus des modélisations analytiques, les simulations sur calculateurs permettront des
évaluations relativement précises, mais demandant parfois des temps de calcul qui peuvent être
importants si l’on veut reproduire correctement les phénomènes aléatoires et avoir atteint un
régime permanent.

Une condition nécessaire pour dimensionner un centre de service est qu’il soit capable
d’absorber le débit moyen de clients prévu, condition très facile à vérifier par de simples calculs
de débits moyens. Mais, même avec un système correctement dimensionné, le caractère aléatoire
des arrivées et des temps de service rend les attentes impossibles à éviter complètement.

La théorie des processus aléatoires concerne l’étude mathématique de phénomènes physiques,

biologiques ou économiques évoluant dans le temps, et dont l’évolution est de caractère aléatoire,
c’est-à-dire non prévisible avec certitude.

Pour définir un processus aléatoire, il faut :

1- Un espace des temps T (T ⊂ IR+ )

Les deux espaces des temps les plus utilisés sont :

• T = IN : le processus est dit discret ; on regarde ce qu’il se passe à chaque unité de temps,
ou bien on fait une suite d’opérations et on regarde ce qu’il se passe à chaque opération (ex :
lancer d’une pièce).

1
• T = IR+ : le processus est dit continu : on garde les yeux fixés sur un système qui évolue dans
le temps à partir d’un instant t0 que l’on prend pour origine des temps (t = 0).

2- Un espace des états E

L’ensemble E peut être :

• discret : c’est-à-dire fini ou dénombrable. Il sera, dans ce cas, souvent pratique d’identifier E
avec une partie de IN ou de ZZ.

• non discret : par exemple E = IR ou E ⊂ IR2 (partie du plan) ou E ⊂ IR3 (partie de l’espace)

3- Une famille de variables aléatoires (Xt )t∈T .

Ces variables aléatoires sont toutes définies sur un même espace probabilisé (Ω, A, P ) et à
valeurs dans l’espace des états E.

Ainsi, à chaque instant t ∈ T , on associe, non pas une valeur déterministe (comme dans le
calcul d’une trajectoire mécanique) mais une valeur aléatoire décrite par une variable aléatoire
Xt à valeurs dans E.

La variable aléatoire Xt peut représenter les résultats d’essais successifs comme par exemple,
le jet d’une pièce à pile ou face, ou des observations successives sur une caractéristiques d’une
population.

Le processus aléatoire est la famille de variables aléatoires (Xt )t∈T .

Un processus aléatoire est une généralisation d’un vecteur aléatoire. Comme dans le cas du
vecteur aléatoire, la connaissance de la loi de Xt pour tout t ∈ T est loin de caractériser le
processus.

En particulier, elle ne donne aucune information sur le passage de t à t + ∆t et donc, sur

l’évolution du processus.

Ce qui jouera le plus grand rôle dans l’étude des processus aléatoires, ce sont les probabilités
de transition.

Si B1 et B2 sont des parties de E, on note P ([Xt+∆t ∈ B2 ]/[Xt ∈ B1 ]) la probabilité de

transition de B1 à B2 entre t et t + ∆t (c’est-à-dire la probabilité d’être dans B2 à l’instant
t + ∆t sachant qu’on était dans B1 à l’instant t ).

Les éléments principaux qui différencient les processus aléatoires généraux sont l’espace des
états E, l’espace des temps T et les relations de dépendance entre les Xt .

4- Quelques relations de dépendance.

• Processus de comptage :
Un processus de comptage (Nt )t∈T , où T ⊂ IR, est un processus croissant (si s ≤ t, alors

2
Ns ≤ Nt ), à valeurs dans E = IN.

• Processus à accroissements indépendants :

Un processus croissant (Xt )t≥0 est dit à accroissements indépendants si pour tout n ∈ IN∗ ,
et pour tous t1 , · · · , tn tels que t1 < t2 < · · · < tn , les accroissements Xt1 − X0 , Xt2 − Xt1 ,
· · · , Xtn − Xtn−1 sont des variables aléatoires indépendantes.

• Processus homogène dans le temps :

Le processus (Xt )t≥0 est dit homogène, si pour tout t et pour tout s, la loi de Xt+s − Xs ne
dépend pas de s.

• Processus de Markov :
Le processus (Xt )t≥0 est dit de Markov, si pour tout n ∈ IN, pour tous t1 , · · · , tn , tn+1 tels que
t1 < t2 < · · · < tn < tn+1 :

P ([Xtn+1 = en+1 ]/[Xt1 = e1 ] ∩ · · · ∩ [Xtn = en ]) = P ([Xtn+1 = en+1 ]/[Xtn = en ])

c’est-à-dire que seul le passé le plus proche est pris en compte pour déterminer les probabilités
d’occupation de chaque état.

Exemples de processus aléatoires

a) Signal télégraphique

Ce processus, utilisé en théorie de la communication, rend compte de l’état d’occupation

d’une ligne.

Ak : instant du début de la kième communication ;

Dk : instant de la fin de la kième communication.

T = IR+ ; E = {−1, 1}.

Xt = 1 si la ligne est libre, c’est-à-dire s’il existe k tel que Dk ≤ t < Ak+1 ;
Xt = −1 si la ligne est occupée, c’est-à-dire s’il existe k tel que Ak ≤ t < Dk .

On a là, un processus (dit à créneaux), markovien, à accroissements indépendants, homogène

dans le temps.

Problèmes qui se posent :

• Trouver la loi de Xt ;
• Calculer P ([Xt = ej ]/[Xs = ei ]) pour s ≤ t et pour ei , ej ∈ E ;
• Existe-t-il une loi limite de la loi de Xt quand t tend vers l’infini ?

b) Processus de ramification

Ce processus est utilisé pour suivre l’évolution de certaines populations animales ou cellu-
laires, ou bien d’un nom chez les humains.

3
 Chaque individu génère, indépendamment des autres, un nombre aléatoire de descendants.

Xn est le nombre d’individus total à la nième génération.

E = IN ; T = IN.

Le processus est markovien.

Problèmes qui se posent :

• Déterminer la loi de Xn ;
• Trouver une relation entre Xn et Xn+1 ;
• Existe-t-il une probabilité non nulle d’extinction de l’espèce ?

c) Files d’attente

Ces processus sont utilisés en recherche opérationnelle.

Des clients se présentent à des guichets à des temps aléatoires, pour y recevoir des services
de durée aléatoire (ex : banque, magasin, péage d’autoroute...)

Xt est le nombre de clients en attente à l’instant t.

E = IN ; T = IR+ .

Problèmes qui se posent :

• Existence d’un régime stationnaire, nombre moyen de clients en attente, durée moyenne de
l’attente d’un client ;
• Détermination du nombre minimal de guichets assurant un bon écoulement de la file.

d) Mouvement Brownien

Dans un gaz, chaque particule est soumise aux impacts incessants de ses voisines. Les colli-
sions provoquent des déplacements.

Xt est la position d’une particule donnée à l’instant t.

Xt − Xs est le déplacement pendant [s, t[ : c’est la somme d’un grand nombre de petits
déplacements indépendants et il sera légitime de supposer que sa loi est une loi Normale.

E ⊂ IR ; T = IR+ .
Le processus est à accroissements indépendants, homogène dans le temps.

Ce cours a pour objectif de donner quelques éléments de théorie sur les processus aléatoires
généraux : processus de Markov, de Poisson, de naissance et de mort, puis sur les systèmes
d’attentes : files uniques et réseaux, avec entre temps une application à la fiabilité.

4
Chapitre 1

Processus de Markov
1.1 Généralités

Le processus de Markov fournit un outil simple de modélisation d’une classe particulière

de systèmes à espace d’états discret. L’analyse des processus de Markov est un préliminaire
nécessaire à l’étude des systèmes de files d’attente.

Définition : Le processus (Xt )t≥0 est dit de Markov, si

a)axiome de Markov : pour tous t1 < t2 < · · · < tn < tn+1 , pour tous x1 , · · · , xn+1 :

P ([Xtn+1 = xn+1 ]/[Xt1 = x1 ] ∩ · · · ∩ [Xtn = xn ]) = P ([Xtn+1 = xn+1 ]/[Xtn = xn ])

b)axiome d’homogénéité : pour tous s et t, pour tous x, y ∈ E, P ([Xt+s = y]/[Xs = x]) ne

dépend que de t (et non des instants s et t + s).

L’axiome de Markov traduit que la probabilité de n’importe quel comportement futur, le

présent étant connu, n’est pas modifié par toute connaissance supplémentaire du passé.

Notations : On pose px,y (t) = P ([Xt+s = y]/[Xs = x]) = P ([Xt = y]/[X0 = x]) et P (t) =
(px,y (t))x,y∈E . On pose aussi −
→
π (t) = PXt (vecteur ligne de composantes πx (t) = P ([Xt = x]).)

Propriétés :

a) P (t) est une matrice stochastique, i.e. px,y (t) ≥ 0 et px,y (t) = 1 pour tout x.
y
.
b) Pour tout s et pour tout t, P (s + t) = P (s)P (t).

c) Pour tout s et pour tout t, →

−
π (s + t) = −
→
π (s)P (t).

Preuve :
[X =x]
a) px,y (t) ∈ [0, 1] car c’est une probabilité. De plus, la ligne x correspond à la loi PXt 0 et on a bien
X X [X =x]
px,y (t) = P 0 ([Xt = y]) = 1.
y y

b) Pour calculer px,y (t + s) = P [X0 =x] ([Xt+s = y]), on va faire intervenir les différents états pouvant être
occupés à l’instant t :
P ([X0 = x] ∩ [Xt+s = y])
P [X0 =x] ([Xt+s = y]) =
P ([X0 = x])
X P ([X0 = x] ∩ [Xt = z] ∩ [Xt+s = y])
=
z∈E
P ([X0 = x])
X P ([Xt+s = y]/[X0 = x] ∩ [Xt = z])P ([X0 = x] ∩ [Xt = z])
=
z∈E
P ([X0 = x])
X
= P ([Xt+s = y]/[Xt = z])P ([Xt = z]/[X0 = x])
z∈E

d’après l’axiome de Markov (X0 n’apporte rien de plus que Xt pour déterminer la loi de Xt+s ). Ainsi, on a
X
px,y (t + s) = px,z (t)pz,y (s),
z∈E

5
qui est le coefficient (x, y) de la matrice produit P (t)P (s).
X
c) πy (t + s) = P ([Xt+s = y]) = P ([Xt+s = y]/[Xt = x])P ([Xt = x]) c’est-à-dire
x∈E
X
πy (t + s) = πx (t)px,y (s).
x∈E

1.2 Chaı̂nes de Markov à temps discret

Pour cette classe particulière de processus, on ne s’intéresse à l’état du système qu’en des
instants particuliers tn de leur évolution. Cela peut se produire dans deux cas :

→ Soit on s’intéresse à l’état du système à intervalles de temps réguliers comme par exemple
tous les jours ou toutes les heures. On a alors tn = nτ , où τ est l’unité de temps considérée.
C’est le cas le plus simple à comprendre. L’état du système à l’étape n du processus est alors
l’état du système au n-ième jour où à la n-ième heure.

→ Soit on s’intéresse à l’état du système juste après un événement : tn est alors l’instant du
n-ième événement. L’état du système à l’étape n du processus correspond alors à l’état juste
après le n-ième changement d’état. Les instants effectifs de changements d’états ne sont alors
plus équidistants.

Pour simplifier, on traitera ici le premier cas et on prendra T = IN.

1.2.1 Matrice de transition et graphe d’une chaı̂ne de Markov

On notera P la matrice P (1) définie précédemment (et px,y = px,y (1)). Comme, pour tous
entiers m et n, on a P (n + m) = P (n)P (m), on a en particulier, pour tout n, P (n + 1) =
P (n)P (1) = P (n)P et donc, comme de plus, P (0) = I = P 0

P (n) = P n et →
−
π (n) = −
→
π (0)P n pour tout n ∈ IN .

Ainsi, la seule donnée de la matrice de transition P et de − →π (0) suffit à déterminer la loi de

Xn pour tout n ∈ IN.
La matrice de transition P caractérise la chaı̂ne et se prête bien aux calculs mais, pour
mieux visualiser les transitions entre états, il est souvent utile de faire un graphe de la chaı̂ne,
équivalent à la donnée de P où :

→ les états sont représentés par des points ;

→ une probabilité de transition px,y > 0 est représentée par un arc orienté de x à y au dessus
duquel est notée la valeur de px,y .

1.2.2 Exemples classiques de chaı̂nes de Markov

a) Chemin aléatoire à une dimension

i) Un individu qui a bu fait, à chaque instant, de façon aléatoire, un pas en avant
ou un pas en arrière. On a un graphe “en boudins” et une matrice de transition tridiagonale :
1
E = ZZ, pi,i+1 = pi,i−1 = , pi,j = 0 si |i − j| = 1.
2

6
 ii) Ce même individu est maintenant dans un couloir fermé de chaque côté par une
porte (E = {0, · · · , N }). Lorsqu’il heurte une porte, il est assomé : 0 et N sont des états
absorbants (une fois qu’on y est, on y reste).
iii) Même cas de figure que ii) mais quand l’individu heurte une porte, celle-ci, au
lieu de l’assomer, le renvoie un pas en arrière.

b) Chaı̂ne à 2 états  
1−α α
P = .
β 1−β
On suppose que −
→
π (0) = (1, 0). Que vaut −
→
π (n) ?

On a −
→
π (n) = −
→π (0)P n et pour calculer les puissances d’une matrice, on étudie ses éléments propres.
X
→ On sait que λ1 = 1 est toujours valeur propre de P (associée au vecteur propre t(1, · · · , 1) car px,y = 1).
y∈E
Pour trouver ici l’autre valeur propre, on utilise λ1 + λ2 = trP = 2 − α − β : λ2 = 1 − α − β = 1 si P = I : P est
donc diagonalisable.
→ Recherche des vecteurs propres : pour λ2 = 1 − α − β, (1 − α)x1 + αx2 = (1 − α − β)x1 conduit à
βx1 + αx2 = 0. „ « „ «
1 α 1 β α
→ On a donc, si Ω = , alors Ω−1 = et
1 −β α+β 1 −1
„ n « „ «
→
− β + α(1 − α − β)n α − α(1 − α − β)n
π (n) = −→ λ1 0
π (0)Ω n Ω−1 = , .
0 λ2 α+β α+β

1.2.3 Classification des états

Définition : Soit x et y deux états. On dit que x mène à y s’il existe n ∈ IN tel que px,y (n) > 0.
On dit que x et y communiquent si x mène à y et si y mène à x.


Remarque : Pour n ≥ 1, px,y (n) = px,x1 px1 ,x2 · · · pxn−1 ,y donc, si px,y (n) > 0, il
x1 ,··· ,xn−1
existe x1 , · · · , xn−1 tels que px,x1 > 0, px1 ,x2 > 0, · · · , pxn−1 ,y > 0, c’est-à-dire que l’on peut
trouver sur le graphe un “chemin” de x à y si x = y (il peut même y en avoir plusieurs!).
Attention toutefois, px,x (0) = 1, donc x mène toujours à x même s’il n’y a pas de chemin de x
vers lui-même.

La relation de communication est une relation d’équivalence ; une chaı̂ne à une seule classe
est dite irréductible.

Définition : Un état x est dit non essentiel s’il existe un état y et n ∈ IN tels que px,y (n) > 0
et py,x (m) = 0 pour tout m ∈ IN. Dans le cas contraire x est dit essentiel.

Les états d’une même classe de communication sont de même nature : on parlera de classe
non essentielle (classe que l’on peut quitter) et classe essentielle (ou absorbante) (classe que l’on
ne peut pas quitter).

Définition : La période d(x) d’un état x est définie par :

d(x) = P.G.C.D.{n ∈ IN∗ ; px,x (n) > 0}

(avec d(x) = 0 si pour tout n ∈ IN∗ , px,x (n) = 0). Si d(x) = 1, x est dit apériodique.

7
Propriété : Tous les états d’une même classe de communication ont même période.

Preuve : Si x et x communiquent, il existe k et l tels que px,x
(k) > 0 et px
,x (l) > 0. Alors px,x (k + l) > 0.
Soit m tel que px
,x
(m) > 0. Alors px,x (k + m + l) > 0. Donc d(x) divise k + l et d(x) divise k + m + l ; donc
d(x) divise m et ceci, pour tout m tel que px
,x
(m) > 0, donc d(x) divise d(x ). Comme x et x jouent le même
rôle, d(x) = d(x ).

Remarque : Une classe dont un élément admet une boucle, (c’est-à-dire px,x > 0), est obli-
gatoirement apériodique (c’est-à-dire de période 1), mais ce n’est pas une condition nécessaire.
Exemple de chaı̂ne périodique : marche aléatoire sur ZZ.

Théorème : Si x et y sont dans une même classe de communication de période d, si px,y (n) > 0
et si px,y (m) > 0, alors d divise m − n.

Preuve : Comme y mène à x, il existe k tel que py,x (k) > 0. On a donc px,x (m + k) > 0 et px,x (n + k) > 0.
Donc d divise m + k et n + k, il divise donc la différence.

Ainsi, on peut partitionner les classes périodiques de la façon suivante :

Définition : Soit C une classe de communication de période d, et soit x0 fixé dans C. On

définit, pour k ∈ {0, 1, · · · , d − 1},

Ck = {y ∈ E ; si px0 ,y (n) > 0 alors n ≡ k[d]}.

Les Ck sont appelées sous-classes cycliques de C.

Remarque : Les Ck n’ont pas forcément le même nombre d’éléments, mais elles sont toutes
non vides.

min{n ≥ 1 ; Xn = x} si il existe m ≥ 1 tel que Xm = x
On pose Tx = .
+∞ si Xm = x pour tout m ≥ 1

Définition : Un état x est dit récurrent si P [X0 =x] ([Tx < +∞]) = 1 , c’est-à-dire, si partant de
x, on repasse presque sûrement en x. Dans le cas contraire, x est dit transitoire.

(n)
On pose fx,y = P [X0 =x] ([Ty = n]) pour n ≥ 1 (et par convention fx,y
(0)
= 0) et


µx = IE[X0 =x] (Tx ) = (n)
nfx,x .
n≥1

(n)
On a alors x récurrent si et seulement si fx,x = 1, et µx représente le temps moyen de retour
n≥1
en x : il peut être infini, même si x est récurrent. On est donc conduit à une classification plus
fine des états récurrents.

Définition : Un état récurrent est dit récurrent positif si µx < +∞. Dans le cas contraire, il
est dit récurrent nul.

8


n
Propriété : Pour n ≥ 1, on a px,y (n) = (k)
fx,y py,y (n − k).
k=0

Preuve : Le processus passe de x à y en n étapes si et seulement s’il passe de x à y pour la première fois en k
étapes (0 ≤ k ≤ n) et s’il passe ensuite de y à y en les n − k étapes suivantes. Ces chemins, pour des k distincts,
(k)
sont disjoints, et la probabilité d’un chemin pour k fixé est fx,y py,y (n − k).
Ce raisonnement intuitif peut être rendu rigoureux de la façon suivante.
Comme, pour n ≥ 1,
[
n−1
[Xn = y] = ([Ty = k] ∩ [Xn = y]) ∪ [Ty = n],
k=1

on en déduit, les [Ty = k] étant disjoints,

X
n−1
(n)
P ([Xn = y]/[X0 = x]) = P ([Ty = k] ∩ [Xn = y]/[X0 = x]) + fx,y
k=1

X
n−1
(n)
= P ([Ty = k]/[X0 = x])P ([Xn = y]/[Ty = k] ∩ [X0 = x]) + fx,y
k=1

Or, pour 1 ≤ k ≤ n − 1, [Ty = k] ∩ [X0 = x] est de la forme A ∩ [Xk = y] où A ne dépend que de X0 , · · · , Xk−1 .
Par conséquent,

P ([Xn = y]/[Ty = k] ∩ [X0 = x]) = P ([Xn = y]/A ∩ [Xk = y]) = P ([Xn = y]/[Xk = y]) = py,y (n − k).
(k)
Comme P ([Xn = y]/[X0 = x]) = px,y (n) et P ([Ty = k]/[X0 = x]) = fx,y , il en résulte

X
n−1
(k) (n)
X
n
(k)
X
n
(k)
px,y (n) = fx,y py,y (n − k) + fx,y = fx,y py,y (n − k) = fx,y py,y (n − k)
k=1 k=1 k=0

(0)
avec la convention fx,y = 0.
2

Théorème (critère de récurrence) :

+∞

+∞
1) Un état y est récurrent si et seulement si py,y (n) = +∞. On a alors px,y (n) = +∞
n=0 n=0
pour tout x qui mène à y.


+∞
2) Un état y est transitoire si et seulement si py,y (n) < +∞.
n=0


+∞
On a alors px,y (n) < +∞ pour tout x ∈ E.
n=0

X
+∞ X
+∞
Preuve : On considère les séries entières Fx,y (s) = sn fx,y
(n)
et Px,y (s) = sn px,y (n).
n=0 n=0

On établit que Px,y (s) = δx,y + Fx,y (s)Py,y (s) .

X
+∞ X
+∞ X
n
En effet, Px,y (s) = sn px,y (n) = px,y (0) + sn (k)
fx,y py,y (n − k) avec px,y (0) = δx,y (0). De plus
n=0 n=1 k=0
(0)
fx,y py,y (0) = 0, donc on a bien

X
+∞ X
n X
+∞ X
n
sn (k)
fx,y py,y (n − k) = sn (k)
fx,y py,y (n − k) = Fx,y (s)Py,y (s)
n=1 k=0 n=0 k=0

d’après la définition du produit de deux séries.

1
En appliquant ceci à x = y, on obtient Py,y (s) = 1 + Fy,y (s)Py,y (s), soit Py,y (s) = .
1 − Fy,y (s)

9
 • Si y est récurrent, fy,y = 1, soit, par le lemme d’Abel, lim Fy,y (s) = 1 et donc lim Py,y (s) = +∞.
s→1− s→1−

• Si x = y et si x mène à y, alors Fx,y (1) = 0, et, comme Px,y (s) = Fx,y (s)Py,y (s), si lim Py,y (s) = +∞,
s→1−
alors lim Px,y (s) = +∞.
s→1−

• Si y est transitoire, alors lim Py,y (s) < +∞ et, comme on a Fx,y (1) ≤ 1, on a lim Px,y (s) < +∞,
s→1− s→1−
X
+∞
c’est-à-dire px,y (n) < +∞.
n=0

+∞
Conséquence : Si y est transitoire, alors px,y (n) < +∞ pour tout x, et, en particulier,
n=0
lim px,y (n) = 0, mais la réciproque est fausse en général.
n→+∞

Propriété : Les états d’une même classe de communication sont, soit tous récurrents, soit
tous transitoires.

Preuve : Si x et x communiquent, il existe k et l tels que px,x
(k) > 0 et px
,x (l) > 0. On a donc px,x (k + n + l) ≥
px,x
(k)px
,x
(n)px
,x (l) et donc px,x (1) ≥ px,x
(k)px
,x
(1)px
,x (l). D’où, si x est récurrent, alors x l’est aussi et,
comme x et x jouent le même rôle, si x est récurrent, alors x l’est aussi.

Cas particulier des chaı̂nes finies : Si E est fini, la classification se simplifie beaucoup.

Propriété : Si E est fini, essentiel équivaut à récurrent et il existe au moins un état récurrent.

Preuve :
• Si tous les états étaient transitoires, on aurait lim px,y (n) = 0 pour tout y et alors, comme la somme ne
n→+∞
X X X
comporte qu’un nombre fini de termes, lim px,y (n) = lim px,y (n) = 0, ce qui contredit px,y (n) =
n→+∞ n→+∞
y∈E y∈E y∈E
1.
• Si x est non essentiel, la probabilité de ne pas revenir en x est non nulle, donc fx,x = 1 et x est transitoire.
Donc, récurrent implique toujours essentiel (même si E est infini).
• Si x est essentiel, la chaı̂ne réduite à la classe de communication de x est une chaı̂ne finie si E est fini, et
admet donc au moins un état récurrent. Comme tous les états d’une même classe sont de même nature, x est
bien récurrent.

1.2.4 Absorption par les classes récurrentes dans le cas fini

Si R1 , · · · , Rk sont les classes récurrentes de (Xn ) et T l’ensemble de ses états transitoires,

(n)
on numérote les états de T de 1 à t ; pour j ∈ T , on note aj (Ri ) la probabilité que, par-


+∞
(n)
tant de l’état j, on arrive dans la classe Ri à la nième étape et on pose aj (Ri ) = aj (Ri )
n=1
(n)
(probabilité d’absorption de l’état transitoire j par la classe récurrente Ri ). On pose a (Ri ) =

10
 (n) 
a1 (Ri )
 .. 

+∞
 .  et a(Ri ) = a(n) (Ri ). Enfin, on note PT la matrice extraite de P en ne gardant
(n) n=1
at (Ri )
que les lignes et les colonnes correspondant aux états transitoires.

(1)


Propriété : On a (I − PT )a(Ri ) = a(1) (Ri ) avec aj (Ri ) = pj,x .
x∈Ri

(n)
X
Preuve : Pour n ≥ 2, aj (Ri ) = pj,x a(n−1)
x (Ri ).
x∈R
/ i

Mais, si x ∈ Rk , avec k = i, alors a(n−1)

x (Ri ) = 0, car lorsqu’on est dans une classe récurrente, on y reste.

On a donc :
X (n) (1)
XX
aj (Ri ) = aj (Ri ) = aj (Ri ) + pj,x a(n−1)
x (Ri )
n≥1 n≥2 x∈T
(1)
X X
= aj (Ri ) + pj,x a(n−1)
x (Ri )
x∈T n≥2
(1)
X
= aj (Ri ) + pj,x ax (Ri )
x∈T

ce qui donne la ligne j de la propriété.

1.2.5 Distribution stationnaire

Définition : Une famille − →

π = (πx )x∈E est dite distribution stationnaire d’une chaı̂ne, de matrice
de transition P , si c’est une probabilité qui vérifie −
→
π =−→π P.

Remarques :

• Si −
→
π (0) = −
→
π , alors, −
→
π (n) = −
→
π pour tout n (preuve par récurrence sur n : étant donné
que π (n + 1) = π (n)P , si π (n) = π , alors −
−
→ →
− →
− →
− →
π (n + 1) = −
→
πP =− →
π .)

• Si (Xn ) converge en loi, lim →−π (n) est une probabilité notée −
→
π (∞) qui est distribution
n→+∞
stationnaire de la chaı̂ne. En effet, on a −
→
π (n + 1) = −→π (n)P pour tout n ∈ IN et, en prenant la
limite quand n → +∞, on obtient bien π →
− (∞)
= π→
− (∞)
P.

•−→π peut ne pas exister : si E = IN et pk,k+1 = 1 pour tout k ∈ IN, −

→
π =−
→
π P conduit à
π0 = 0 et πk = πk−1 pour tout k ∈ IN : on aurait alors πk = 0 pour tout k ∈ IN et −
∗ →
π ne peut
pas être une probabilité.

• Une chaı̂ne peut admettre une infinité de distributions stationnaires.

Interprétations

:



• πy = πx px,y s’écrit aussi πy py,x = πx px,y ( car py,x = 1). On peut
x∈E x∈E x∈E x∈E
interpréter

πy py,x comme le nombre moyen de transitions de y vers x par unité
de temps et
πy py,x s’interprète alors comme le flux moyen de sortie de l’état y. De même, πx px,y est
x∈E x∈E
le flux moyen d’entrèe dans l’état y. Ainsi, en régime permanent :

11
 pour tout état y, il y a égalité entre le flux sortant de y et le flux entrant dans y.

• πy peut s’interpréter comme la proportion de temps passé dans l’état y.

Propriété : Si −
→
π est distribution stationnaire d’une chaı̂ne irréductible, alors πx > 0 pour tout
x ∈ E.
X
Preuve : On a →
−
π =−
→
π P n pour tout n ∈ IN, donc πy = πx px,y (n) pour tout état y.
x∈E
Supposons qu’il existe y tel que πy = 0. Alors, comme πx px,y (n) ≥ 0, on a, pour tout x ∈ E et pour tout
n ∈ IN, πx px,y (n) = 0.
Or, la chaı̂ne étant irréductible, il existe n tel que πx px,y (n) > 0 ; d’où πx = 0, et ceci, pour tout x. On a
→
−
alors −
→
π = 0 , ce qui est impossible, puisque − →
π est une probabilité.

2
 


Si x est récurrent positif, on pose, pour tout y ∈ E, ρx (y) = IE[X0 =x]  1I[Xn =y]∩[Tx >n]  :
n≥0
c’est le nombre moyen de visites dans l’état y entre deux visites dans l’état x.
 
Propriété : Si x est un état récurrent positif, alors →
− ρx (y)
π = est distribution station-
µx y∈E
naire.

Preuve : On a
0 1
X X ` ´
ρx (y) = IE [X0 =x] @ 1I[Xn =y]∩[Tx>n] A = IE[X0 =x] 1I[Xn =y]∩[Tx>n]
n≥0 n≥0
X [X0 =x]
= P ([Xn = y] ∩ [Tx > n])
n≥0

Si y = x, on a P [X0 =x] ([X0 = y] ∩ [Tx > 0]) = 0 et, pour n ≥ 1, on a aussi P [X0 =x] ([Xn = y] ∩ [Tx = n]) = 0, de
sorte que l’on a deux expressions pour ρx (y) :
X [X =x]
ρx (y) = P 0 ([Xn = y] ∩ [Tx > n − 1]) ; (∗)
n≥1

X
ρx (y) = P [X0 =x] ([Xn = y] ∩ [Tx > n]) .
n≥1

[X0 =x]
D’autre part, P P [X0 =x] ([Xn = x] ∩ [Tx > n]) sont
([X0 = x] ∩ [Tx > 0]) = 1 et, pour n ≥ 1, les probabilités X
nulles, de sorte que ρx (x) = 1. Comme x est récurrent, la relation 1 = fx,x = P [X0 =x] ([Tx = n]) est vérifiée.
n≥1
X
Or, elle peut encore s’écrire 1 = ρx (x) = P [X0 =x] ([Xn = x] ∩ [Tx > n − 1]). Ainsi, (∗) est vérifiée pour
n≥1
tout y ∈ E. On la réécrit :
X
ρx (y) = P [X0 =x] ([X1 = y] ∩ [Tx > 0]) + P [X0 =x] ([Xn = y] ∩ [Tx > n − 1])
n≥2
X [X0 =x]
= px,y + P ([Xn = y] ∩ [Tx > n − 1]) .
n≥2

Maintenant, pour n ≥ 2,
X
P [X0 =x] ([Xn = y] ∩ [Tx > n − 1]) = P [X0 =x] ([Xn−1 = z] ∩ [Xn = y] ∩ [Tx > n − 1]) = K
z=x

12
 X
avec K = P [X0 =x] ([Xn = y]/[Xn−1 = z] ∩ [Tx > n − 1]) P [X0 =x] ([Xn−1 = z] ∩ [Tx > n − 1]).
z=x
Or,
[Tx > n − 1] ∩ [Xn−1 = z] = [X1 = x] ∩ · · · ∩ [Xn−1 = x] ∩ [Xn−1 = z] = · · · ∩ [Xn−2 = x] ∩ [Xn−1 = z],
et, par l’axiome de Markov
P [X0 =x] ([Xn = y]/[Xn−1 = z] ∩ [Tx > n − 1]) = P [X0 =x] ([Xn = y]/[Xn−1 = z]) .
Ainsi,

X
P [X0 =x] ([Xn = y] ∩ [Tx > n − 1]) = P [X0 =x] ([Xn = y]/[Xn−1 = z]) P [X0 =x] P ([Xn−1 = z] ∩ [Tx > n − 1])
z=x
X
= pz,y P [X0 =x] P ([Xn−1 = z] ∩ [Tx > n − 1]) .
z=x

Par suite,
X
ρx (y) = px,y + P [X0 =x] ([Xn = y] ∩ [Tx > n − 1])
n≥2
XX
= px,y + pz,y P [X0 =x] ([Xn−1 = k] ∩ [Tx > n − 1])
n≥2 z=x
X X
= px,y + pz,y P [X0 =x] ([Xn−1 = k] ∩ [Tx > n − 1])
z=x n≥2
X X
= px,y + pz,y P [X0 =x] ([Xn = k] ∩ [Tx > n])
z=x n≥1
X X
= px,y + pz,y ρx (z) = ρx (z)pz,y .
z=x z

D’autre part, on a
0 1 0 1
X X X XX
ρx (y) = IE [X0 =x] @ 1I[Xn =y]∩[Tx>n] A = IE [X0 =x] @ 1I[Xn =y]∩[Tx>n] A
y y n≥0 n≥0 y
0 1
X X
= IE [X0 =x] @ 1I[Tx >n] A = P [X0 =x] ([Tx > n]) = IE[X0 =x] (Tx ) = µx .
n≥0 n≥0

. Il en résulte bien que →

−
ρx (y)
Si x est récurrent positif, alors µx < +∞ et on peut poser πy = π est distribu-
µx
tion stationnaire.

Théorème :
1) Une chaı̂ne irréductible admet une distribution stationnaire − →π si et seulement si tous ses
→
−
états sont récurrents positifs. Dans ce cas, π est unique et πx = 1/µx pour tout x ∈ E.
2) Une chaı̂ne quelconque admet une distribution stationnaire si et seulement si elle possède une
classe récurrente positive. Dans ce cas, si −→π est une distribution stationnaire et si (Ri )i sont les
classes récurrentes positives, il existe des réels positifs λi de somme 1 tels que :

πx = 0 si x n’est pas récurrent positif et πx = λi /µx si x ∈ Ri .

Preuve :
1) • On montre facilement que l’existence d’une distributionXstationnaire implique la récurrence de la chaı̂ne.
En effet, on a alors −
→
π = −→
π P n pour tout n ∈ IN, d’où πy = πx px,y (n) pour tout y ∈ E. Si tous les états
x∈E
étaient transitoires, on aurait, pour tout x ∈ E, lim px,y (n) = 0.
n→+∞

13
 X
Comme px,y (n) ≤ 1 et que πx converge, on peut appliquer le théorème de convergence dominée de
x
Lebesgue, c’est-à-dire intervertir
X limite et somme.X
On a alors πy = lim πx px,y (n) = lim p(n)
x,y = 0, ce qui est contradictoire.
n→+∞ n→+∞
x∈E x∈E

• On montre ensuite que, si − →

π est une distribution stationnaire, que l’on prend comme distribution initiale,
alors πy µy = 1 pour tout état y. X X [X =y]
En effet, µy = IE[X0 =y] (Ty ) = P [X0 =y] ([Ty > n]) = P 0 ([Ty ≥ n]) ; d’où
n≥0 n≥1
X X
πy µy = P [X0 =y] ([Ty ≥ n])P ([X0 = y]) = P ([X0 = y] ∩ [Ty ≥ n]).
n≥1 n≥1

On pose an = P ([Xm = y pour 0 ≤ m ≤ n]). On a P ([X0 = y] ∩ [Ty ≥ 1]) = P ([X0 = y]) = 1 − a0 et, pour
n ≥ 2,
P ([X0 = y] ∩ [Ty > n − 1]) = P ([X0 = y] ∩ [Xm = y pour 1 ≤ m ≤ n − 1])
= P ([Xm = y pour 1 ≤ m ≤ n − 1]) − P ([Xm = y pour 0 ≤ m ≤ n − 1])
= P ([Xm = y pour 0 ≤ m ≤ n − 2]) − P ([Xm = y pour 0 ≤ m ≤ n − 1])
= an−2 − an−1
X
d’après l’axiome d’homogénéité. Donc µy πy = P ([X0 = y] ∩ [Ty ≥ n]) = 1− lim an et lim an = P ([Xm =
n→+∞ n→+∞
n≥1
1
y pour tout m ≥ 0]) = 0 car y est récurrent. Donc µy πy = 1 et, comme πy > 0, on a µy < +∞ et πy = .
µy
On a ainsi montré que tout état y est récurrent positif et que la distribution − →π est unique.
• Réciproquement, si les états sont récurrents positifs, on a une distribution stationnaire donnée par la pro-
1
priété précédente, et, d’après ce que l’on vient de voir, cette distribution est donc unique et vérifie πy = pour
µy
tout état y.
X
2) Si − →
π est distribution stationnaire, alors − →
π =− →π P n pour tout n ∈ IN. D’où πy = πx px,y (n) pour tout
x∈E
y ∈ E.
• Si y est transitoire, on vérifieX
exactement comme
X dans 1) que πy = 0.
• Si y est récurrent, alors πy = πx px,y = πx px,y car si x est transitoire, πx = 0 et si x est récurrent,
x∈E x∈Cl(y)
dans une autre classe, px,y = 0. X
En posant C = Cl(y) et − →
π (C) = πx , on a :
x∈Cl(y)
→ soit →
−
π (C) = 0 et alors πx = 0 pour
„ « x∈C ;
tout
→
− →
−
→ soit π (C) = 0 et alors π C =
πx
est distribution stationnaire de la chaı̂ne irréductible réduite
π(C) x∈C
→
−π (C)
à C. Par conséquent, d’après l’unicité vue au 1), on a πx = et x est récurrent positif. De plus, on a
X µx
→
−
π (C) = 1.
C
X 1 X X λk X
• Réciproquement, = 1 et = λk = 1.
x∈Rk
µx k x∈Rk
µx k
X X
De plus, πy = πx px,y = πx px,y .
x∈E x∈Cl(y)

Conséquences :
1) −
→
π n’est pas unique s’il existe plusieurs classes récurrentes positives.

2) Les états d’une même classe de communication sont, soit tous transitoires, soit tous
récurrents positifs, soit tous récurrents nuls.

14
 En effet, soit x récurrent positif. Alors x est essentiel et la chaı̂ne réduite à la classe de communication de x
est irréductible et admet une distribution stationnaire puisqu’elle possède un état récurrent positif. Donc, tous
les états de la classe de communication de x sont récurrents positifs.

3) Si la chaı̂ne est irréductible, le nombre moyen de visites à y entre deux passages par x
µx
vérifie ρx (y) = .
µy
En effet, →
− ρx (y) 1
π définie par πy = est distribution stationnaire et d’après l’unicité, πy = .
µx µy

1.2.6 Comportement asymptotique

La loi conditionnelle de Xn sachant [X0 = x] est représentée par la famille (px,y (n))y∈E .
Pour avoir la convergence en loi, il est nécessaire que lim px,y (n) existe pour tout y mais, en
n→+∞
général, ceci n’est pas suffisant car il n’est pas évident que la famille limite soit une probabilité.
C’est pourquoi, on introduit la notion plus restrictive suivante :

Définition : On dit que la chaı̂ne (Xn )n≥0 de matrice de transition P admet une distribution
limite si, pour tout (x, y) ∈ E 2 , px,y (n) admet une limite ly indépendante de x, quand n tend
→
−
vers +∞, la famille l = (ly )y∈E étant non identiquement nulle.
→
−
La famille l = (ly )y∈E est alors la distribution limite.
→
−
Remarque : Il n’est pas évident,

a priori, que si l existe, elle mérite le nom de distribution.


Il est clair que ly ≥ 0, mais de px,y (n) = 1, on déduit a priori seulement que ly ≤ 1.
y∈E y∈E
Pour pouvoir aller plus loin, il va falloir admettre le théorème suivant, dit théorème ergodique :

fx,y
Théorème ergodique : Si y est apériodique ou non récurrent positif, alors lim px,y (n) =
n→+∞ µy
pour tout x ∈ E.

Conséquences :
• En particulier, si y est non récurrent positif, alors lim px,y (n) = 0.
n→+∞
1
• Si x = y apériodique ou non récurrent positif, alors lim py,y (n) =
. En effet, si y
n→+∞ µy
est récurrent, alors fy,y = 1 et si y est non récurrent, alors µy = +∞ et comme fy,y ≤ 1, on a
fy,y 1
= = 0.
µy µy
Remarque : Si y est récurrent positif de période d = 1, lim px,y (n) peut ne pas exister.
n→+∞

→
− −
→
Propriété : Si l est une distribution limite, alors l est l’unique distribution stationnaire de
la chaı̂ne.

Preuve : Soit y tel que lim px,y (n) = ly = 0. Alors, nécessairement, y est récurrent positif, d’après le théorème
n→+∞
ergodique. Il existe donc au moins une classe récurrente positive. Mais il ne peut pas en exister plusieurs car
sinon, en prenant x dans une autre classe récurrente positive, on aurait lim px,y (n) = 0. Il existe donc une
n→+∞

unique distribution stationnaire →

− 1
π avec πx = pour tout état récurrent positif, et πx = 0 sinon.
µx

15
 X X
On a donc, pour tout état y, πy = πx px,y (n) et, comme px,y (n) ≤ 1 et que πx converge, on peut
x∈E x∈E
appliquer le théorème X
de convergence dominée
X de Lebesgue, c’est-à-dire
X intervertir limite et somme.
→ →
−
On a πy = lim πx px,y (n) = πx lim px,y (n) = ly πx = ly , donc l = − π.
n→+∞ n→+∞
x∈E x∈E x∈E
−
→
En particulier, on en déduit que l est une loi de probabilité.

Théorème : 1) La distribution limite existe si et seulement si la suite (Xn )n≥0 converge en loi,
la loi limite n’étant pas fonction de la loi initiale. La limite en loi est alors la distribution limite,
qui est aussi l’unique distribution stationnaire de la chaı̂ne.
2) La distribution limite existe si et seulement si il existe une seule classe récurrente apériodique
C telle que, pour tout x ∈ E et pour tout y ∈ C, la probabilité que, partant de x, la chaı̂ne
passe au moins une fois par y soit égale à 1.
Preuve : 1) résulte de la définition de la distribution limite et de la propriété précédente.
2) résulte essentiellement du théorème ergodique et du fait que, si y est récurrent périodique, lim px,y (n) n’existe
n→+∞
pas.
2

Remarque : Une chaı̂ne peut converger en loi sans qu’il existe de distribution limite, mais,
dans ce cas, la limite en loi dépend de la loi initiale : cela se produit s’il existe plusieurs classes
récurrentes positives ou bien s’il existe une classe récurrente positive de période d = 1.

Pour terminer, on admettra le théorème suivant :

Définition : Une chaı̂ne récurrente positive, de période d, admet une unique distribution
stationnaire (πy )y∈E telle que, si x et y sont dans la même sous-classe cyclique :

lim px,y (nd) = dπy .

n→+∞

1.3 Processus de Markov continus

1.3.1 Régime transitoire

Contrairement à ce qui se passe pour les chaı̂nes de Markov à temps discret, on ne dispose
pas ici d’un historique complet du processus : on observe celui-ci à certains instants dans le
temps, choisis aussi nombreux que l’on veut et répartis comme on veut mais la notion d’“unité
de temps” n’a plus de sens ici et la matrice P = P (1) ne permet pas de déterminer P (t) pour
tout t.
L’idée est alors de considérer P (h) lorsque h → 0.

Grâce à P (t + h) = P (t)P (h) = P (h)P (t) et à P (0) = I, on a :

P (t + h) − P (t) P (h) − I P (h) − I

= P (t) = P (t).
h h h
P (h) − I
Sous réserve d’existence des limites, si on pose A = lim = P  (0), on a alors :
h→0 h

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

16
 Cette équation différentielle matricielle admet l’unique solution :

+∞ n
t
tA
P (t) = e = An .
n!
n=0

Ainsi, on détermine A à partir de la famille (P (t))t≥0 , (A = P  (0)), mais réciproquement, la

seule connaissance de A permet de retrouver tous les P (t) (P (t) = eAt ).
La matrice A est appelée le générateur infinitesimal du processus.

px,y (h) − δx,y

On pose A = (ax,y )x,y∈E . Ainsi, ax,y = lim .
h→0 h
• Si x = y, ax,y ≥ 0 et px,y (h) = ax,y h + o(h)

• Si x = y, ax,x ≤ 0 et px,x (h) = 1 + ax,x h + o(h).

On a ici, pour tout x ∈ E, ax,y = 0 (la somme sur chaque ligne de A vaut 0).
y∈E

Propriété : Pour tout état x ∈ E,
le temps passé dans x avant de le quitter suit la loi
exponentielle E(λx ) avec λx = −ax,x = ax,y .
y=x

Preuve : Si Tx désigne ici le temps passé en x avant de le quitter, on a :

P ([Tx > t + h]) = P ([Tx > t + h]/[Tx > t])P ([Tx > t])
Mais, d’après l’homogénéité dans le temps, on a P ([Tx > t + h]/[Tx > t]) = P ([Tx > h]). Ainsi, si on pose
Gx (t) = P ([Tx > t]), on obtient :
Gx (t + h) = Gx (t)Gx (h) avec Gx (h) = px,x (h) + o(h) = 1 + ax,x h + o(h),
„ «
Gx (t + h) − Gx (t) o(h)
donc = Gx (t) ax,x + et, en faisant h → 0, il vient :
h h
Gx (t) = ax,x Gx (t) avec Gx (0) = 1,

soit Gx (t) = eax,x t et P ([Tx ≤ t]) = 1 − eax,x t .

L’évolution d’un processus de Markov à temps continu peut se voir comme une répétition de
deux phases :
→ on reste un certain temps (de loi exponentielle) dans un état ;
→ lorsqu’on quitte cet état, on choisit l’état vers lequel on sort, cette destination ne
dépendant ni du temps passé dans l’état, ni du chemin par lequel on est arrivé à l’état. On
notera px,y la probabilité de se rendre dans l’état y en quittant l’état x.

ax,y
Propriété : Pour tout (x, y) ∈ E 2 tel que x = y, px,y =  (et px,x = 0).
ax,z
z=x
X
Preuve : On a, si λx = −ax,x = ax,z ,
z=x

P ([Xt+h = x]/[Xt = x]) = λx h + o(h)

17
et, pour y = x,
P ([Xt+h = y]/[Xt = x]) = ax,y h + o(h) = px,y λx h + o(h)
ax,y ax,y
d’après la définition de px,y . C’est donc bien que px,y = = P .
λx ax,z
z=x

2.

Définition : La chaı̂ne de Markov discrète de matrice de transition P = (px,y )x,y∈E est appelée
chaı̂ne de Markov induite du processus.

1.3.2 Régime permanent

π (t) est la loi de Xt , i.e. →

On rappelle que, si →
− −
π (t) = (πx (t))x∈E où πx (t) = P ([Xt = x]), on
a:
−
→
π (t) = −
→
π (0)P (t).
Définition : On dit que le processus (Xt )t≥0 est stationnaire si la loi de Xt est indépendante
de t.
On a alors −
→
π (t) = −
→
π (0) pour tout t ≥ 0 et en dérivant l’équation précédente, on obtient :

π (0)P  (t) = −
0=−
→ →
π (0)P (t)A = −
→
π (t)A = −
→
π (0)A.

Définition : On appelle distribution stationnaire toute probabilité →

−
π qui vérifie
−
→ →
−
πA= 0.

Si (Xt ) converge en loi et si −

→
π (∞) = lim −
→
π (t), alors −
→
π (∞) est distribution stationnaire du
t→+∞
processus.




On a (→
−
π A)y = πx ax,y = πx ax,y + πy ay,y avec ay,y = − ay,x ainsi :
x∈E x=y x=y

→
−


−
→
π A = 0 équivaut à πx ax,y = πy ay,x
x=y x=y

Cette relation traduit l’équilibre, en régime stationnaire du flux rentrant en y ( πx ax,y )

x=y
et du flux sortant de y ( πy ay,x ).
x=y

18
Chapitre 2

Processus de Poisson
2.1 Introduction

De nombreux phénomènes aléatoires se manifestent par des “arrivées” survenant une par
une à des instants aléatoires successifs.

Exemples :
→ arrivées d’appels à un central téléphonique ;
→ impacts de micrométéorites sur un satellite ;
→ passage de véhicules à un péage d’autoroute ;
→ arrivées de clients à un guichet, occurrence d’accidents dans une ville, pannes de machines
dans une usine...

De tels phénomènes peuvent se définir par la famille (An )n∈IN∗ des temps d’arrivées qui sont
des variables aléatoires. Mais on peut aussi le faire à partir du processus de comptage (Nt )t∈IR+ ,
ou par la famille (Tn )n∈IN∗ des intervalles de temps entre deux arrivées.

Nt est le nombre d’événements apparus jusqu’à l’instant t.

Nt+u − Nu est le nombre d’événements apparus entre u et u + t.

L’espace des états du processus (Nt )t∈IR+ est E = IN et l’espace des temps est T = IR+ .
Le processus qui modélise convenablement les exemples cités est le processus de Poisson.
On conviendra que N0 = 0.

On note :
→ An l’instant de réalisation du nième événement ;
→ Tn la durée séparant le (n − 1)ième événement du nième événement pour n ≥ 2 et T1 = A1 .

On a :
→ An = T1 + T2 + · · · + Tn pour tout n ∈ IN∗ :
→ T1 = A1 et Tn = An − An−1 pour tout n ≥ 2.

Ainsi, la connaissance de la famille (An )n∈IN∗ équivaut à celle de la famille (Tn )n∈IN∗ .

D’autre part, An ≤ t signifie que le nième événement a eu lieu à l’instant t ou avant, c’est-à-
dire qu’à l’instant t, au moins n événements ont eu lieu, c’est-à-dire que Nt ≥ n. Ainsi

n−1
FAn (t) = P ([An ≤ t]) = P ([Nt ≥ n]) = 1 − P ([Nt = k])
k=0

et
P ([Nt = n]) = P ([Nt ≥ n]) − P ([Nt ≥ n + 1]) = P ([An ≤ t]) − P ([An+1 ≤ t]).

19
 N(t)
7
6
5
4
3
2
1
t
0
A1 A2 A3 A4 A5 A6

T1 T2 T3 T4 T5 T6

Par conséquent, la connaissance de (Nt )t∈IR+ équivaut à celle de la famille (An )n∈IN∗ .

2.2 Définition et description du processus

Soit (Nt )t∈IR+ un processus aléatoire à valeurs dans IN tel que N0 = 0.

Définition : Le processus (Nt )t∈IR+ est appelé processus de comptage si c’est un processus
croissant, c’est-à-dire si pour tout s ≤ t, Ns ≤ Nt . La variable aléatoire Nt − Ns est alors
appelée accroissement du processus sur ]s, t].

Définition : Un processus de comptage (Nt )t∈IR+ est appelé processus à accroissements

indépendants si pour tout n ∈ IN∗ et pour tous t1 , · · · , tn tels que t1 < t2 · · · < tn , les ac-
croissements Nt1 − N0 , Nt2 − Nt1 , · · · , Ntn − Ntn−1 sont des variables aléatoires indépendantes.

Les processus vérifiant cette hypothèse sont assez nombreux : il semble en effet assez naturel
que les arrivées se produisant dans des intervalles disjoints ne soient pas liées entre elles.

Définition : Le processus est dit stationnaire (ou homogène dans le temps), si pour tout s et
pour tout t, l’accroissement Nt+s − Ns a même loi que Nt .

Remarque : Cette propriété est semblable à l’axiome d’homogénéité pour les chaı̂nes de
Markov : seule la durée écoulée entre deux instants (et non pas les deux instants eux-mêmes)
compte pour déterminer la loi de l’accroissement.

Si cette propriété semble relativement naturelle pour certains types d’arrivées, comme par
exemple pour les pannes survenant dans un parc de machines qui fonctionnent en continu et
toujours de la même façon, elle ne sera certainement pas réalisée pour des processus représentant
des arrivées à “pics saisonniers” (par exemple le nombre de passages de véhicules au péage au-
toroutier de Bandol du 14 juillet au 15 août ne suit pas la même loi que celui des véhicules du

20
17 octobre au 18 novembre).

Définition : Un processus à accroissements indépendants stationnaire (Nt )t∈IR+ est dit

P ([Nh > 1])
à événements rares si lim P ([Nh > 0]) = 0 et si lim = 0.
h→0+ h→0+ P ([Nh = 1])

Remarque : La deuxième propriété traduit l’improbabilité d’arrivées simultanées.

Si on pose f (t) = P ([Nt = 0]) ( et donc f (0) = 1), la première hypothèse traduit la continuité
de f en 0, car P ([Nh > 0]) = 1 − f (h) et donc lim f (h) = f (0).
h→0+

Définition :Un processus de comptage (Nt )t∈IR+ tel que N0 = 0 est un processus de Poisson si
C1 : (Nt )t∈IR+ est stationnaire
C2 : (Nt )t∈IR+ est un processus à accroissements indépendants ;
C3 : (Nt )t∈IR+ est un processus à événements rares .

Le nom donné au processus de Poisson s’explique par ce qui suit :

Proriété : Un processus de comptage (Nt )t∈IR+ tel que N0 = 0 est un processus de Poisson si
et seulement si :
C1 : (Nt )t∈IR+ est stationnaire ;
C2 : (Nt )t∈IR+ est un processus à accroissements indépendants ;
C3’ : il existe λ > 0 tel que, pour tout t ≥ 0, la variable aléatoire Nt suive la loi de Poisson de
paramètre λt.

Preuve : Un processus qui vérifie C3’ vérifie également C3.

En effet, si on a C3’, alors
P ([Nh = 0]) = e−λh = 1 − λh + o(h)
d’où P ([Nh > 0]) = λh + o(h) et lim P ([Nh > 0]) = 0. De plus, P ([Nh = 1]) = e−λh λh = λh + o(h) ∼ λh et
h→0

P ([Nh > 1]) = 1 − P ([Nh = 0]) − P ([Nh = 1]) = o(h)

P ([Nh > 1])
et donc lim = 0.
h→0+ P ([Nh = 1])
On va maintenant montrer que, pour un processus de Poisson, l’axiome C3’ est vérifié.

X
k
P ([Nt+s = k]) = P ([Nt+s = k] ∩ [Nt = i]) (1)
i=0

X
k
= P ([Nt = i] ∩ [Nt+s − Nt = k − i]) (2)
i=0

X
k
= P ([Nt = i])P ([Nt+s − Nt = k − i]) (3)
i=0

X
k
= P ([Nt = i])P ([Ns = k − i]) (4)
i=0

(On passe de (2) à (3) en utilisant C2 et de (3) à (4) en utilisant C1.)

(λt)k
On pose alors P ([Nt = k]) = πk (t) et on va établir que πk (t) = e−λt par récurrence sur k.
k!
Étude pour k = 0 : π0 (t) = f (t) avec f qui vérifie
f (t + s) = f (t)f (s) (∗)

21
 f est continue sur IR+ car lim (f (t + h) − f (t)) = lim f (t)(f (h) − 1) = 0.
h→0 h→0
Or, les seules solutions continues de (∗), à valeurs dans IR+ , sont les fonctions de la forme f (t) = eat .
1
(En effet, ψ = ln f vérifie ψ(s + t) = ψ(t) + ψ(s). En particulier, ψ(nt) = nψ(t), puis, avec t = ,
„ « “m” n
1 1 m
ψ = ψ(1), puis ψ = ψ(1). On a alors ψ(r) = rψ(1) pour tout r ∈ Q et on conclut que
n n n n
ψ(x) = xψ(1) par densité de Q dans IR (x = lim rn ) et grâce à la continuité de f (f (x) = lim f (rn )). Ainsi
f (x) = eψ(x) = exψ(1) ).

Ici f est à valeurs dans [0, 1], non identiquement nulle, donc a ≤ 0. Le cas a = 0 n’a pas d’intérêt car alors
on aurait P ([Nt = 0]) = 1 pour tout t. Donc, a < 0 et il existe λ = −a tel que

f (t) = π0 (t) = P ([Nt = 0]) = e−λt .

(λt)i
Récurrence sur k : On suppose maintenant que πi (t) = e−λt pour tout t ≥ 0 et pour tout i ≤ k et on va
i!
(λt)k+1
montrer que πk+1 (t) = e−λt .
(k + 1)!
Pour cela on va établir une équation différentielle du premier ordre vérifiée par πk+1 (t) : on regarde combien
d’arrivées se sont produites jusqu’à l’instant t + h en faisant intervenir le nombre d’arrivées qui se sont produites
jusqu’à l’instant t.
[
k+1
[Nt+h = k + 1] = [Nt = i] ∩ [Nt+h − Nt = k + 1 − i]
i=0

et donc, toujours en utilisant C2 puis C1, il vient

X
k+1 X
k+1
P ([Nt+h = k + 1]) = P ([Nt = i])P ([Nt+h − Nt = k + 1 − i]) = P ([Nt = i])P ([Nh = k + 1 − i])
i=0 i=0

soit, avec la notation introduite ici

X
k+1
πk+1 (t + h) = πi (t)πk+1−i (h)
i=0

P ([Nh > 1])

Or, pour i ≤ k−1, on a k+1−i ≥ 2 ; d’où P ([Nh = k+1−i]) = πk+1−i (h) = o(π1 (h)) car lim =0
h→0 P ([Nh = 1])
et
X
k−1
πk+1 (t + h) = πi (t)πk+1−i (h) + π1 (h)πk (t) + π0 (t)πk+1 (h) = π1 (h)πk (t) + π0 (h)πk+1 (t) + o(π1 (h)).
i=0

Avec π0 (h) = 1 − π1 (h) + o(π1 (h)), on obtient alors :

πk+1 (t + h) − πk+1 (t) = π1 (h) [πk (t) − πk+1 (t)] + o(h).

πk+1 (t + h) − πk+1 (t) π1 (h) o(h)

Donc = [πk (t) − πk+1 (t)] + et
h h h
 π1 (h)
πk+1 (t) = lim [πk (t) − πk+1 (t)] .
h→0 h
1 − π0 (h) 1 − π0 (h) h
Or π1 (h) = 1 − π0 (h) + o(π1 (h)) donc lim = 1 = lim × et comme
h→0 π1 (h) h→0 h π1 (h)

1 − π0 (h) 1 − e−λh
lim = lim = λ,
h→0 h h→0 h
π1 (h) 
c’est donc que lim = λ, d’où πk+1 (t) = λ [πk (t) − πk+1 (t)], soit :
h→0 h

πk+1 (t) + λπk+1 (t) = λπk (t).

Pour résoudre cette équation différentielle linéaire du premier ordre, on applique la méthode dite “de variation
de la constante”.

22
 On a donc πk+1 (t) = C(t)e−λt avec

λk+1 tk
C  (t)e−λt = λπk (t) = e−λt .
k!
λk+1 tk
D’où C  (t) = et
k!
Z t Z t » –t
λk+1 λk+1 uk+1 (λt)k+1
C(t) − C(0) = C  (u)du = uk du = =
0 k! 0 k! k+1 0 (k + 1)!

(λt)k+1
avec πk+1 (0) = C(0) = P ([N0 = k + 1]) = 0 car N0 = 0. On a donc bien πk+1 (t) = e−λt . 2
(k + 1)!

Remarque :
Pour tous s et t et pour tous i ≤ k :

P ([Nt+s = k] ∩ [Ns = i]) = P ([Ns = i] ∩ [Nt+s − Ns = k − i])

= P ([Ns = i])P ([Nt+s − Ns = k − i])
= P ([Ns = i])P ([Nt = k − i]).

Ainsi,

P ([Ns = i] ∩ [Nt+s = k]
P ([Nt+s = k]/[Ns = i]) =
P ([Ns = i])
(λt)k−i
= P ([Nt = k − i]) = e−λt .
(k − i)!

Ceci détermine les probabilités de transition de i à k entre les instants s et t + s.

2.3 Caractérisation d’un processus de Poisson par ses temps d’arrivée

Soit An l’instant de la nième arrivée : An = inf{t ≥ 0 ; Nt = n} et Tn le nième temps

d’attente pour n ∈ IN∗ : Tn = An − An−1 (en convenant A0 = 0).

n
On a An = Ti et Nt = max{n ≥ 0 ; An ≤ t}.
i=1

Théorème : (Nt )t∈IR+ est un processus de Poisson de paramètre λ si et seulement si les

variables aléatoires Tn sont indépendantes de même loi exponentielle E(λ) (de densité

fTn (t) = λe−λt 1I]0,+∞[ (t)).

Preuve :
P ([T1 > t]) = P ([Nt = 0]) = e−λt = 1 − F1 (t)
où F1 est la fonction de répartition de T1 . On a donc bien T1 qui suit la loi exponentielle E (λ).

P [T1 =t1 ] ([T2 > t]) = P ([Nt1 +t = 1]/[Nt1 = 1] ∩ [Ns = 0 pour tout s < t1 ])
= P ([Nt1 +t − Nt1 = 0]/[Nt1 = 1] ∩ [Ns = 0 pour tout s < t1 ])
= P ([Nt1 +t − Nt1 = 0])

d’après l’indépendance des accroissements.

Or P ([Nt1 +t − Nt1 = 0]) = P ([Nt1 +t−t1 = 0]) = P ([Nt = 0]) d’après la stationnarité ; et c’est aussi e−λt car
Nt suit la loi de Poisson P(λt).

23
 Donc T2 est bien indépendante de T1 et de même loi exponentielle E (λ).

De façon plus générale,

P ([Tk > t]/[T1 = t1 ] ∩ · · · [Tk−1 = tk−1 ]) = P ([Ntk−1 +t − Ntk−1 = 0])

= P ([Nt = 0]) = e−λt .

Donc Tk est indépendante de T1 , · · · , Tk−1 et de même loi exponentielle E (λ).

La réciproque sera admise. 2

Conséquence : Les variables aléatoires An suivent la loi Gamma γ(λ, n) (ou loi d’Erlang), de
densité définie par
λn
fAn (t) = e−λt tn−1 1I]0,+∞[ (t).
(n − 1)!

Propriété : Si (Nt )t∈IR+ est un processus de Poisson de paramètre λ, le temps aléatoire U

qui sépare un instant θ du prochain événement et le temps aléatoire V qui sépare θ du dernier
événement suivent la loi exponentielle E(λ).

Preuve :
P ([U > x]) = P ([Nθ+x − Nθ = 0] = P ([Nx = 0]) = e−λx
car [U > x] signifie que pendant la durée x qui suit θ, il n’y a aucune arrivée. De même,

P ([V > x]) = P ([Nθ − Nθ−x = 0] = P ([Nx = 0]) = e−λx

car [V > x] signifie que pendant la durée x qui précédait θ, il n’y a eu aucune arrivée. 2

2 1
Remarque : On a alors IE(U + V ) = IE(U ) + IE(V ) = alors que IE(Tn ) = pour tout n ∈ IN∗ . C’est donc que
λ λ
U + V = TNθ n’a pas même loi que les Tn alors que sur [Nθ = n], on a TNθ = Tn .

1
On peut terminer ce paragraphe en remarquant que IE(N1 ) = λ et IE(Tn ) = . Ainsi,
λ
plus λ est grand, plus le nombre moyen d’arrivées par unité de temps est important, et plus
l’intervalle entre 2 arrivées est court, ce qui semblait a priori évident. Pour cette raison, on
appelle également le paramètre λ l’intensité du processus.

2.4 Propriétés supplémentaires

2.4.1 Décomposition, superposition

On peut décomposer en deux un processus de Poisson suivant un certain critère.

Exemples :
Compteur à fonctionnement aléatoire : Des particules arrivant vers un compteur forment un
processus de Poisson de paramètre λ = 6 part/mn. Chaque particule a la probabilité 2/3 d’être
enregistrée par le compteur. Les particules enregistrées forment un processus de Poisson de
2
paramètre λ = 6 × = 4 part/mn.
3
De même,

24
les voitures qui passent devant une station service forment un processus de Poisson de paramètre
λ. Chaque voiture a la probabilité p de s’arrêter à la station. Alors, les voitures qui s’arrêtent
à la station forment un processus de Poisson de paramètre λp et les voitures qui passent devant
la station sans s’arrêter forment un processus de Poisson de paramètre λ(1 − p). De plus, ces
deux processus sont indépendants.
“ ”
(1)
Preuve : Ici, on va simplement montrer la propriété C3’ pour le processus Nt des voitures qui s’arrêtent
t≥0
à la station.

X
+∞ “ ”
(1) (1)
P ([Nt = k] = P [Nt = k]/[Nt = n] P ([Nt = n])
n=k

X
+∞
(λt)n X k
+∞
(λt)n
= Cnk pk (1 − p)n−k e−λt = e−λt p (1 − p)n−k
n! k!(n − k)!
n=k n=k
k X
+∞
p (λt)m+k (1 − p)m
= e−λt ( en posant m = n − k ) ;
k! m=0
m!
k
−λt (λpt) (λpt)k
= e eλ(1−p)t = e−λpt .
k! k!

Inversement, on pourrait montrer que

la somme de deux processus de Poisson indépendants de paramètres respectifs λ1 et λ2 est un

processus de Poisson de paramètre λ1 + λ2 .

On a alors :
 
(1) (2)
Propriété : Si Nt et Nt sont deux processus de Poisson indépendants de
t≥0 t≥0
(1) (1) (2)
paramètres respectifs λ1 et λ2 , alors
 la loi conditionnelle de Nt sachant [Nt + Nt = n]
λ1
est la loi binomiale B n, .
λ1 + λ2

Preuve :
“ ”
(1) (2)
“ ” P [Nt = k] ∩ [Nt = n − k] P ([Nt
(1)
= k])P ([Nt
(2)
= n − k])
(1) (1) (2)
P [Nt = k]/[Nt + Nt = n] = (1) (2)
= (1) (2)
P ([Nt + Nt = n]) P ([Nt + Nt = n])
k n−k
e−λ1 t (λ1k!t) e−λ2 t (λ(n−k)!
2 t)
λk1 λn−k
= n = Cnk 2
.
e−(λ1 +λ2 )t ((λ1 +λ 2 )t) (λ1 + λ2 )n
n!

2.4.2 Processus de Poisson et loi binomiale.

Propriété
 s : Pour s ≤ t, la loi conditionnelle de Ns sachant [Nt = n] est la loi binomiale
B n, .
t
Preuve :

25
 P ([Ns = k] ∩ [Nt = n]) P ([Ns = k] ∩ [Nt − Ns = n − k])
P [Nt =n] ([Ns = k]) = =
P ([Nt = n]) P ([Nt = n])
P ([Ns = k])P ([Nt − Ns = n − k]) P ([Ns = k])P ([Nt−s = n − k])
= =
P ([Nt = n]) P ([Nt = n])
k n−k
e−λs (λs) e−λ(t−s) (λ(t−s)) “ s ”k “ s ”n−k
k! (n−k)!
= (λt)n
= Cnk 1− .
e−λt n!
t t
2

2.4.3 Processus de Poisson et loi uniforme

La loi de (A1 , A2 , · · · , An ) sachant [Nt = n] est celle de (U1∗ , U2∗ , · · · , Un∗ ) ; Ui∗ étant la
ième
i plus petite valeur parmi les U1 , U2 , · · · , Un , variables aléatoires indépendantes de même loi
uniforme sur [0, t]. ( En particulier U1∗ = min(U1 , · · · , Un ) et Un∗ = max(U1 , · · · , Un )). Cette loi
a pour densité f ∗ définie par :

n!
si 0 ≤ s1 ≤ s2 ≤ · · · ≤ sn ≤ t ;
f ∗ (s1 , s2 , · · · , sn ) = tn
0 sinon.
Ainsi, pour simuler les n premiers temps d’arrivée d’un processus de Poisson sachant que
[Nt = n], il suffit de tirer n nombres au hasard entre 0 et 1 (touche “random” de la calculatrice),
de les ranger par ordre croissant, puis de les multiplier par t en faisant éventuellement les con-
versions en format horaire adéquat (heures, minutes, seconde).

2.5 Processus de Poisson composés

Pour un processus de Poisson, la condition C3 entraı̂ne l’impossibilité d’une réalisation si-

multanée de deux événements ou plus. Si on supprime cette condition, les événements peuvent
se produire par “grappes”, l’effectif de la grappe étant lui-même aléatoire.

Exemples :
→ Arrivées d’avions dans un aéroport : chaque avion transporte un certain nombre de
passagers ;
→ Traffic routier : chaque accident engendre un certain nombre de blessés...

Les instants d’occurrence des grappes d’événements sont les An d’un processus de Poisson
de paramètre λ.
À chaque instant An est associée une variable aléatoire Yn désignant le nombre d’événements
se produisant à l’instant An .
On suppose les Yn indépendantes et de même loi.

Zt est le nombre d’événements apparus jusqu’à l’instant t.

On a la relation fondamentale suivante :

Zt = Y1 + Y2 + · · · + YNt .

Cette relation permet, en particulier, de déterminer la fonction génératrice de Zt et donc son

espérance et sa variance.

26
Propriété : GZt (s) = exp (λt(GY (s) − 1)) ; IE(Zt ) = λtIE(Y ) et var(Zt ) = λtIE(Y 2 ).
“ “ ””
Preuve : GZt (s) = IE IENt sZt avec
“ ” “ ”
IE[Nt =n] sZt = IE[Nt =n] sY1 +···+Yn = (GY (s))n

car les Yi sont indépendantes

“ ” entre elles et indépendantes de Nt .
Donc IENt sZt = (GY (s))Nt et
“ ” “ “ ”” “ ”
IE sZt = IE IENt sZt = IE GY (s)Nt = GNt (GY (s)) = exp (λt(GY (s) − 1))

car Nt suit la loi de Poisson de paramètre λt. On a alors

` ´
GZt (s) = λtGY (s)GZt (s) et GZt (s) = λtGZt (s) GY (s) + λt(GY (s))2 .

En prenant la limite quand s tend vers 1, on obtient IE(Zt ) = λtIE(Y ), et

` ´
lim GZt (s) = λt (var(Y ) − IE(Y ) + IE(Y )2 ) + λt(IE(Y ))2 = var(Zt ) − IE(Zt ) + (IE(Zt ))2
s→1−

` ´
d’où var(Zt ) = λt var(Y ) + IE(Y )2 = λtIE(Y 2 ). 2

Exemple :
Le nombre d’accidents par jour dans une ville suit un processus de Poisson de paramètre
1
2 et le nombre de personnes impliquées suit la loi géométrique de paramètre . Quelle est la
2
moyenne et la variance du nombre de personnes accidentées durant une semaine ?
IE(Y ) = 2 et var(Y ) = 2 = IE(Y 2 ) − IE(Y )2 d’où IE(Y 2 ) = 6 et, pour t = 7, IE(Zt ) = 2 × 7 × 2 = 28 et
var(Zt ) = 2 × 7 × 6 = 84. 2

Remarque :
On a IE(Nt ) = λt, donc, par exemple, dans le cas de l’avion, le nombre moyen de passagers
arrivés jusqu’à l’instant t est égal au nombre moyen IE(Nt ) d’avions arrivés jusqu’à t multiplié
par le nombre moyen de passagers par avion IE(Y ), ce qui paraı̂t évident.

2.6 Processus non homogènes

Soit (Xt )t≥0 un processus de comptage à accroissements indépendants vérifiant X0 = 0,

P ([Xt+h = i + 1]/[Xt = i]) = λ(t)h + o(h) et P ([Xt+h = i]/[Xt = i]) = 1 − λ(t)h + o(h).

On note An le nième temps d’arrivée du processus.

 t
Propriété : Xt suit la loi de Poisson de paramètre Λ(t) = λ(u)du et T1 = A1 suit la loi de
  t  0

densité t
→ λ(t) exp − λ(u)du 1I]0,+∞[ (t).
0

Remarques :

[1] Pour un processus de Poisson (Xt ) d’intensité λ, on a

P ([Xt+h = i + 1]/[Xt = i]) = λh + o(h) et P ([Xt+h = i]/[Xt = i]) = 1 − λh + o(h).

27
c’est-à-dire que λ ne dépend pas de t.

[2] Le processus étudié ici est une généralisation du processus de Poisson. Pour λ(t) = λ
constant, on retrouve que Xt suit la loi de Poisson de paramètre Λ(t) = λ × t et que T1 suit la
loi exponentielle de paramètre λ.

Preuve : On reprend la méthode utilisée pour montrer que, si (Xt ) est un processus à accroissements indépendants,
stationnaire et à événements rares, alors Xt suit la loi de Poisson P(λt) : on pose πn (t) = P ([Xt = n]) puis, en
considérant πn (t + h) et en passant à la limite quand h → 0, on va établir une équation différentielle.
P ([Xt+h = 0]) = P ([Xt = 0] ∩ [Xt+h − Xt = 0]) = P ([Xt = 0])(1 − λ(t)h + o(h)), soit

π0 (t + h) − π0 (t) = −λ(t)hπ0 (t) + o(h).

D’autre part, pour n ≥ 1,

X
P ([Xt+h = n]) = P ([Xt = k] ∩ [Xt+h − Xt = n − k])
k
= P ([Xt = n])(1 − λ(t)h) + P ([Xt = n − 1])λ(t)h + o(h)

soit πn (t + h) − πn (t) = (−λ(t)πn (t) + λ(t)πn−1 (t))h + o(h). On a donc, en divisant par h et en faisant h → 0 :


π0 (t) + λ(t)π0 (t) = 0
avec π0 (0) = 1 et πn (0) = 0 pour n ≥ 1.
πn (t) + λ(t)πn (t) = λ(t)πn−1 (t)

On résout alors, soit en utilisant les équations différentielles du premier ordre (et la méthode de variation de
la constante), soit à l’aide de la fonction génératrice de Xt :

X
+∞
G(z, t) = z n πn (t).
n=0

Première méthode :
Z t
π0 (t)
= [ln(π0 (t))] = −λ(t) et ln(π0 (t)) − ln(π0 (0)) = − λ(u)du.
π0 (t) 0

Ainsi, π0 (t) = P ([Xt = 0]) = exp(−Λ(t)). D’autre part, par la méthode de variation de la constante,

πn (t) = C(t) exp(−Λ(t)) avec C  (t) exp(−Λ(t)) = λ(t)πn−1 (t)

(Λ(t))n−1 (Λ(t))n−1
et par récurrence, si on suppose que πn−1 (t) = exp(−Λ(t)) , on a alors C  (t) = λ(t) et, comme
(n − 1)! (n − 1)!
n
(Λ(t))
C(0) = 0 (πn (0) = 0 pour n ≥ 1), on a alors C(t) = et on a bien :
n!

(Λ(t))n
P ([Xt = n]) = πn (t) = exp(−Λ(t)) .
n!

∂G X
+∞
G
Deuxième méthode : On a (z, t) + λ(t)G(z, t) = λ(t) z n πn−1 (t) = λ(t)zG(z, t), soit = (z − 1)λ et,
∂t n=1
G
» Z t –
comme G(0) = π0 (0) = 1, G(z, t) = exp (z − 1) λ(u)du . On reconnaı̂t bien là la fonction génératrice de la
0
Z t
loi de Poisson de paramètre Λ(t) = λ(u)du.
0

Pour la loi de T1 , P ([T1 > t]) = P ([Xt = 0]) = exp(−Λ(t)) = 1 − FT1 (t) pour t > 0. On a donc bien

fT1 (t) = λ(t) exp(−Λ(t)) pour t > 0 .

28
Chapitre 3

Processus de naissance et de mort

3.1 Généralités

Utilisés plus particulièrement en biologie, démographie, physique, sociologie, pour rendre

compte de l’évolution de la taille d’une population, les processus de naissance et de mort sont
des processus de Markov continus (T = IR+ ), à valeurs dans E = IN tels que les seules tran-
sitions non négligeables possibles à partir de k soient vers k + 1 ou vers k − 1. Le générateur
infinitésimal du processus est donc une matrice dite “tridiagonale” A = (ai,j )i,j∈IN vérifiant
ai,j = 0 si |i − j| ≥ 2.

On posera ak,k+1 = λk et ak,k−1 = µk pour k ≥ 1 ( et a0,1 = λ0 ) : λk représente le

taux de naissance à partir de l’état k et µk le taux de mort à partir de l’état k.
Les files d’attente de type Markovien (M/M) sont des cas particuliers très importants de
processus de naissance et de mort. Leur étude complète sera effectuée dans le chapitre 6.

 
−λ0 λ0 (0)
 µ1 −(λ1 + µ1 ) λ1 
 
 µ2 −(λ2 + µ2 ) λ2 

A= 
 .. .. 
 µ3 . . 

.. .. ..
(0) . . .

de graphe des taux :

λ0 λ1 λ2 λn
0 1 2 3 n n+1

µ1 µ2 µ3 µ n+1

Le graphe des taux de transition est constitué de “boudins”, les arcs vers la droite représentant
les taux de naissance, et ceux vers la gauche les taux de mort. Ces processus sont l’analogue
des “chemins aléatoires” dans le cas où l’échelle des temps est continue.

3.1.1 Régime transitoire

On rappelle que si P (t) = (pi,j (t)), où pi,j (t) = P ([Xu+t = j]/[Xu = i]), alors

+∞ k
t
P (t) = eAt = Ak .
k
k=0

29
 La loi de Xt est alors donnée, en théorie, par − →π (t) = −
→π (0)P (t). (On notera ici, par com-
→
−
modité d’écriture, π (t) = (πn (t))n∈IN , avec πn (t) = P ([Xt = n]).
Malheureusement, le calcul de eAt s’avère bien souvent très compliqué (puissances de ma-
trice, puis série à sommer!). On préfèrera, en général, garder l’expression différentielle, même si
celle-ci est souvent tout aussi difficile à résoudre.

Équations de Kolmogorov : On a →
−
π (t) = −
→
π (0)P (t) qui redonne, en dérivant,
−
→
π  (t) = −
→
π (0)P  (t) = −
→
π (0)P (t)A = −
→
π (t)A,


et donc πj (t) = πi (t)ai,j , qui donne ici le système suivant, dit d’équations de Kolmogorov :
i

π0 (t) = −λ0 π0 (t) + µ1 π1 (t)
.
πn (t) = λn−1 πn−1 (t) − (λn + µn )πn (t) + µn+1 πn+1 (t) pour n ≥ 1

3.1.2 Régime permanent

Lorsque, quand t → +∞, les limites πn = lim πn (t) existent et sont indépendantes de
t→+∞
→
− →
−
l’état initial du processus, on a alors π = 0 et −
→
−  →
π A = 0 i.e. − →
π est distribution stationnaire
du processus si le régime permanent existe. Ceci se traduit par les équations dites “de balance”

0 = −λ0 π0 + µ1 π1
0 = λn−1 πn−1 − (λn + µn )πn + µn+1 πn+1 pour n ≥ 1

que l’on retrouve en écrivant en chaque état l’égalité du flux entrant et du flux sortant :
• état 0 : µ1 π1 = λ0 π0 ;
• état 1 : µ2 π2 + λ0 π0 = µ1 π1 + λ1 π1 ;
..
.
• état n : µn+1 πn+1 + λn−1 πn−1 = µn πn + λn πn ;
..
.


+∞
auxquelles il faut ajouter l’équation πn = 1 pour que −→
π définisse bien une probabilité.
n=0
Ces équations se simplifient successivement pour donner finalement des égalités “boudins
par boudins” : 
 µ1 π1 = λ0 π0




 µ π = λ1 π1
 .2 2
.. .



 µ n π n = λn−1 π n−1


 ..
.
 
λ0 · · · λn−1

+∞
λ0 · · · λn−1
On en déduit alors πn = π0 pour n ≥ 1, avec π0 1 + = 1.
µ1 · · · µn µ1 · · · µn
n=1
3.2 Étude de quelques cas particuliers

On étudie ici les cas particuliers des populations où les taux de naissance et de mort sont
linéaires :

30
 λn = nλ + α
→ α représente le taux d’immigration : arrivées venant de l’extérieur. Il est supposé constant
(et donc indépendant du nombre d’individus déjà présents).
→ λ représente le taux de naissance : chaque individu est susceptible de donner naissance
à un nouvel individu avec le taux λ et s’il y a déjà n individus, la probabilité qu’il y ait une
naissance sur l’intervalle [t, t + h[ est alors nλh + o(h).

µn = nµ + β si n ≥ 1
→ β représente le taux d’émigration : départs vers l’extérieur. Il est supposé constant (sauf
s’il n’y a personne, auquel cas il est nul).
→ µ représente le taux de mort : chaque individu est susceptible de mourir avec le taux µ
et s’il y a déjà n individus, la probabilité qu’il y ait une mort sur l’intervalle [t, t + h[ est alors
nµh + o(h).

3.2.1 Croissance pure, par immigration

C’est le cas λn = α et µn = 0 pour tout n ∈ IN.


π0 (t) = −απ0 (t)
.
πn (t) = απn−1 (t) − απn (t) pour n ≥ 1

On retrouve les équations vérifiées par le processus de Poisson (Nt ) de paramètre α. En

(αt)n
particulier Xt suit la loi de Poisson P(αt) : πn (t) = e−αt .
n!
3.2.2 Croissance pure, par naissance

C’est le cas λn = nλ et µn = 0 pour tout n ∈ IN.

Ceci n’a de sens que si X0 ≥ 1. On supposera que X0 = 1 .

π0 (t) = 0
.
πn (t) = (n − 1)λπn−1 (t) − nλπn (t) pour n ≥ 1

Propriétés : Xt suit la loi géométrique G(e−λt ) : πn (t) = e−λt (1 − e−λt )n−1 .

Preuve : On peut trouver πn (t) par récurrence ascendante sur n (matrice A triangulaire supérieure !)
→ π0 (t) = 0 donc π0 (t) = π0 (0) = 0.
→ π1 (t) = −λπ1 (t) donc π1 (t) = Ce−λt avec C = π1 (0) = 1.

→ Supposons que πn−1 (t) = e−λt (1 − e−λt )n−2 pour n ≥ 2. On a

πn (t) + nλπn (t) = (n − 1)λe−λt (1 − e−λt )n−2 .

C’est une équation différentielle linéaire du premier ordre avec second membre donc, pour la résoudre, on
applique la méthode de la variation de la constante.
πn (t) = C(t)e−nλt avec C  (t)e−nλt = (n − 1)λe−λt (1 − e−λt )n−2 , soit

C  (t) = (n − 1)λe(n−1)λt (1 − e−λt )n−2

d “ λt ”
= (n − 1)λeλt (eλt − 1)n−2 = (e − 1)n−1
dt

31
donc C(t) − C(0) = (eλt − 1)n−1 et C(0) = pn (0) = 0 pour n ≥ 2. Finalement,

πn (t) = (eλt − 1)n−1 e−nλt = e−λt (1 − e−λt )n−1 .

Xt suit donc la loi géométrique de paramètre e−λt et, en particulier, IE(Xt ) = eλt

3.2.3 Décroissance pure, par décès

C’est le cas λn = 0 et µn = nµ pour tout n ∈ IN.

On suppose X0 = N ≥ 1. Ce modèle décrit l’évolution d’un système composé de N disposi-

tifs indépendants non réparables, dont les durées de fonctionnement obéissent à une même loi
exponentielle de paramètre µ (durée de vie moyenne 1/µ).
n −nµt
Dans ce cas, il est immédiat que πn (t) = CN e (1 − e−µt )N −n pour n ∈ {0, 1, · · · , N } .

En effet, la probabilité qu’un dispositif de durée de vie T fonctionne encore à l’instant t est
P ([T > t]) = e−µt (donc la probabilité qu’il ne fonctionne plus est (1 − e−µt )). Comme πn (t)
est la probabilité qu’il y ait exactement n dispositifs qui fonctionnent à l’instant t et qu’il y a
n
exactement CN façons de choisir les n qui fonctionnent, on a bien le résultat.

On peut le retrouver avec les équations de Kolmogorov :


πn (t) = −nµπn (t) + (n + 1)µπn+1 (t) pour n ∈ {0, 1, · · · , N − 1}
 .
πN (t) = −N µπN (t)

Propriétés : Xt suit la loi binomiale B(N, e−µt ) : πn (t) = CN

n −nµt
e (1 − e−µt )N −n .

Preuve : On peut trouver πn (t) par récurrence descendante sur n (matrice A triangulaire inférieure !)

→ πN (t) + N µπN (t) = 0 donc πN (t) = Ce−Nµt avec C = πN (0) = 1.
n+1 −µt n+1
→ Supposons maintenant que πn+1 (t) = CN (e ) (1 − e−µt )N−n−1 pour n ∈ {1, · · · , N − 1}. On a

πn (t) + nµπn (t) = (n + 1)µCN

n+1 −µt n+1
(e ) (1 − e−µt )N−n−1 .

On applique la méthode de la variation de la constante : πn (t) = C(t)e−nµt avec

N!
C  (t) = enµt × (n + 1)µ e−(n+1)µt (1 − e−µt )N−n−1
(n + 1)!(N − n − 1)!
n −µt d “ n ”
= (N − n)µCN e (1 − e−µt )N−n−1 = CN (1 − e−µt )N−n
dt
n
donc C(t) − C(0) = CN (1 − e−µt )N−n avec C(0) = πn (0) = 0 pour n < N et
n −nµt
πn (t) = CN e (1 − e−µt )N−n .

Xt suit donc la loi binomiale B(N, e−µt ) et, en particulier, IE(Xt ) = N e−µt .

3.2.4 Processus de Yule-Ferry

C’est le cas λn = nλ et µn = nµ pour tout n ∈ IN.


π0 (t) = µ1 π1 (t)
.
πn (t) = (n − 1)λπn−1 (t) − n(λ + µ)πn (t) + (n + 1)µπn+1 (t) pour n ≥ 1

32
 Dans ce cas, la matrice A n’est plus triangulaire et les πn (t) sont plus difficiles à déterminer.
On peut toutefois déterminer IE(Xt ) dans un cadre un peu plus général (autorisant l’immigration
mais pas l’émigration :

Propriétés : Si λn = nλ + α et µn = nµ et si X0 = N , alors

αt + N si λ = µ
M (t) = IE(Xt ) = α  (λ−µ)t
Ne (λ−µ)t
+ e −1 si λ = µ
λ−µ

Preuve : On écrit les équations de Kolmogorov :

 
π0 (t) = −απ0 (t) + µπ1 (t)
.
πn (t) = ((n − 1)λ + α)πn−1 (t) − (n(λ + µ) + α)πn (t) + (n + 1)µπn+1 (t) pour n ≥ 1
X
+∞ X
+∞
On pose G(s, t) = IE(sXt ) = sn πn (t). On a alors ∂2 G(s, t) = sn πn (t) qui s’écrit ici :
n=0 n=0

X
+∞
∂2 G(s, t) = −απ0 (t) + µπ1 (t) + sn [((n − 1)λ + α)πn−1 (t) − (n(λ + µ) + α)πn (t) + (n + 1)µπn+1 (t)]
n=1

X
+∞ X
+∞ X
+∞
= −αp0 (t) + µπ1 (t) + sn+1 (nλ + α)πn (t) − (n(λ + µ) + α)sn πn (t) + nµsn−1 πn (t)
n=0 n=1 n=2

X
+∞ X
+∞
avec sn+1 (nλ + α)πn (t) = s2 λ nsn−1 πn (t) + αsG(s, t) = s2 λ∂1 G(s, t) + αsG(s, t),
n=0 n=1

X
+∞
(n(λ + µ) + α)sn πn (t) = s(λ + µ)∂1 G(s, t) + αG(s, t) − απ0 (t),
n=1

X
+∞
nµsn−1 πn (t) = µ∂1 G(s, t) − µ1 π1 (t)
n=2

2
d’où finalement ∂2 G(s, t) = (s λ − s(λ + µ) + µ)∂1 G(s, t) + α(s − 1)G(s, t) .

Cette équation se résout grâce à la théorie des équations aux dérivées partielles mais l’étude de ce type de
problèmes n’est pas à l’ordre du jour et on va ici se contenter d’en déduire la taille moyenne de la population à
l’instant t :M (t) = IE(Xt ).

X
+∞
On remarque que M (t) = nπn (t) = ∂1 G(1− , t) et on va trouver une équation différentielle linéaire du
n=1
premier ordre dont M est solution. Pour cela, on dérive l’équation précédente par rapport à s et on prend la
limite quand s → 1− :

∂1 ∂2 G(s, t) = (2sλ − (λ + µ))∂1 G(s, t) + (s2 λ − s(λ + µ) + µ)∂12 G(s, t) + αG(s, t) + α(s − 1)∂1 G(s, t)

Or ∂1 G(1− , t) = M (t), ∂1 ∂2 G(1− , t) = ∂2 ∂1 G(1− , t) = M  (t) et G(1− , t) = 1 donnent :

M  (t) = (λ − µ)M (t) + α .

• Si λ = µ, M  (t) = α et M (t) = αt + N car M (0) = N .

• Si λ = µ, l’équation sans second membre a pour solution Ce(λ−µ)t et une solution particulière de l’équation
α α α
complète est − donc M (t) = Ce(λ−µ)t − avec M (0) = N = C − et finalement
λ−µ λ−µ λ−µ

α “ (λ−µ)t ”
M (t) = N e(λ−µ)t + e −1 .
λ−µ

33
 3.2.5 Cas particuliers à taux non linéaires

[1]Un modèle logistique : On considère une population dont la taille Xt est comprise entre 2
entiers N1 et N2 et dont les taux de naissance et de mort par individu sont

λ = α(N2 − Xt ) et µ = β(Xt − N1 )

(plus il y a de monde, plus le taux de naissance est faible et le taux de mort fort ; moins il y a
de monde, plus le taux de naissance est fort et le taux de mort faible : les individus ont besoin
de place pour se développer !).
On suppose que les membres de cette population agissent indépendamment les uns des autres.
Les taux de naissance et de mort résultant pour la population sont alors

λn = nα(N2 − n) et µn = nβ(n − N1 ).

Propriétés : Un tel processus admet une distribution stationnaire définie par :

 k
C α
pN1 +k = Ck pour k ∈ {0, · · · , N2 − N1 }
N1 + k N2 −N1 β
 
2 −N1
N
 j −1
1 α 
avec C =  j
CN 2 −N1
.
N1 + j β
j=0

Preuve : On pose πk = pN1 +k on on écrit les équations de “balance” :

λm−1 πm−1 = µm πm pour m ∈ {N1 + 1, · · · , N2 }.
Avec m = N1 + k, on a λm = α(N1 + k)(N2 − N1 − k) et µm = βk(N1 + k). Ainsi, on a :

α N1 (N2 − N1 )
π1 = π0
β «
„ 1(N1 + 1) „ «2
α N1 (N1 + 1)(N2 − N1 )(N2 − N1 − 1) α N1
π2 = π0 = C2 π0
β 1.2.(N1 + 1)(N1 + 2) β N1 + 2 N2 −N1
..
.
„ «k „ «k
α N1 (N1 + 1) · · · (N1 + k − 1)(N2 − N1 ) · · · (N2 − N1 − k + 1) α N1
πk = π0 = Ck π0
β k!(N1 + 1) · · · (N1 + k) β N1 + k N2 −N1
puis on détermine π0 en utilisant π0 + π1 + · · · + πN2 −N1 = 1.

[2]Un modèle génétique : On considère ici une population composée de N individus qui ont,
soit un gène type a ou un gène type A. L’état du processus Xt représente le nombre d’individus
a à l’instant t. On suppose que la probabilité que l’état change pendant l’intervalle de temps
[t, t + h[ est λh + o(h) indépendante des valeurs de Xt et que la probabilité que 2 changements
ou plus se produisent pendant un tel intervalle est o(h).
Les changements dans la structure de la population s’effectuent de la façon suivante : un
individu sera remplacé par un autre choisi au hasard dans la population ; c’est-à-dire que, si
Xt = n, on choisira pour être remplacé un type a avec la probabilité n/N et un type A avec la
probablité 1 − n/N . On parlera de cette étape comme de la mort. Ensuite, la naissance prend
place suivant la règle ci dessous :
un autre choix est fait au hasard dans la population pour déterminer le type du nouvel
individu remplaçant de celui qui est mort. Le modèle suppose que le type du nouvel individu

34
soit altéré au cours de la naissance. De façon plus précise, soit γ1 la probabilité qu’un type a
donne par mutation un type A et γ2 la probabilité qu’un type A donne par mutation un type
a. La probabilité que le nouvel individu ajouté à la population soit de type a est
n  n
(1 − γ1 ) + 1 − γ2
N N
(on choisit un type a et il reste a ou bien on choisit un type A qui change).

Le taux de naissance correspondant à une augmentation d’une unité des individus de type
a, on doit avoir disparition d’un type A et apparition d’un type a soit
 n  n  n 
λn = λ 1 − (1 − γ1 ) + 1 − γ2 .
N N N

De même, la probabilité que le nouvel individu ajouté à la population soit de type A est
n  n
γ1 + 1 − (1 − γ2 )
N N
(on choisit un type a et il change ou bien on choisit un type A qui reste A).

Le taux de mort correspondant à une diminution d’une unité des individus de type a, on
doit avoir disparition d’un type a et apparition d’un type A soit

n n  n 
µn = λ γ1 + 1 − (1 − γ2 ) .
N N N

3.3 Problème de l’extinction de l’espèce

Lorsque l’on étudie une population telle que λ0 = 0 (quand il n’y a plus personne, c’est
définitif !), on peut chercher la probabilité qu’elle a de disparaı̂tre un jour, et, si elle doit
disparaı̂tre, le temps qu’elle va mettre pour disparaı̂tre. On est donc conduit à considérer les
probabilités :
→ ak : probabilité d’extinction de l’espèce si la taille initiale est k ;
ainsi que les variables aléatoires :
→ Tk : temps écoulé jusqu’à l’extinction de l’espèce si la taille initiale est k.

On est dans le cas, où, si Xt = 0, alors Xτ = 0 pour τ ≥ t et

P ([Tk ≤ t]) = P [X0 =k] ([Xt = 0]) = pk,0(t).

La fonction de répartition de Tk est donc FTk : t

→ Pk,0 (t) = π0 (t) , où π0 est déterminé par
les équations de Kolmogorov, avec la condition initiale πk (0) = 1.
De plus, ak = P ([Tk < +∞]) = lim P [X0 =k] ([Xt = 0]) .
t→+∞

En pratique, la détermination du régime transitoire est bien souvent compliquée : ainsi, on

se contentera parfois, à défaut d’avoir la loi de Tk , de déterminer τk = IE(Tk ) : temps moyen
jusqu’à l’extinction, lorsque la taille initiale est k.

35
 Pour la détermination de ak , on considèrera la chaı̂ne de Markov induite telle qu’on l’a
λn
définie dans le chapitre sur les processus de Markov. On a ici pn,n+1 = = pn et
λn + µn
µn
pn,n−1 = = qn et 0 est une classe absorbante, alors que IN∗ constitue une classe transi-
λn + µn
toire.

On a alors les résultats suivants :

q1 · · · qj µ1 · · · µj λ1 · · · λj−1 1
Théorème : On pose dj = = et ρj = = .
p1 · · · pj λ1 · · · λj µ1 · · · µj dj λj
• La probabilité d’extinction à partir de la taille initiale k est :
 +∞
 

 dj



+∞
 j=k
si dj converge
ak = 
+∞ .

 1 + d j=1


j

 j=1
1 sinon

• Le temps moyen jusqu’à l’extinction est :

 +∞

ρ +
d
ρ

k−1 +∞ +∞

j i j si ρj converge
τk = .

 j=1 i=1 j=i+1 j=1
+∞ sinon

Preuve : La probabilité d’extinction, c’est-à-dire d’absorption par l’état 0, est déterminée en détail dans l’exercice
qui suit :

Exercice : Un joueur décide de faire des paris jusqu’à qu’il soit ruiné ou bien qu’il ait atteint N euro. S’il dispose
de j euro quand il effectue un pari, alors, à ce pari, il gagne 1 euro avec la probabilité pj ou bien il perd 1 euro avec la
(n)
probabilité qj = 1 − pj . On note ak la probabilité de finir ruiné avec une fortune initiale de k euro et ak la probabilité
de finir ruiné en n paris.

a) Modéliser le problème par une chaı̂ne de Markov et faire le graphe correspondant.

b) Déterminer aN et a0 .
c) Montrer que :
(1) (n) (n−1)
• a1 = q1 et a1 = p1 a2 si n ≥ 2 ;
(1) (n) (n−1) (n−1)
• pour j ≥ 2, aj = 0 et aj = pj aj+1 + qj aj−1 si n ≥ 2.

d) En déduire que :
• a1 = q1 + p1 a2 et aj = pj aj+1 + qj aj−1 si j ≥ 2, puis
• pj (aj − aj+1 ) = qj (aj−1 − aj ) pour 1 ≤ j ≤ N − 1 ;
q1 · · · qj
• aj − aj+1 = dj (a0 − a1 ) pour 1 ≤ j ≤ N − 1, si on pose dj = .
p1 · · · pj
X
N−1 X
N−1
e) Vérifier que ak = (aj − aj+1 ) pour 1 ≤ k ≤ N − 1 et que 1 = (aj − aj+1 ), et en déduire que
j=k j=0
P
N−1
dj
j=k
ak = .
P
N−1
1+ dj
j=1

f) En déduire, en faisant N → +∞, la probabilité de ruine du joueur.

36
 a) Le processus est bien invariant dans le temps et la connaissance du processus à un instant suffit pour
déterminer la probabilité d’occupation d’un état à l’instant suivant. On a bien une chaı̂ne de Markov, de matrice
de transition P = (pi,j ) où pi,i+1 = pi , pi,i−1 = qi et pi,j = 0 si |i − j| = 1 .

b) aN = 0 et a0 = 1 .

(1) (n) (n−1)

c) • a1 = q1 (passage de 1 à 0 en 1 étape) et a1 = p1 a2 si n ≥ 2 car alors, on est obligé de
commencer par un passage de 1 à 2 pour ne pas être absorbé directement ; il faudra ensuite n − 1 étapes pour
passer de 2 à 0.

(1)
• pour j ≥ 2, aj = 0 car on ne peut pas passer directement de j à 0.
(n)
Pour déterminer aj , on décompose en 2 cas suivant le premier déplacement : soit on commence par passer
de j à j + 1 (avec la probabilité pj ), soit on commence par passer de j à j − 1 (avec la probabilité qj ) ; il restera
(n) (n−1) (n−1)
alors n − 1 déplacements à effectuer pour se rendre en 0 et aj = pj aj+1 + qj aj−1 si n ≥ 2 .

X
+∞
(n)
d) • Il faut maintenant utiliser aj = aj :
n=1
(1)
X (n)
X (n−1)
a1 = a1 + a1 = q1 + p1 a2 , soit a1 = q1 + p1 a2 .
n≥2 n≥2
(1)
X (n)
X (n−1)
X (n−1)
De même, si j ≥ 2, aj = aj + aj = pj aj+1 + qj aj−1 , d’où aj = pj aj+1 + qj aj−1 si j ≥ 2 .
n≥2 n≥2 n≥2

• On a alors, comme aj = (pj +qj )aj , pj (aj − aj+1 ) = qj (aj−1 − aj ) pour 1 ≤ j ≤ N − 1 (car aj = pj aj+1 +
qj aj−1 est encore vrai pour j = 1 puisque a0 = 1).
qj q1 q2 q1
• aj − aj+1 = (aj−1 − aj ) donne a1 − a2 = (a1 − a0 ), puis a2 − a3 = (a1 − a0 ) et de proche en
pj p1 p2 p1
q1 · · · qj
proche, aj − aj+1 = dj (a0 − a1 ) pour 1 ≤ j ≤ N − 1, si on pose dj = .
p1 · · · pj
X
N−1
e) (aj − aj+1 ) est une “somme télescopique” : tout se simplifie sauf le premier et le dernier terme qui
j=k

X
N−1
vaut aN = 0 et donc (aj − aj+1 ) = ak pour 1 ≤ k ≤ N − 1 .
j=k

X
N−1
Le principe reste le même si l’on part de j = 0. On a alors (aj − aj+1 ) = a0 − aN = 1 .
j=0

P
N−1
(aj − aj+1 )
j=k
Ainsi ak = et, comme (aj − aj+1 ) = dj (a0 − a1 ) pour j ≥ 1, on a bien, en simplifiant
P
N−1
(aj − aj+1 )
j=0

P
N−1
dj
j=k
numérateur et dénominateur par (a0 − a1 ), on a bien ak = .
P
N−1
1+ dj
j=1

f) Si le joueur n’arrête que lorsqu’il est ruiné, cela revient à considérer que N → +∞ et on a alors

P
+∞
dj
j=k X
+∞
ak = si dj converge.
P
+∞
1+ dj j=1
j=1

37
 Pour le temps moyen d’absorption, on procède de même. On rappelle que le temps moyen de séjour dans un
1
état j est , car la distribution de ce temps suit la loi exponentielle E (λj + µj ).
λi + µi
En considérant les états j + 1 et j − 1 qui peuvent résulter de la première transition, on a alors :
1 λj µj
τj = + τj+1 + τj−1 pour j ≥ 1 (3.1)
λj + µj λj + µj λj + µj
où par convention τ0 = 0. En posant zj = τj − τj+1 et en réordonnant (3.1) on obtient :
1 µj
zj = + zj−1 pour j ≥ 1. (3.2)
λj λj
En itérant cette relation, il vient
1 µk 1 µk µk−1
zk = + + zk−2 · · ·
λk λk λk−1 λk λk−1
... et on termine en suivant exactement la même démarche que dans l’exercice précédent.

38
Chapitre 4

Processus de ramification
Utilisé plus particulièrement en démographie, en génétique ou en physique nucléaire, c’est le
modèle mathématique représentant le développement dans le temps d’une polulation.
Chaque individu génère, indépendamment des autres, un nombre aléatoire de descendants.

Xt est le nombre d’individus total à l’instant t dans le cas d’un processus continu (espace
des temps T = IR+ ) ; dans le cas discret (T = IN), Xn est le nombre total d’individus à la nième
génération.

Les hypothèses :
→ que les individus agissent indépendamment les uns des autres ;
→ que la durée de vie d’individus de même type est la même ou suit la même loi ;
→ que la loi de reproduction est indépendante de l’époque et du nombre d’individus exis-
tants ;
entraı̂nent que le processus (Xt )t≥0 (ou (Xn )n∈IN ) est markovien.

Problèmes qui se posent :

• Déterminer la loi de Xt ;
• Connaı̂tre la taille moyenne de la population à l’instant t (et éventuellement, la dispersion
autour de cette valeur moyenne) (moins précis, mais plus parlant que la loi)
• Existe-t-il une probabilité non nulle d’extinction de l’espèce ?

Pour déterminer la loi de Xt , on exprimera en général sa fonction génératrice, qui la carac-

térise, et qui est définie par :


+∞
GXt (s) = sj P ([Xt = j]) = IE(sXt ).
j=0

+∞
On notera G(s, t) = IE[X0 =1] (sXt ) = sj p1,j (t) .
j=0

Rappel sur les fonctions génératrices :

Si X est une variable aléatoire à valeurs dans IN, on pose :

+∞
GX (s) = sk P ([X = k]).
k=0

+∞
GX est une série entière de rayon ≥ 1 car GX (1) = P ([X = k]) = 1.
k=0
La fonction génératrice caractérise la loi. Lorsqu’elle a été déterminée, il est alors très facile
de déterminer l’espérance et la variance de X. En effet,

IE(X) = lim GX (s) = GX (1− ) et var(X) = GX (1− ) + GX (1− ) − (GX (1− ))2 .
s→1−

39
De plus, si X et X  sont deux variables aléatoires indépendantes à valeurs dans IN, on a

GX+X  (s) = GX (s) × GX  (s).

Le processus de ramification (Xt )t≥0 (discret ou continu) étant un processus de Markov, on

a la relation fondamentale suivante :

Théorème : G(s, t + τ ) = G(G(s, τ ), t). .

X
+∞
Preuve : G(s, t + τ ) = sj p1,j (t + τ ).
j=0
Mais, comme (Xt )t≥0 est Markovien, on a P (t + τ ) = P (t)P (τ ) et

X
+∞ X
+∞ X
+∞ X
+∞ X
+∞ X
+∞
sj p1,j (t + τ ) = sj p1,k (t)pk,j (τ ) = p1,k (t) sj pk,j (τ ) = p1,k (t)IE[X0 =k] (sXτ )
j=0 j=0 k=0 k=0 j=0 k=0

Mais, si X0 = k, Xτ = Xτ,1 + · · · + Xτ,k où Xτ,i représente le nombre de descendants au temps τ du i-ième
individu initial. Les Xτ,i étant k variables indépendantes de même loi, on a alors IE[X0 =k] (sXτ ) = G(s, τ )k , puis

X
+∞
G(s, t + τ ) = G(s, τ )k p1,k (t) = G(G(s, τ ), t).
k=0

4.1 Processus discret à 1 type

Exemples :
a) Survivance des noms de famille
On suppose que seuls les hommes conservent et transmettent leur nom.

b) Multiplicateur à électrons
On dresse sur la trajectoire d’un électron une série de plaques : lorsque l’électron rencontre une
plaque, il engendre un nombre aléatoire de nouveaux électrons.

On note Xn le nombre d’individus à la n-ième génération.

Si Y est le nombre de descendants directs d’un individu, on note G la fonction génératrice

de Y et on définit Gn par récurrence en posant

G1 = G et pour tout n ≥ 1, Gn+1 = Gn ◦ G = G ◦ Gn .

On pose également

m = IE(Y ) et σ 2 = var(Y ).

 
Théorème : IE[Xr =k] sXr+n = (Gn (s))k .
“ ” “ ”
Preuve : Grâce à l’homogénéité dans le temps, on a IE[Xr =k] sXr+n = IE[X0 =k] sXn = G(s, n)k .
Mais G(s, 1) = G(s) = G1 (s) et, si G(s, n) = Gn (s), d’après la relation fondamentale,

G(s, n + 1) = G(G(s, n), 1) = G(Gn (s)) = Gn+1 (s) ;

40
c’est donc bien que G(s, n) = Gn (s) pour tout n ≥ 1.

Conséquences :

[1] IE[Xr =k] (Xn+r ) = kmn .


 mn − 1
si m = 1
σ 2 mn−1
[2] Si X0 = 1, alors IE(Xn ) = mn et var(Xn ) = m−1 .
 nσ 2 si m = 1

(Ceci se démontre par récurrence, en dérivant une, puis deux fois Gn+1 = Gn ◦ G comme une fonction com-
posée et en prenant la valeur en s = 1.)

Interprétation de [2] :
• si m < 1, IE(Xn ) → 0, var(Xn ) → 0 : moyenne de plus en plus significative ;
• si m > 1, IE(Xn ) → +∞, var(Xn ) → +∞ : moyenne peu significative ;
• si m = 1, IE(Xn ) = 1, var(Xn ) → +∞ : beaucoup de familles disparaissent, d’autres
prolifèrent énormément.

Probabilité d’extinction :
On désire déterminer la probabilité que la population finisse par disparaı̂tre. Pour cela, il
faut supposer que P ([Y = 0]) ∈]0, 1[, car, si P ([Y = 0]) = 1, la population est sûre de disparaı̂tre
et si P ([Y = 0]) = 0, il n’y aura jamais extinction.

Théorème : Soit π0 = lim P ([Xn = 0]). Alors π0 = 1 si et seulement si m ≤ 1 (c’est-à-dire

n→+∞
GY (1) ≤ 1) et, si m > 1, π0 est la plus petite solution positive de G(s) = s.

Preuve : π(n)0 = P ([Xn = 0]) = Gn (0) si X0 = 1.

Si Xn = 0, alors Xn+1 = 0, donc Gn (0) ≤ Gn+1 (0) et (π(n)0 )n est croissante et majorée par 1, donc converge
vers une limite π0 .
D’autre part, π(n + 1)0 = Gn+1 (0) = G(Gn (0)) = G(π(n)0 ) et, comme G est continue, π0 = G(π0 ) par
passage à la limite.

Si s0 est le plus petit point fixe de G positif, on a 0 ≤ s0 donc, par croissance de G, G(0) ≤ G(s0 ) = s0 , et
par applications successives de G, Gn (0) ≤ s0 et, par passage à la limite, π0 ≤ s0 , donc π0 = s0 car π0 est un
point fixe positif de G.

4.2 Processus permanent à 1 type

Le processus de ramification traité précédemment est limité en ce sens que les instants de
génération sont fixes. Bien que certains phénomènes, en particulier des essais expérimentaux,
la généalogie ou la génétique, s’adaptent à cette situation, la plupart des processus reproductifs
naturels se produisent de façon continue dans le temps. Il est donc intéressant d’établir une
version à temps continu des processus de ramification.

Soit Xt le nombre d’individus à l’instant t : (Xt )t≥0 est un processus de Markov continu.

41
On pose pkj (t) = P [Xu =k] ([Xu+t = j]). On a alors

p11 (h) = 1 + a11 h + o(h) et p1j (h) = a1j h + o(h) si j = 1,

avec a11 ≤ 0, a1j ≥ 0 pour j = 1 et a1j = 0. On posera, pour simplifier, a1j = aj .
  j


On a P [Xt =1] ([Xt+h  1]) = 
= ak  h+ o(h) et ainsi, un individu “vit” un temps exponen-
k=1


tiel E( ak ) avant de se transformer (on dit qu’il se transforme au temps t, si à cet instant, on
k=1
obtient 0 ou bien un nombre ≥ 2 d’individus). On peut ainsi considérer qu’un individu produit,
à la fin de sa vie, un nombre D de descendants, avec D à valeurs dans IN \ {1} (D = 1 n’est pas
pris en compte car seules les variations de la taille de la population importent). La loi de D est
donnée par
aj
P ([D = j]) =  pour j ∈ IN \ {1}.
ak
k=1

On a alors, si j = 1, P [Xt =n] ([Xt+h = n − 1 + j]) = naj h + o(h) car le changement ne peut
venir que de l’un des n individus et celui-ci est alors remplacé par j nouveaux individus.

Remarque : Si a0 = µ, a1 = −λ − µ, a2 = λ et ak = 0 pour k ≥ 3, on retrouve un processus de

naissance et de mort à croissance et décroissance linéaires.

+∞
On pose u(s) = aj sj : u est parfois appelée fonction génératrice instantannée. Alors :
j=0
Théorème : On a les équations aux dérivées partielles suivantes :
 
∂2 G(s, τ ) = u(G(s, τ )) ∂2 G(s, t) = u(s)∂1 (G(s, t))
(4.1) et (4.2) .
G(s, 0) = s G(s, 0) = s

Preuve : On part de la relation fondamentale G(s, t + τ ) = G(G(s, τ ), t) et du développement limité, pour une
courte période h :
X
+∞
G(s, h) = sj p1j (h) = s + u(s)h + o(h).
j=0

• En prenant t = h, on a alors :
G(s, τ + h) = G(G(s, τ ), h) = G(s, τ ) + u(G(s, τ ))h + o(h), puis :

∂2 G(s, τ ) = u(G(s, τ )).

• En prenant τ = h, on a également :
G(s, t + h) = G(s + u(s)h + o(h), t) = G(s, t) + u(s)h∂1 G(s, t) + o(h), puis :

∂2 G(s, t) = u(s)∂1 G(s, t).

On en déduit en particulier :

42
Théorème : Le nombre moyen d’individus à l’instant t en partant de 1 est :

IE[X0 =1] (Xt ) = eu (1)t
Preuve : En dérivant la première équation de (4.2) par rapport à s, on obtient :

∂1 ∂2 G(s, t) = u(s)∂12 G(s, t) + u (s)∂1 G(s, t)

puis, avec s = 1, et en utilisant u(1) = 0,

∂1 ∂2 G(s, t) = ∂2 ∂1 G(1, t) = u (1)∂1 G(1, t).

Or on a m(t) = ∂1 G(1, t), donc m (t) = ∂2 ∂1 G(1, t) = u (1)m(t), puis m(t) = Ceu (1)t et, comme m(0) = 1, on
obtient C = 1 d’où le résultat.

2
Interprétation :
• si u (1) < 0, alors mt → 0 (c’est l’analogue de m < 0) ;
• si u (1) = 0, alors mt = 1 pour tout t ;
• si u (1) > 0, alors mt → +∞.

Probabilité d’extinction :

Théorème : Soit π0 = lim P ([Xt = 0]). Alors π0 = 1 si et seulement si u (1) ≤ 0 ; π0 est la

t→+∞
plus petite solution positive de u(s) = 0.

Preuve : π0 (t) = P ([Xt = 0]) = G(0, t) si X0 = 1.

Si Xt = 0, alors pour τ ≥ t, Xτ = 0 et π0 (t) ≤ π0 (τ ) donc t → π0 (t) est une fonction croissante et majorée
par 1 ; elle admet une limite π0 en +∞.

π0 = lim G(0, t) = lim G(0, t + τ ) = lim G(G(0, t), τ ) = G(π0 , τ )

t→+∞ t→+∞ t→+∞

par continuité de G. Ainsi, G(π0 , τ ) est indépendant de τ et ∂2 G(π0 , τ ) = 0.

Par la relation (4.2), on a alors u(π0 )∂1 G(π0 , τ ) = 0 pour tout τ . En particulier, pour τ = 0, G(s, 0) =
IE[X0 =1] (sX0 ) = s, donc ∂1 G(s, 0) = 1 et u(π0 ) = 0.
Si s0 est la plus petite solution de u(s) = 0 dans [0, 1], alors G(s0 , τ ) est indépendant de τ , car ∂2 G(s0 , τ ) = 0.
Donc G(s0 , τ ) = G(s0 , 0) = s0X.
De plus, s → G(s, t) = sj p1,j (t) est croissante, donc G(0, τ ) ≤ G(s0 , τ ) = s0 pour tout τ , donc, par
j
passage à la limite quand τ → +∞, π0 ≤ s0 , donc π0 = s0 car π0 ∈ [0, 1] et u(π0 ) = 0.

4.3 Processus discret à 2 types

Dans une population, on considère une caractéristique permettant de classer les individus en
2 types (par exemple, les gauchers et les droitiers chez les humains). Chaque individu de type
(1) peut donner naissance à des individus de type (1) et de type (2) et chaque individu de type
(2) peut donner naissance à des individus de type (1) et de type (2).
À chaque instant n, on s’intéresse, non seulement à la taille de la population, mais aussi au
nombre d’individus de type (1) et de type (2).
On suppose qu’un individu de type (1) génére, à la fin d’une période donnée, un nombre
aléatoire Y (1) de descendants de type (1), un nombre aléatoire Y (2) de descendants de type (2),
et qu’un individu de type (2) génère, à la fin d’une même période, un nombre aléatoire Z (1)
de descendants de type (1), un nombre aléatoire Z (2) de descendants de type (2). On suppose
également, comme pour les processus à 1 type :

43
 → que les individus agissent indépendamment les uns des autres ;
→ que la durée de vie de chaque individu est la même.

On note Xn = (Xn(1) , Xn(2) ) le nombre d’individus à la n-ième génération.

 
(i) (i) (i) (i) (i)
Si Xn = (k1 , k2 ), alors Xn+1 = Y1 + · · · + Yk1 + Z1 + · · · + Zk2 pour i ∈ {1, 2}. On
a alors
p(k1 ,k2)(j1 ,j2 ) (n) = P [Xm =(k1 ,k2 )] ([Xm+n = (j1 , j2 )]).
(i)
On pose alors e1 = (1, 0), e2 = (0, 1) et pour i ∈ {1, 2}, p(j1 ,j2) = pei ,(j1 ,j2 ) (1) (probabilité
qu’un individu de type (i) ait j1 rejetons de type (1) et j2 rejetons de type (2).
On définit également :
 (1) (2) 
 
(1) (2)
(i) [X0 =ei ] X1 X1 j1 j2 (i) (i) [X0 =ei ] Xn Xn
G (s1 , s2 ) = IE s1 s2 = s1 s2 p(j1 ,j2 ) et Gn (s1 , s2 ) = IE s1 s2 .
j1 ,j2

Théorème :
   k1  k2
j j
(1) (2)
IE [X0 =(k1 ,k2 )]
sX
1
n
sX
2
n
= G(1)
n (s ,
1 2s ) G(2)
n (s ,
1 2s ) = s11 s22 p(k1 ,k2 )(j1 ,j2 ) (n).
j1 ,j2

La fonction génératrice détermine entièrement la loi et permet, en particulier, d’en déduire

la taille moyenne de la population à la n-ième génération.
Pour cela, on pose M = (mij ), où mij désigne le nombre moyen de rejetons de type (j) d’un
individu de type (i), c’est-à-dire :
(j)
mij = IE[X0 =ei ] (X1 ) = ∂j G(i) (1, 1).

On a alors :

(1) (2)
Théorème : IE[Xr =(k1 ,k2)] (Xn+r , Xn+r ) = (k1 , k2 )M n .

Probabilité d’extinction :

(1) (2) (i)

Théorème : Soit π0 = (π0 , π0 ) où π0 = lim P [X0 =ei ] ([Xn = (0, 0)]) et soit ρ la valeur
n→+∞
propre de plus grande valeur absolue de M = (mij ).Alors π0 = (1, 1) si et seulement si ρ ≤ 1
s1 = G(1) (s1 , s2 )
et si ρ > 1, π0 est la plus petite solution positive de .
s2 = G(2) (s1 , s2 )

4.4 Processus permanent à 2 types

Dans cette partie, on généralise à la fois le passage du discret au continu, et le passage de 1

type à 2 types. Les notations, bien que lourdes, demeurent cohérentes.
(i)
Ainsi, on notera Xt le nombre d’individus de type (i) à l’instant t, e1 = (1, 0), e2 = (0, 1).
On note également :
(i)
p(k1 ,k2 )(j1 ,j2 ) (t) = P [Xu =(k1 ,k2 )] ([Xu+t = (j1 , j2 )]) et pei ,(j1 ,j2 ) (t) = p(j1 ,j2) (t).

44
 (i) (i) (e )
ei ≤ 0, a(j1 ,j2 ) ≥ 0 sinon, et
i
On suppose que p(j1 ,j2 ) (h) = δei ,(j1 ,j2 ) + a(j1 ,j2 ) h + o(h) avec a(i)

(e )
a(j1i ,j2) = 0, c’est-à-dire que chaque individu de type (i) donne naissance, pendant [t, t + h[
j1 ,j2
à j1 rejetons de types (1) et j2 rejetons de type (2) avec la probabilité
(i) (i)
p(j1 ,j2) (h) = δei ,(j1 ,j2 ) + a(j1 ,j2 ) h + o(h).

j j (i)
On pose encore u(i) (s1 , s2 ) = s11 s22 a(j1 ,j2) les fonctions génératrices instantannées, et
 (1) (2)

j1 ,j2


Xt Xt (i)
(i)
G (s1 , s2 , t) = IE [X0 =ei ]
s1 s2 = sj11 sj22 p(j1 ,j2) (t). On a alors :
j1 ,j2
 (1) (2)
  k1  k2
j j
X X
IE[X0 =(k1 ,k2 )] s1 t s2 t = G(1) (s1 , s2 , t) G(2) (s1 , s2 , t) = s11 s22 p(k1 ,k2 )(j1 ,j2 ) (t).
j1 ,j2

On a ici encore, du fait que (Xt ) est un processus de Markov, la relation fondamentale :

Théorème : G(i) (s1 , s2 , t + τ ) = G(i) G(1) (s1 , s2 , τ ), G(2) (s1 , s2 , τ ), t

dont on peut déduire, exactement comme dans le cas à 1 type, les équations aux dérivées
partielles suivantes :
 
∂3 G(i) (s1 , s2 , τ ) = u(i) G(1) (s1 , s2 , τ ), G(2) (s1 , s2 , τ )
(1) .
G(i) (s1 , s2 , 0) = si

∂3 G(i) (s1 , s2 , t) = u(1) (s1 , s2 )∂1 G(i) (s1 , s2 , t) + u(2) (s1 , s2 )∂2 G(i) (s1 , s2 , t)
(2) ;
G(i) (s1 , s2 , 0) = si

Exemples

a)Processus de ramification avec immigration

On considère ici que P [Xt =0] ([Xt+h = j]) = δ0,j + bj h + o(h) avec b0 ≤ 0 et les autres bj ≥ 0.
Plus précisemment, on note :
• bj le taux d’immigration de j individus ;
• aj le taux de naissance de j individus.

Pour résoudre ce genre de problème, on considère 2 types d’individus : les réels et les fictifs,
et on s’intéressera évidemment à la taille de la population réelle. (Les fictifs constituent la
population qui nous envoie les immigrés. On peut considérer qu’elle est constituée d’un seul
individu, pouvant produire un nombre quelconque de rejetons). On pose alors :
 
(1) 0 si j2 = 0 (2) 0 si j2 = 1
aj1 ,j2 = et aj1 ,j2 = .
aj1 si j2 = 0 bj1 si j2 = 1



On en déduit, si u(s) = aj sj et v(s) = bj sj :
j j

(1)


u(1) (s1 , s2 ) = sj11 sj22 aj1 ,j2 = sj11 aj1 = u(s1 ) ;
j1 ,j2 j1

45

(2)


u(2) (s1 , s2 ) = sj11 sj22 aj1 ,j2 = sj11 s2 bj1 = s2 v(s1 ).
j1 ,j2 j1

b) Remplacement d’une particule de durée de vie de loi gamma γ(λ, 2) par 2 particules

Cet exemple permet de résoudre un problème particulier de processus permanents pour

lesquels la durée de vie de chaque individu n’est pas de loi exponentielle (processus qui n’est
plus markovien). Pour se ramener à ce que l’on connait, on introduit 2 phases indépendantes et
successives dans la vie de chaque particule, chaque phase suivant la loi exponentielle E(λ).
(i)
Xt désigne ici le nombre de particules dans la phase i à l’instant t.
(1) (2)
On s’intéresse évidemment à Xt + Xt .
Pour simplifier, on prend λ = 1. On a alors
 
 −1 si (j1 , j2 ) = (1, 0)  −1 si (j1 , j2 ) = (0, 1)
(1) (2)
aj1 ,j2 = 1 si (j1 , j2 ) = (0, 1) et aj1 ,j2 = 1 si (j1 , j2 ) = (2, 0) .
 
0 sinon 0 sinon

On en déduit u(1) (s1 , s2 ) = s2 − s1 et u(2) (s1 , s2 ) = s21 − s2 .

46
Chapitre 5

Premières notions sur les files d’attente

5.1 Introduction

Les files d’attente peuvent être considérées comme un phénomène caractéristique de la

vie contemporaine. On les rencontre dans les domaines d’activité les plus divers (guichet de
poste, traffic routier, central téléphonique, atelier de réparation,...). L’étude mathématique des
phénomènes d’attente constitue un champ d’application important des processus stochastiques.
On parle de phénomène d’attente chaque fois que certaines unités appelées “clients” se
présentent d’une manière aléatoire à des “stations” afin de recevoir un service dont la durée
est généralement aléatoire.

L’objectif de ce cours est d’étudier la structure et de calculer des valeurs caractéristiques

permettant de décrire les performances de tels systèmes.

5.2. La file simple

Une file simple (ou station) est un système constitué d’un ou plusieurs serveurs et d’un espace
d’attente. Les clients arrivent de l’extérieur, patientent éventuellement dans la file d’attente,
reçoivent un service, puis quittent la station. Afin de spécifier complètement une file simple, on
doit caractériser le processus d’arrivée des clients, le temps de service ainsi que la structure et
la discipline de service de la file d’attente.

File d'attente

Serveur

Arrivée Départ

des clients des clients

système d'attente

5.2.1 Processus d’arrivée

L’arrivée des clients à la station sera décrite à l’aide d’un processus stochastique de comptage
(Nt )t≥0 . [On notera indifféremment Nt ou bien N (t)].

Si An désigne la variable aléatoire mesurant l’instant d’arrivée du nième client dans le système,
on aura ainsi : A0 = 0 (par convention) et An = inf{t ; Nt = n}.

47
 Si Tn désigne la variable aléatoire mesurant le temps séparant l’arrivée du (n − 1)ième client
et du nième client, on a alors : Tn = An − An−1 .

Définition : Un processus de comptage (Nt )t≥0 est un processus de renouvellement si et seule-

ment si les variables aléatoires (Tn ) sont des variables indépendantes et identiquement dis-
tribuées. La loi décrivant le temps d’interarrivée suffit alors à caractériser le processus de
renouvellement.

La plupart du temps, l’arrivée des clients à une file simple est supposée décrite par un pro-
cessus de renouvellement. Le processus d’arrivée le plus simple et le plus couramment employé
est le processus de Poisson. C’est un processus de renouvellement qui est tel que les interarrivées
sont distribuées selon une loi exponentielle.

On note λ le taux des arrivées : 1/λ est l’intervalle moyen entre deux arrivées consécutives .

5.2.2 Temps de service

Considérons tout d’abord une file à serveur unique.

On note Dn la variable aléatoire mesurant l’instant de départ du nième client du système et

Yn la variable aléatoire mesurant le temps de service du nième client (temps séparant le début
et la fin du service).

Un instant de départ correspond toujours à une fin de service, mais ne correspond pas

forcément à un début de service. Il se peut en effet qu’un client qui quitte la station laisse
celle-ci vide. Le serveur est alors inoccupé jusqu’à l’arrivée du prochain client.
On considèrera uniquement des stations dont les temps de service consécutifs sont décrits
par des variables Yn indépendantes et identiquement distribuées (i.i.d.).

On note µ le taux de service : 1/µ est la durée moyenne de service .

La distribution du temps de service la plus simple à étudier est la distribution exponen-

tielle. Cependant, la propriété “sans mémoire” de la loi exponentielle fait que celle-ci n’est
généralement pas très réaliste pour modéliser les phénomènes réels. On est donc souvent obligé
de recourir à d’autres distributions de service.

5.2.3 Structure et discipline de la file

Nombre de serveurs

Une station peut disposer de plusieurs serveurs en parallèle. Soit C le nombre de serveurs.
Dès qu’un client arrive à la station, soit il y a un serveur de libre et le client entre instantanément
en service, soit tous les serveurs sont occupés et le client se place dans la file en attente de
libération d’un des serveurs. La plupart du temps, les serveurs sont supposés identiques (ils
possèdent donc la même distribution) et indépendants les uns des autres.
Une station particulière est la station IS (infinite servers) dans laquelle le nombre de serveurs
est infini. Cette station ne comporte donc pas de file d’attente. Dès qu’un client s’y présente, il
trouve en effet instantanément un serveur disponible et entre donc directement en service. Elle
permet de représenter des systèmes pour lesquels le nombre de serveurs est toujours supérieur

48
au nombre de clients qui peuvent s’y trouver.

Capacité de la file

La capacité de la file à accueillir des clients en attente de service peut être finie ou infinie.
Soit K la capacité de la file (incluant le ou les clients en service). Une file à capacité illimitée
vérifie K = +∞. Lorsque la capacité de la file est limitée et qu’un client arrive alors que cette
dernière est pleine, le client est perdu.

Discipline de service

La discipline de service détermine l’ordre dans lequel les clients sont rangés dans la file et y
sont retirés pour recevoir un service. Les disciplines les plus courantes sont :
- FIFO (first in, first out) ou FCFS (first come first served) ou PAPS (premier arrivé, premier
servi) : c’est la file standand dans laquelle les clients sont servis dans leur ordre d’arrivée. Notons
que les disciplines FIFO et FCFS ne sont pas équivalentes lorsque la file contient plusieurs
serveurs. Dans la première, le premier client arrivé sera le premier à quitter la file alors que
dans la deuxième, il sera le premier à commencer son service. Rien n’empêche alors qu’un client
qui commence son service après lui, dans un autre serveur, termine avant lui. En français, le
terme PAPS comporte une ambiguı̈té, puisqu’il ne peut différencier une file “premier arrivé,
premier servi” d’une file “premier arrivé, premier sorti”.
- LIFO (last in, first out) ou LCFS (last come, first served) ou DAPS (dernier arrivé, premier
servi). Cela correspond à une pile, dans laquelle le dernier client arrivé (donc posé sur la pile)
sera le premier traité (retiré de la pile). À nouveau, les disciplines LIFO et LCFS ne sont
équivalentes que pour une file monoserveur.
- RANDOM (aléatoire) Le prochain client qui sera servi est choisi aléatoirement dans la file
d’attente :
- Round-Robin (cyclique). Tous les clients de la file d’attente entrent en service à tour de
rôle, effectuant un quantum Q de leur temps de service et sont replacés dans la file, jusqu’à ce
que leur service soit totalement accompli. Cette discipline de service a été introduite afin de
modéliser des systèmes informatiques ;
- PS (Processor Sharing). C’est le cas limite de la distribution Round-Robin lorsque le quan-
tum de temps Q tend vers 0. Tous les clients sont servis en même temps, mais avec une vitesse
inversement proportionnelle au nombre de clients simultanément présents. Si le taux du serveur
est égal à µ et qu’à un instant donné il y a n clients à la station, tous les clients sont donc servis
µ
simultanément avec un taux (Attention, dire que les n clients sont servis simultanément ne
n
signifie absolument pas qu’ils seront libérés simultanément)

5.2.4 Notations de Kendall

La notation de Kendall normalise la description d’une file simple :

T /Y /C/K/m/Z

avec
T : distribution d’interarrivée
Y : distribution de service
C : nombre de serveurs

49
 K : capacité de la file
m : population des usagers
Z : discipline de service.
Lorsque les trois derniers éléments de la notation de Kendall ne sont pas précisés, il est sous
entendu que K = +∞, m = +∞, et Z= FIFO. Le paramètre m précise le nombre maximum
d’usagers susceptibles d’arriver dans la file, cette dernière étant “plongée” dans un monde fermé
contenant m clients.

5.2.5 Notion de classes de clients

Une file d’attente peut être parcourue par différentes classes de clients. Ces différentes classes
se distingueront par :
- des processus d’arrivée différents ;
- des temps de service différents ;
- un ordonnancement dans la file d’attente fonction de leur classe.

Pour définir une file multiclasses, il faut définir pour chaque classe de clients le processus
d’arrivée et la distribution du temps de service associés. Il faut également préciser comment
les clients des différentes classes s’ordonnent dans la file d’attente. Cela permet d’introduire de
nouvelles disciplines de service dites à priorité : PR (préemption) et HOL (hold on line). Par
exemple, dans une file parcourue par deux classes de clients, les clients de la classe 1 seront alors
toujours “devant” les clients de la classe 2. Pour caractériser une discipline de service prioritaire,
il faut de plus préciser si le service est préemptible : lorsqu’un client de classe 2 est en service
et qu’un client de classe 1 arrive à la file, est-ce que ce dernier doit attendre que le client de
classe 2 ait terminé son service (sans préemption : HOL) ou est-ce que le client de la classe 2 est
instantanément remis dans la file (avec préemption : PR) afin de laisser le serveur disponible
pour le client de classe 1 ? Dans ce dernier cas, il faut encore distinguer deux sous-cas. Est-ce
que le client de classe 2 relégué mémorise le temps de service accompli ou pas ?

5.3. Les réseaux de files d’attente

Un réseau de files d’attente est un ensemble de files simples (stations) interconnectées. Soit
M le nombre de stations du réseau.

5.3.1 Les réseaux ouverts

Dans un réseau de files d’attente ouvert, les clients arrivent de l’extérieur, circulent dans le
réseau à travers les différentes stations, puis quittent le réseau. Le nombre de clients pouvant
se trouver à un instant donné dans un réseau ouvert n’est donc pas limité. Afin de spécifier
complètement un réseau ouvert, il faut bien sûr caractériser chaque station, mais également le
processus d’arrivée des clients et le routage (cheminement) des clients dans le réseau.

Processus d’arrivée

Le processus d’arrivée des clients dans le réseau sera décrit, comme pour une file simple, à
l’aide d’un processus de renouvellement (et sera donc caractérisé par la distribution du temps
d’interarrivée). Si l’arrivée des clients suit un processus de Poisson, les interarrivées sont expo-
nentielles et sont caractérisées par un unique paramètre : le taux d’arrivée λ. Dans le cas d’un

50
processus d’arrivée non poissonien, ce paramètre reste intéressant, puisqu’il indique le nombre
moyen de clients qui arrivent dans le système par unité de temps, mais devient insuffisant pour
caractériser parfaitement l’arrivée des clients.
Il faut en plus préciser, lorsqu’un client arrive dans le réseau, à quelle file il se rend. On
caractérisera la plupart du temps le routage d’entrée de façon probabiliste : soit p0i la proba-
bilité pour qu’un client qui arrive se rende à la station i (les probabilités p0i sont bien sûr telles

M
que p0i = 1). Si les arrivées dans le système sont poissoniennes de taux λ, on montre que le
i=1
processus d’arrivée des clients (venant uniquement de l’extérieur) à la station i est poissonien
de taux p0i λ.

Routage des clients

Lorsqu’un client termine son service à une station, il faut préciser où ce client va se rendre :
soit à une autre station, soit à l’extérieur (le client quitte alors le réseau). À nouveau, le routage
des clients est très souvent caractérisé de façon probabiliste : soit pij la probabilité pour qu’un
client qui quitte la station i se rende à la station j et soit pi0 la probabilité pour qu’un client

M
qui quitte la station i quitte le système. Les pij sont tels que pij = 1.
j=0

Il existe cependant d’autres types de routages :

- le routage vers la file la plus courte (routage dynamique) : un client quittant une station
choisira, parmi toutes les destinations possibles, la station qui comporte le moins de clients ;
- le routage clyclique (routage déterministe) : les clients quittant une station choisiront à
tour de rôle chacune des stations parmi toutes les destinations possibles.

5.3.2 Les réseaux fermés

Dans un réseau de files d’attente fermé, les clients sont en nombre constant. Soit N le nombre
total de clients du système. Il n’y a donc pas d’arrivée ni de départ de clients. La spécification
d’un réseau fermé se réduit donc à celle des différentes stations et à celle du routage des clients.

Par un mécanisme de routage probabiliste, on définit pij la probabilité qu’un client qui quitte


M
la station i se rende à la station j. Les pij sont tels que pij = 1.
j=1

5.3.3 Les réseaux multiclasses

Comme pour les files simples, les réseaux de files d’attente peuvent être parcourus par
différentes classes de clients. Soit R le nombre de classes de clients. Ces différentes classes
se distingueront par :
- des processus d’arrivée différent (si le réseau est ouvert)
- des comportements différents à chaque station (service et discipline de service)
- des routages différents dans le réseau.
On est alors amené à caractériser pour chaque classe r :
- pour un réseau ouvert, le processus d’arrivée (pour un processus d’arrivée poissonien, il
suffit alors de donner le taux d’arrivée λr des clients de classe r) ;
- pour un réseau fermé, le nombre total Nr de clients de classe r ;

51
 - le routage de clients. Si on se limite aux routages probabilistes, on définit prij la probabilité
pour qu’un client de classe r qui quitte la station i se rende à la station j. (Si i ou j est égal à
0, cela fait la différence à l’“extérieur” d’un réseau ouvert.)
La notion de réseaux multiclasses nous permet d’introduire la notion de réseau mixte qui est
un réseau ouvert vis à vis de certaines classes et fermé vis à vis des autres classes.
On peut également autoriser certains clients à changer de classe lors de leur cheminement
dans le réseau. On définit alors pri,sj la probabilité pour qu’un client de classe r qui quitte la
station i se rende à la station j et se transforme en un client de classe s.

5.3.4 Les réseaux de files d’attente à capacité limitée

Les différentes stations du réseau peuvent avoir des capacités limitées. Lorsqu’une file est
pleine, plus aucun client ne peut y entrer. Cela introduit des blocages dans les autres stations
amonts et éventuellement des pertes de clients à l’entrée du système (si celui-ci est ouvert).
On distingue principalement deux types de blocage : le blocage avant service et le blocage
après service.
Dans un blocage avant service (ou blocage de type “réseau de communication”), un client
voulant commencer son service à une station donnée doit tout d’abord s’assurer qu’il y a une
place de libre dans la station de destination. Si c’est le cas, son service commence. Dans le cas
contraire, le serveur de la station est bloqué et le client doit attendre la libération d’une place
en aval avant de commencer son service.
Dans un mécanisme de blocage après service (ou blocage de type “système de production”),
un client commence sans attendre son service dès l’instant où le serveur est disponible. Ce n’est
qu’à la fin de son service qu’un blocage peut survenir. Si la station de destination est pleine, le
client reste au niveau du serveur qui se trouve alors bloqué, jusqu’à ce qu’une place se libère en
aval.

5.3.5 Les réseaux de files d’attente ouverts à contrainte de population

Certains réseaux de files d’attente, bien qu’étant des modèles ouverts, peuvent être soumis
à une limite supérieure sur le nombre total de clients pouvant s’y trouver simultanément. Cette
“contrainte de population” implique que le réseau n’est ni réellement un modèle ouvert, puisque
le nombre de clients qui peuvent s’y trouver est limité, ni réellement un réseau fermé, puisque
le nombre total de clients dans le système n’est pas constant. On parlera de “modèle ouvert
à contrainte de population”. Lorsqu’un client arrive dans le réseau alors que celui-ci est plein
(la contrainte de population est atteinte), deux cas peuvent être envisagés. Soit le client est
“rejeté”, ce qui rejoint le modèle de la section précédente, soit le client est “mémorisé” et se
place en attente dans une file externe (généralement FIFO). Par la suite, on ne s’intéressera
qu’au cas où le client est mémorisé.
Un système ouvert à contrainte de population est souvent modélisé à l’aide d’un formalisme
de type “sémaphore”. Une file de “jetons” contenant initialement N jetons est alors associée à
la file externe des clients. Lorsqu’un client arrive alors qu’il reste un jeton de libre, il prend le
jeton et entre instantanément dans le système. Il conserve alors le jeton pendant tout son séjour
dans le système et le libère dès qu’il quitte le système. Le jeton revient alors instantanément
dans la file des jetons et devient à nouveau disponible pour un autre client. Lorsqu’un client
arrive alors qu’il n’y a aucun jeton de libre, il se place dans la file externe (des clients) en attente
de libération d’un jeton. Le nombre initial N de jetons impose donc une limite supérieure sur
le nombre total de clients pouvant se trouver simultanément dans le système.

52
 5.4. Quelques exemples de systèmes d’attente

• T/Y/C : 1 file et C stations offrant le même service ; le client qui attend va à la première
qui se libère.
Exemple : toilettes d’un lieu public, guichets d’une poste...

• T /Y /∞ : infinité de serveurs ; pas d’attente.

Exemple : lignes téléphoniques.

• 2 stations différentes, l’une plus rapide que l’autre.

Si les 2 stations sont libres, le client va dans l’une avec la probabilité p et dans l’autre avec
la probabilité 1 − p.
1
→ Si p = , clients de passage : ils ne voient pas la différence.
2
→ Si p = 1, pour tous les clients, la rapidité prime.
→ On a en fait p ∈ [0, 1] : la rapidité peut ne pas être le seul critère (qualité du service,
jolie ou gentille caissière...)

• Systèmes à perte T /Y /C/C pas d’attente

Exemple : Central téléphonique où les appels non traités sont rejetés.

• Systèmes T /Y /C/K où K > C : longueur de la file limitée, dépendant de la capacité.

Exemple : Station service, salle d’attente...

• Systèmes fermés : nombre constant de clients.

Exemple : m machines en marche ou en panne, C ouvriers pour les réparer, n en panne.
→ m > C : cas le plus fréquent ;
→ m < C : peu intéressant car il y aurait des ouvriers jamais occupés ;
→ m = C : un ouvrier par machine.

• Réseaux : plusieurs stations offrent des services différents, chacune ayant sa file.
→ réseau ouvert : on peut venir de l’extérieur ou repartir à l’extérieur ; il se peut que
chaque station offre le même service mais chacune à sa file.
Exemple : Remontées mécaniques au ski, caisses de grandes surfaces.
→ réseau fermé : pas d’échange avec l’extérieur.
Exemple : Palettes dans un atelier.

5.5 Paramètres de performances opérationnels

5.5.1 Paramètres de performances en régime transitoire

Considérons le comportement du système sur une période de temps donnée, par exemple
entre t = 0 et t = Θ. Soit Xt le nombre total de clients dans le système à l’instant t. S’intéresser
au comportement du système sur l’intervalle de temps [0, Θ] revient à considérer le “régime
transitoire” du système.

Définissons les “paramètres opérationnels” suivants :

Wk : temps de séjour du kième client dans le système : Wk = Dk − Ak .

53
 Θ : temps total de l’observation.

X(t) W9
W8
W5
W7
5 W6
W10
4 W4
W3
3
W2
W1
2

t
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 Θ

D1 D2 D3 D4 D5 D6 D7 D8 D9 D10

T (n, Θ) : temps total pendant lequel le système contient n clients ; on a bien sûr :


T (n, Θ) = Θ.
n≥0

T (n, Θ)
P (n, Θ) = : proportion de temps pendant laquelle le système contient n clients.
Θ
α(Θ) : nombre de clients arrivant dans le système pendant la période [0, Θ].
δ(Θ) : nombre de clients quittant le système pendant la période [0, Θ].

À partir de ces quantités, on définit les paramètres de performances en régime transitoire

suivants :

Débit moyen d’entrée : Le débit moyen d’entrée est le nombre moyen de clients arrivés dans
le système par unité de temps. Sur la période d’observation [0, Θ], c’est donc :

α(Θ)
de (Θ) = (5.1)
Θ
Débit moyen de sortie : Le débit moyen de sortie est le nombre moyen de clients ayant
quitté le système par unité de temps. Sur la période d’observation [0, Θ], c’est donc :

δ(Θ)
ds (Θ) = (5.2)
Θ
Nombre moyen de clients : Le nombre moyen de clients présents dans le système est la
moyenne temporelle de Xt (ou X(t)) sur la période d’observation [0, Θ], c’est donc l’aire sous la
courbe de Xt :

54
 1


+∞ +∞
L(Θ) = nT (n, Θ) = nP (n, Θ) (5.3)
Θ n=0 n=0

Temps moyen de séjour : Le temps moyen de séjour d’un client dans le système est, par
définition, la moyenne arithmétique des temps de séjour des clients arrivés dans le système
pendant l’intervalle de temps [0, Θ] :

1

α(Θ)
W (Θ) = Wk (5.4)
α(Θ)
k=1

Taux d’utilisateur U : Pour une file simple comportant un unique serveur, en plus des
paramètres précédents, débit moyen d’entrée, débit moyen de sortie, nombre moyen de clients,
temps moyen de séjour, on peut définir un paramètre de performances supplémentaire : le taux
d’utilisation du serveur. Il est défini comme la proportion de temps pendant laquelle le serveur
est occupé sur l’intervalle de temps [0, Θ] :

+∞
U (Θ) = P (n, Θ) = 1 − P (0, Θ) (5.5)
n=1

Cas des réseaux de files d’attente

Pour un réseau de files d’attente, on peut considérer les paramètres de performances du

réseau tout entier : débit moyen d’entrée dans le réseau, temps moyen de séjour dans le réseau.
Notons que ces paramètres n’ont d’intérêt que pour un réseau ouvert (ou mixte). En effet, si
le réseau est fermé, le débit moyen d’entrée et le débit moyen de sortie sont nuls, le nombre
de clients est en permanence égal à la population du réseau (N ) et le temps moyen de séjour
est égal à la durée d’observation Θ (infinie en régime permanent). Pour un réseau multiclasses
ouvert (ou mixte), on pourra s’intéresser aux paramètres de performances, par classe ou toutes
classes confondues.
On peut également considérer les paramètres de performances pour chacune des stations du
réseau : débit moyen d’entrée dans la station i (dei ), débit moyen de sortie de la station i (dsi ),
nombre moyen de clients dans la station i (Li ), temps moyen de séjour dans la station i (Wi ).
À nouveau, pour un réseau multiclasses, on pourra s’intéresser aux paramètres de performances
de chaque classe ou toutes classes confondues.

5.5.2 Paramètres de performances en régime permanent

Toutes les quantités précédentes définissent les performances du système en régime transitoire
(au bout d’un temps Θ fini). En régime permanent, on s’intéressera à l’existence et aux valeurs
(éventuelles) des limites lorsque Θ tend vers l’infini de tous ces paramètres :

de = lim de (Θ) ; ds = lim ds (Θ)

Θ→+∞ Θ→+∞

L = lim L(Θ) ; W = lim W (Θ)

Θ→+∞ Θ→+∞

U = lim U (Θ)
Θ→+∞

55
 5.5.3 Stabilité

Définition : Un système est stable si et seulement si le débit moyen asymptotique de sortie des
clients du système est égal au débit moyen d’entrée des clients dans le système :

lim ds (Θ) = lim de (Θ) = d

Θ→+∞ Θ→+∞

D’après les relations précédentes, cela implique que le nombre total de clients arrivés dans
le système pendant l’intervalle [0, Θ], α(Θ) ne soit pas croı̂tre plus rapidement que le nombre
total de clients ayant quitté le système δ(Θ), lorsque Θ tend vers l’infini :

δ(Θ)
lim = 1.
Θ→+∞ α(Θ)

Exemple : Afin de bien comprendre la notion de stabilité d’une file simple, nous allons con-
sidérer l’exemple d’une file D/D/1 (les interarrivées et les services sont déterministes, ce qui
1
signifie que les clients arrivent exactement toutes les ta = unités de temps et restent tous en
λ
1
service pendant un temps ts = .
µ
Considérons tout d’abord le cas où ta > ts (λ < µ), par exemple : ta = 10 s, soit λ = 0, 1
clients/seconde, ts = 5 s, soit µ = 0, 2 clients/seconde.
δ(Θ) 10
Sur la période d’observation [0, 100[, le débit moyen de sortie ds = = = 0, 1 est
Θ 100
bien égal au débit moyen d’entrée de = λ. La file est stable : lorsque t tend vers l’infini, le
nombre de clients dans la file Xt reste fini (et dans ce cas égal en alternance à 0 ou à 1).

Considérons maintenant le cas où ta < ts (λ > µ), par exemple : ta = 10 s, soit λ = 0, 1
clients/seconde, ts = 20 s, soit µ = 0, 05 clients/seconde.
δ(Θ) 5
Sur la période d’observation [0, 100[, le débit moyen de sortie ds = = = 0, 05 est
Θ 100
différent du débit moyen d’entrée de = λ. La file est instable : lorsque t tend vers l’infini, le
nombre de clients dans la file, Xt tend vers l’infini.

Le problème est exactement le même si, au lieu de considérer des temps déterministes,
on considère des temps aléatoires (et donc si l’on considère une file G/G/1, pour laquelle la
loi d’interarrivée et la loi de service ont des distributions générales quelconques). Les clients
s’accumulent dans la file et le serveur n’arrive jamais à “rattraper” son retard. Ce phénomène
se produit lorsque ta < ts (donc lorsque λ > µ) et est connu sous le nom d’instabilité.

5.5.4 Ergodicité

L’ergodicité est une notion très importante dans le domaine des processus stochastiques.
D’un côté, l’analyse opérationnelle s’intéresse à une évolution particulière d’un système entre
deux instants t = 0 et t = Θ. Nous avons vu que faire tendre Θ vers l’infini et considérer les
limites de tous les paramètres de performances opérationnels, revient à s’intéresser au régime
permanent du système. En fait, cela revient à s’intéresser au régime permanent d’une évolution
particulière du système. Il est alors possible d’étudier différentes évolutions du système. La
question que l’on se pose immédiatement est bien sûr : toutes ses réalisations ont-elles le même

56
comportement asymptotique ? En d’autres termes, tous les paramètres de performances con-
sidérés ont-ils la même limite quelle que soit l’évolution du système considérée ?

D’un autre côté, l’analyse stochastique va associer au système des variables aléatoires et des
processus stochastiques :
Ak : variable aléatoire mesurant l’instant d’arrivée du kième client dans le système ;
Dk : variable aléatoire mesurant l’instant de départ du kième client du système ;
Wk : variable aléatoire mesurant le temps de séjour du kième client dans le système :

Wk = Dk − Ak ;

(αt ) : processus mesurant le nombre de clients arrivés dans le système à l’instant t.

(δt ) : processus mesurant le nombre de clients ayant quitté le système à l’instant t.
(Xt ) : processus stochastique mesurant le nombre de clients dans le système à l’instant t :

Xt = αt − δt .

πn (t) : probabilité pour que le système contienne n clients à l’instant t : πn (t) = P ([Xt = n]).

On peut alors, comme cela a été fait dans le cadre de l’analyse opérationnelle, calculer tous
les paramètres de performance stochastiques, en régime transitoire et en régime permanent. Le
nombre moyen de clients présents dans le système à l’instant t se calcule, par exemple, de la
façon suivante :

+∞
L(t) = nπn (t).
n=0

La question que l’on se pose est alors : comment se relient les paramètres de performances
stochastiques aux paramètres de performances opérationels ? Par exemple, si l’on s’intéresse à
caractériser combien de temps un individu passe, en moyenne dans sa vie, à dormir, on s’intéresse
bien à la proportion de temps pendant laquelle il dort et non à la probabilité qu’à un instant
quelconque, il soit en train de dormir ! Par ailleurs, les techniques de simulation étudient
une réalisation particulière du processus et fournissent donc des paramètres de performances
opérationnels.

La notion d’ergocité nous permet de définir une classe de systèmes pour laquelle toutes les
réalisations particulières de l’évolution du système sont asymptotiquement et statistiquement
identiques, c’est-à-dire :

Définition : Un système est ergodique si et seulement si, quelle que soit la réalisation particulière
étudiée du processus stochastique :

+∞

+∞
lim k
n P (n, Θ) = lim nk πn (t) pour tout k = 1, 2, · · ·
Θ→+∞ t→+∞
n=0 n=0

Cela implique que tous les paramètres de performances opérationnels en régime permanent
(mesurés ou calculés par simulation à partir de n’importe quelle réalisation particulière du pro-
cessus) sont égaux aux paramètres de performances stochastiques en régime permanent (obtenus
à partir d’une étude analytique de performances). Même si cela n’est pas parfaitement rigoureux,
on peut donc considérer cette propriété comme définition équivalente à l’ergodicité.

57
 En choisissant comme paramètres de performances les proportions de temps passé par le
système dans l’état n et les probabilités associées pour que le système contienne n clients, on
obtient que si le système est ergodique :

lim P (n, Θ) = lim πn (t)

Θ→+∞ t→+∞

Dans un système ergodique, on pourra donc confondre en régime permanent, proportions

de temps passé dans un état et probabilités d’être dans cet état. On parlera indifféremment
de “probabilités en régime permanent”, de “probabilités à l’équilibre” ou de “probabilités sta-
tionnaires”. Tous les paramètres de performances fournis par une analyse stochastique de notre
système seront égaux aux paramètres de performances opérationnels, c’est-à-dire à ceux que
l’on pourrait “observer” sur n’importe quelle réalisation particulière (suffisamment longue) de
l’évolution de notre système. On parlera, de la même façon, des “performances stationnaires”
du système.
Notons toutefois qu’il existe des systèmes non ergodiques. Par exemple, une chaı̂ne de
Markov non irréductible constitue un système non ergodique (certaines réalisations conduisent
dans une sous-chaı̂ne absorbante, d’autres dans une autre). Une chaı̂ne périodique est un autre
exemple d’un système non ergodique. Les probabilités stationnaires n’existent pas mais on est
cependant capable de déterminer les proportions de temps passé dans chaque état de la chaı̂ne.
Notons finalement qu’un système instable n’est également pas un système ergodique puisque la
limite lorsque Θ tend vers l’infini du nombre moyen de clients L(Θ) n’existe pas (est infinie).

5.5.5 La loi de Little

La loi de Little est une relation très générale qui s’applique à une grande classe de systèmes.
Elle ne concerne que le régime permanent du système. Aucune hypothèse sur les variables
aléatoires qui caractérisent le système (temps d’interarrivées, temps de service,...) n’est nécessaire.
La seule condition d’application de la loi de Little est que le système soit stable. Le débit du
système est alors indifféremment, soit le débit d’entrée, soit le débit de sortie : ds = de = d. La
loi de Little s’exprime telle que dans la propriété suivante :

Théorème : (Formule de Little) Le nombre moyen de clients, le temps moyen passé dans
le système et le débit moyen d’un système stable en régime permanent se relient de la façon
suivante :
L=W ×d
Preuve :

Considérons, dans un premier temps, une durée d’observation Θ qui est telle que le système est vide au début
et à la fin de l’observation. Dans ces conditions, le nombre de clients qui ont quitté le système pendant [0, Θ]
est égal au nombre de clients qui y sont arrivés : δ(Θ) = α(Θ). Les quantités L(Θ) et W (Θ) peuvent alors être
décrites de la façon suivante :

X
+∞
1 X
+∞
L(Θ) = nP (n, Θ) = nT (n, Θ)
n=0
Θ n=0
δ(Θ)
1 X
W (Θ) = Wk
δ(Θ) k=1
La formule de Little repose sur le résultat suivant :
δ(Θ)
X
+∞ X
nT (n, Θ) = Wk .
n=0 k=1

58
 On peut démontrer formellement que les deux sommations intervenant dans cette égalité représentent deux
façons de calculer l’aire sous la courbe de Xt .

Comme le débit d(Θ) du système est le rapport du nombre de clients sortis δ(Θ) sur le temps moyen
d’observations Θ, on déduit immédiatement des trois relations donnant L(Θ), W (Θ) et d(Θ) que : L(Θ) =
W (Θ) × d(Θ). On peut finalement s’affranchir de l’hypothèse que le système est vide au début et à la fin de
δ(Θ)
l’observation, en faisant tendre Θ vers l’infini et en se rappelant que si le système est stable, lim = 1.
Θ→+∞ α(Θ)

La loi de Little a une très grande importance dans l’analyse des systèmes de files d’attente.
Elle permet de déduire l’une des trois quantités (L, W, d) en fonction de la connaissance des deux
autres. Elle s’applique sous des formes très diverses. Considérons ici le cas d’une file simple
comportant un unique serveur et montrons que la loi de Little peut s’appliquer de différentes
façons.
On a vu que la loi de Little nous dit qu’il existe une relation entre le nombre moyen de clients
dans la file (en attente ou en service) et le temps moyen total de séjour d’un client dans la file
(temps d’attente + temps de service) :

L = W ×d (5.6)

La loi de Little peut aussi s’appliquer en considérant uniquement l’attente dans la queue
(sans le service). Elle permet alors de relier le nombre moyen de clients en attente Lq , au temps
moyen d’attente d’un client avant service Wq , par la relation :

Lq = W q × d (5.7)
Enfin, on peut appliquer la loi de Little en ne considérant que le serveur. Dans ce cas, elle
relie le nombre moyen de clients en service LS , au temps moyen de séjour d’un client dans le
1
serveur qui n’est rien d’autre que le temps moyen de service , par la relation
µ
1
LS = × d
µ
Comme il n’y a jamais plus d’un client en service, LS s’exprime simplement :

LS (Θ) = 0P (0, Θ) + 1[P (1, Θ) + P (2, Θ) + P (3, Θ) + · · · ] = 1 − P (0, Θ).

LS n’est donc rien d’autre que le taux d’utilisation du serveur, U , défini comme étant la
probabilité que le serveur soit occupé (ou la proportion de temps pendant laquelle le serveur est
occupé). Ainsi, dans ce cas, la loi de Little s’écrit :
1
U= ×d (5.8)
µ
On a obtenu trois relations en appliquant la loi de Little successivement au système en-
tier, à la file d’attente seule et, enfin, au serveur seul. Ces trois relations ne sont bien sûr
pas indépendantes. On peut en effet déduire l’une d’entre elles à partir des deux autres en
remarquant que :
1
W = Wq + et L = Lq + LS = Lq + U (5.9)
µ

59
Chapitre 6

File d’attente unique

L’étude mathématique d’un système d’attente se fait le plus souvent par l’introduction d’un
processus stochastique approprié.
→ En premier lieu, on s’intéresse au nombre Xt de clients se trouvant dans le système à
l’instant t. En fonction des quantités qui définissent la structure du système, on cherche à
calculer :
• les probabilités d’état πn (t) = P ([Xt = n]) qui définissent le régime transitoire du
processus (Xt )t≥0 ;
• le régime stationnaire du processus, défini par

πn = lim πn (t) = lim P ([Xt = n]).

t→+∞ t→+∞

→ À partir de la distribution stationnaire du processus (Xt )t≥0 , on pourra obtenir d’autres

caractéristiques d’exploitation du système telles que :
• le nombre moyen L de clients dans le système ;
• le nombre moyen Lq de clients dans la file d’attente ;
• la durée d’attente moyenne Wq d’un client ;
• la durée de séjour moyenne W dans le système (attente + service) ;
• le taux d’occupation des postes de service ;
• le pourcentage de clients n’ayant pu être servis ;
• la durée d’une période d’activité, c’est-à-dire de l’intervalle de temps pendant lequel il
y a toujours au moins un client dans le système...
Il faut toutefois constater que le calcul explicite du régime transitoire s’avère pénible, voire
impossible, pour la plupart des modèles considérés. Mis à part certains modèles particulièrement
faciles à traiter, nous nous contenterons donc par la suite de déterminer le régime stationnaire
d’un phénomène d’attente.

Les résultats analytiques portant essentiellement sur des valeurs moyennes, en particulier,
on n’a pas accès à leurs valeurs minimum et maximum qui peuvent être importantes par exem-
ple dans l’optique du dimensionnement de zones de stockage. Dans ce cas, la connaissance des
probabilités d’état πn [notées aussi π(n) dorénavant], peut être très utile.

6.1 Files d’attente markoviennes

Les files d’attentes makoviennes sont celles pour les lesquelles les interarrivées et les durées
de service sont exponentielles. Leur notation de Kendall sera de la forme M/M/ · · · (M comme
markovien...)

6.1.1 Processus de naissance et de mort général

L’étude de ce processus a été faite au chapitre précédent. Rappelons qu’il est caractérisé par
un nombre n d’entités qui évolue de la façon suivante :
- les arrivées et les départs d’entités obéissent à des lois exponentielles de taux respectifs
λ(n) et µ(n)

60
 - la probabilité pour que deux événements se produisent dans un intervalle de temps dt est
négligeable (hypothèse de régularité : deux événements ne peuvent pas se produire en même
temps).
Il y a transition vers un état voisin, soit par l’arrivée d’un client (naissance), soit par le
départ d’un client (mort).

Si πn (t) est la probabilité pour qu’il y ait n clients dans le système à l’instant t, l’équation
de Kolmogorov s’écrit, pour n > 0 :

πn (t + dt) = (1 − (λn + µn ) dt)πn (t) + µn+1 πn+1 (t) dt + λn−1 πn−1(t) dt + o(dt)
c’est-à-dire, en faisant tendre dt vers 0, pour n > 0 :

d
πn (t) = −(λn + µn )πn (t) + µn+1 πn+1 (t) + λn−1 πn−1 (t).
dt
De la même façon, on obtient pour n = 0 :

d
π0 (t) = −λ0 π0 (t) + µ1 π1 (t).
dt
Il est pratiquement impossible de calculer l’expression générale de πn (t), si ce n’est par simu-
lation à partir des valeurs πn (0) qui caractérisent l’état initial du système.

Toutefois, si l’on suppose qu’un régime permanent parvient à s’établir, les probabilités devien-
nent indépendantes du temps et on a alors, comme on l’a vu au chapitre 3 :
n−1
λi
πn = π0 .
µi+1
i=0
avec
1
π0 = .
 n−1
+∞ ! λi
1+ µi+1
n=1 i=0

Le processus de Poisson est un cas particulier du processus de naissance et de mort pour

lequel µn = 0 et λn = Cte = λ mais, dans ce cas, il n’y a pas de régime stationnaire.
Les équations différentielles s’écrivent alors :

d
π0 (t) = −λπ0 (t)
dt
d’où π0 (t) = e−λt .
d
πn (t) = −λ(πn (t) − πn−1 (t))
dt
(λt)n e−λt
dont la solution est πn (t) = (voir chapitre 2).
n!
6.1.2 La file M/M/1

Cette file est caractérisée par une arrivée poissonienne de taux λ et une durée de service
exponentielle de taux µ.
On pose ρ = λ/µ.
La file peut être considérée comme un processus de naissance et de mort, pour lequel :

61
 λn = λ

µ si n = 0
µn =
0 si n = 0
La probabilité d’état (en tenant compte que ρ < 1 pour qu’il y ait un régime permanent) est
donnée par : 

 πn = π0 ρn
 1
π0 = +∞ =1−ρ

 
 ρn
n=0

donc
πn = (1 − ρ)ρn .
Tous les paramètres de performances sont calculés dans le cas où la file est stable (λ < µ,
c’est-à-dire ρ < 1) et pour le régime stationnaire de la file.

Débit d

Ici d = λ car λn = λ pour tout n ≥ 0. Une autre façon de voir les choses est de remarquer
que le service s’effectue avec un taux µ dans chaque état où le système contient au moins un
client :
∞


d = Proba([file non vide])µ = πn µ = [1 − π0 ]µ = ρµ = λ
n=1

On retrouve bien que si la file est stable, le débit moyen de sortie est égal au débit moyen
d’entrée.

Taux d’utilisation du serveur U

Par définition, le taux d’utilisation est la probabilité pour que le serveur de la file soit occupé

+∞
λ
U= πn = 1 − π0 = ρ = .
µ
n=1

Nombre moyen de clients L

Le nombre moyen de clients se calcule à partir des probabilités stationnaires de la façon

suivante :

+∞

+∞

+∞
L = nπn = n(1 − ρ)ρ = ρ(1 − ρ)
n
(n + 1)ρn = ρ(1 − ρ)(1 + 2ρ + 3ρ2 + · · · )
n=1 n=1 n=0
 
d d 1
= ρ(1 − ρ) (ρ + ρ2 + ρ3 + · · · ) = ρ(1 − ρ) −1
dρ dρ 1−ρ

soit
ρ
L= .
1−ρ

62
 Temps moyen de séjour W

Ce paramètre est obtenu en utilisant la loi de Little :

L 1
W = =
d µ(1 − ρ)

qui peut se décomposer en :

1 ρ
W = + .
µ µ(1 − ρ)
On en déduit le temps moyen passé dans la file d’attente Wq :
ρ
Wq = .
µ(1 − ρ)
Nombre moyen de clients dans la file d’attente Lq :

ρ2
Lq = λWq = .
1−ρ
Preuve des formules de Little dans le cas M/M/1 :

On cherche le temps moyen d’attente Wq = IE(Tq ) d’un individu : celui-ci est fonction du nombre de clients
déjà présents lorsqu’il arrive.
Soit En l’événement “il y a n clients dans le système lorsque l’individu arrive”. On a alors

X
+∞
Wq = IE(Tq ) = IE(Tq /En )P (En )
n=0

n λ
avec IE(Tq /En ) = (absence de mémoire de la loi exponentielle) et P (En ) = πn = (1 − ρ)ρn où ρ = .
µ µ
X
+∞
n L 1 L+1
On a alors Wq = (1 − ρ)ρn = et W = Wq + = .
n=1
µ µ µ µ
X
+∞ X
+∞ X
+∞
Or Lq = (n − 1)πn = nπn − πn = L − (1 − π0 ) = L − ρ.
n=1 n=1 n=1
X
+∞
ρ 1
Comme L = nπn =, L+1= = µW , donc L = ρ(L + 1) = ρµW et on a bien L = λW .
1 − ρ 1 − ρ
n=1 „ «
λ 1
De même, Lq = L − = λ W − = λWq .
µ µ

6.1.3 La file M/M/1/K

On considère un système à serveur simple identique à la file M/M/1 excepté que la capacité
de la file d’attente est finie. On a donc toujours les hypothèses suivantes : le processus d’arrivée
des clients dans la file est un processus de Poisson de taux λ et le temps de service d’un client
est une variable aléatoire exponentielle de taux µ. Soit K la capacité de la file d’attente : c’est
le nombre maximal de clients qui peuvent être présents dans le système, soit en attente, soit en
service. Quand un client arrive alors qu’il y a déjà K clients présents dans le système, il est
perdu. Ce système est connu sous le nom de file M/M/1/K. L’espace d’états E est maintenant
fini : E = {0, 1, 2, · · · , K}. La capacité de la file étant limitée, même si les clients arrivent en
moyenne beaucoup plus vite que ce que le serveur de la file est capable de traiter, dès que celle-ci

63
est pleine, les clients qui se présentent sont rejetés. Le nombre de clients dans la file ne peut donc
jamais “partir” à l’infini. De plus, dès qu’un client est autorisé à entrer, il sortira un jour et son
temps de séjour dans la file est fini, puisqu’il correspond au temps de service de tous les clients
devant lui et que ce nombre est limité par K. Sur un temps très long, le débit de sortie sera
donc bien égal au débit d’entrée, ce qui correspond bien à la stabilité inconditionnelle du système.

Le processus de naissance et de mort modélisant ce type de file d’attente est alors défini de
la façon suivante : 
λ si n < K
λn =
0 si n = K

µ si n = 0
µn =
0 si n = 0
L’intégration de l’équation récurrente permettant de calculer πn se fait alors comme suit :

πn = π0 ρn pour n ≤ K

πn = 0 pour n > K
1 1−ρ 1
π0 = = si λ = µ (et si λ = µ).

K 1−ρK+1 K +1
ρn
n=0
Débit d : Le débit du système peut être calculé de deux manières équivalentes : soit en
mesurant le taux de départ des clients en sortie du serveur, ds , soit en mesurant le taux d’arrivée
effectif des clients acceptés dans le système de . On s’attend bien sûr à obtenir l’égalité de ces
deux débits.

Le débit en sortie du serveur est égal à µ dès l’instant où la file n’est pas vide :

K
ρ − ρK+1
ds = Proba([ file non vide ])µ = πn µ = [1 − π0 ]µ = µ
1 − ρK+1
n=1
Le débit effectif d’entrée dans la file est égal à λ dès l’instant qu’un client arrive lorsque la file
n’est pas pleine :

K−1
1 − ρK
de = Proba([ file non pleine aux instants d’arrivée ])λ = πn λ = [1 − πK ]λ = λ.
n=0
1 − ρK+1

λ
Puisque ρ = , on a bien de = ds = d, où d est le débit moyen de la file (d’entrée ou de
µ
sortie) :
1 − ρK
d= λ
1 − ρK+1
Notons que, lorsque K tend vers l’infini, on retrouve bien les résultats de la M/M/1, c’est-
à-dire d = λ, à condition que ρ < 1, ce qui correspond à la condition de stabilité de la M/M/1.

Taux d’utilisation du serveur U (K)

K
ρ − ρK+1 1 − ρK
U (K) = πn = 1 − π0 = = ρ
n=1
1 − ρK+1 1 − ρK+1

64
 Ainsi, dans le cas d’une file à capacité limitée, le taux d’utilisation n’est plus égal à ρ. En
effet, le taux d’utilisation est toujours égal au rapport du débit moyen d’entrée sur le taux moyen
d
de service (loi de Little) : U = . Mais ici d n’est plus égal à λ.
µ
Remarquons que, lorsque K → +∞, U (K) tend vers ρ si ρ < 1 et vers 1 si ρ > 1.

Nombre moyen de clients L

K
1−ρ
n
K
ρ(1 − ρ)
n−1
K
L = nπn = nρ = nρ
n=0
1 − ρK+1 n=0 1 − ρK+1 n=1
 
ρ(1 − ρ) d 1 − ρK+1 ρ(1 − ρ) 1 − (K + 1)ρK + KρK+1
= − 1 =
1 − ρK+1 dρ 1−ρ 1 − ρK+1 (1 − ρ)2
ρ 1 − (K + 1)ρK + KρK+1
=
1−ρ 1 − ρK+1

À nouveau, lorsque K tend vers l’infini et ρ < 1, on retrouve les résultats de la M/M/1 :

ρ
L=
1−ρ
Temps moyen de séjour W

On considère ici le temps moyen de séjour d’un client effectivement admis dans la file
d’attente. Cette quantité peut être obtenue par application de la loi de Little :

L
W =
d
1
Cas particulier où λ = µ : πn = π0 = pour n ≤ K.
K +1
K Kλ
U (K) = 1 − π0 = et d = .
K +1 K +1


K
n K
Nombre moyen de clients dans la file d’attente : L = = .
K+1 2
n=0
L K +1
Temps moyen dans le système d’attente W = = .
d 2λ
Preuve des formules de Little dans le cas M/M/1/K :

X
K−1 „ «
n ∗ 1 L − KπK πn
On a ici IE(Tq ) = π = , avec πn∗ = (client rejeté s’il y en a déjà K).
n=1
µ n µ 1 − πk 1 − πK

1 − (K + 1)ρK + KρK+1 − KρK−1 (1 − ρ)2

L − KπK = ρ
(1 − ρ)(1 − ρK+1 )
1 − (K + 1)ρK + KρK+1 − KρK−1 (1 − 2ρ + ρ2 ) 1 − KρK−1 + (K − 1)ρK
= ρ = ρ
(1 − ρ)(1 − ρK+1 ) (1 − ρ)(1 − ρK+1 )

ρK (1 − ρ) 1 − ρK+1 − ρK + ρK+1 1 − ρK
1 − πK = 1 − = =
1−ρ K+1 1−ρ K+1 1 − ρK+1

65
 » –
1 1 ρ(1 − KρK−1 + (K − 1)ρK ) 1 − ρ − ρK + ρK+1
W = Wq + = +
µ µ (1 − ρ)(1 − ρK ) (1 − ρ)(1 − ρK )
» K K+1
– K+1
1 1 − (K + 1)ρ + Kρ L(1 − ρ ) L
= = =
µ (1 − ρ)(1 − ρK ) ρµ(1 − ρK ) λ(1 − πK )

X
K−1
Or d = λ πn = λ(1 − πK ) et on a bien L = d × W .
n=0
X
K X
K X
K
De même, L − Lq = nπn − (n − 1)πn = πn = 1 − π0 donc, comme λ = µ = µ(1 − π0 ) = d,
n=1 n=1 n=1
„ «
d 1
Lq = L − (1 − π0 ) = d × W − =d W− = d × Wq .
µ µ
2

6.1.4 La file M/M/C

On considère un système identique à la file M/M/1 excepté qu’il comporte C serveurs iden-
tiques et indépendants les uns des autres. On conserve les hypothèses : processus d’arrivée
des clients poissonien de taux λ et temps de service exponentiel de taux µ (pour chacun des
serveurs). Ce système est connu sous le nom de file M/M/C. L’espace d’états E est, comme
pour la M/M/1 infini : E = {0, 1, 2, · · · }. On a un processus de naissance et de mort de taux :

λn =λ

 0 si n = 0
µn = nµ si 0 < n < C

Cµ si n ≥ C
En effet, lorsque le processus est dans un état n < C, tous les clients sont en service et sont
donc susceptibles de quitter la file. Pour passer de n clients à n − 1 clients en un temps dt,
il faut qu’un des n clients termine son service et que les autres ne terminent pas le leur, ceci
pouvant se produire pour le premier, le deuxième, ..., ou le n-ième client. Pour être précis, il faut
également rajouter qu’aucun client n’arrive pendant ce temps dt. La propriété caractéristique
de la loi exponentielle nous dit que la probabilité pour qu’un client termine son service en un
temps dt est µdt + o(dt), la probabilité pour qu’un client ne termine pas son service est donc
1 − µdt + o(dt) et la probabilité pour qu’aucun client n’arrive est 1 − λdt + o(dt). La probabilité
recherchée se calcule donc de la façon suivante :
 

n
pn,n−1(dt) =  (µdt + o(dt))(1 − µdt + o(dt))n−1  (1 − λdt + o(dt))
j=1

Un développement limité au premier ordre nous donne immédiatement que

pn,n−1(dt) = nµ dt + o(dt)

Le taux de transition de l’état n vers l’état n − 1 est donc égal à nµ. De la même façon, lorsque
n ≥ C, seuls C clients sont en service et sont donc susceptibles de quitter la file, donc de faire
passer le processus de l’état n à l’état n − 1. Le taux de transition correspondant est donc égal
à Cµ. Dans tous les cas, une transition d’un état n vers un état n + 1 correspond à une arrivée

66
de client, soit en un temps dt, à une probabilité λdt + o(dt). Le taux de transition est donc égal
à λ.

La condition de stabilité est ici λ < Cµ et exprime le fait que le nombre moyen de clients
qui arrivent à la file par unité de temps doit être inférieur au nombre moyen de clients que les
serveurs de la file sont capables de traiter par unité de temps.
On peut calculer πn comme suit :

πn−1 λ = πn nµ pour n = 1, · · · , C − 1
πn−1 λ = πn Cµ pour n = C, C + 1, · · ·

 πn = ρ πn−1 pour n = 1, · · · , C − 1 λ
soit n où ρ = .
 πn = ρ πn−1 pour n = C, C + 1, · · · µ
C
On peut alors exprimer toutes les probabilités en fonction de π0 :
 n

 πn = ρ π0 pour n = 1, · · · , C − 1
n! n

 πn =
ρ
π0 pour n = C, C + 1, · · ·
C!C n−C
La condition de normalisation nous permet de calculer la probabilité π0 , à condition bien sûr
que cette série converge. On peut aisément vérifier que la condition de convergence de cette
série est identique à la condition de stabilité de la file, soit λ < Cµ.
1
π0 =

C−1
ρn ρC
n! + (C−1)!(C−ρ)
n=0

Lorsque C = 1, on retrouve bien les résultats de la file M/M/1 :

πn = (1 − ρ)ρn
Tous les paramètres de performances peuvent se calculer dans le cas où la file est stable
(λ < Cµ) donc ρ < C).

Débit d

Le service s’effectue avec un taux nµ dans chaque état où le système contient moins de C
clients et avec un taux Cµ dans chaque état où le système contient plus de C clients :

C−1

+∞
d= πn nµ + πn Cµ
n=1 n=C

En remplaçant les expressions obtenues pour les probabilités πn et π0 , on retrouve bien que
la file est stable, le débit moyen de sortie est égal au débit moyen d’entrée :

d = λ.

Pour la file M/M/C, il est plus simple (au niveau des calculs mis en jeu) de calculer d’abord
le temps moyen de séjour et d’en déduire le nombre moyen de clients.

67
 Temps moyen de séjour W

Le temps moyen de séjour d’un client se décompose en un temps moyen dans la file d’attente,
plus un temps moyen de service. Il suffit alors d’appliquer la loi de Little à la seule file :

Lq 1 Lq 1
W = Wq + S = + = + .
d µ λ µ
Il reste alors à calculer le nombre moyen de clients en attente dans la file, Lq :

+∞

+∞
ρn ρC+1

+∞  ρ n−C−1
Lq = (n − C)πn = (n − C) π 0 = (n − C) π0
C!C n−C C!C C
n=C n=C n=C
ρC+1 1 ρC+1
=   π0 = π0
C!C 1 − ρ 2 (C − 1)!(C − ρ)2
C

On en déduit l’expression du temps moyen de séjour

ρC 1
W = π0 +
µ(C − 1)!(C − ρ)2 µ

Nombre moyen de clients L

Le nombre moyen de clients s’obtient alors par application de la loi de Little à l’ensemble de
la file :
ρC+1
L=W ×d=W ×λ= π0 + ρ
(C − 1)!(C − ρ)2
6.1.5 La file M/M/∞

On considère un système composé d’un nombre illimité de serveurs identiques et indépendants

les uns des autres. Dès qu’un client arrive, il rentre donc instantanément en service. Danc cette
file particulière, il n’y a donc pas d’attente. On suppose toujours que le processus d’arrivée des
clients est poissonien de taux λ et que les temps de service sont exponentiels de taux µ (pour
tous les serveurs). Ce système est connu sous le nom de file M/M/∞.
Comme cela a été fait pour la file M/M/C, on peut facilement démontrer que le taux de
transition d’un état n quelconque vers l’état n − 1 est égal à nµ et correspond au taux de sortie
d’un des n clients en service. De même, le taux de transition d’un état n vers l’état n + 1 est
égal à λ et correspond au taux d’arrivée d’un client.
De façon intuitive, la capacité de traitement de la file est infinie puisque tout nouveau client
se présentant à l’entrée de la file est instantanément traité. La condition de stabilité exprimant
que “le nombre moyen de client arrivant à la file par unité de temps doit être inférieure à la
capacitéde traitement de la file” est donc toujours satisfaite.
Soit πn la probabilité stationnaire d’être dans l’état n. Les équations d’équilibre nous donnent

πn−1 λ = πn nµ pour n = 1, 2, · · ·
ρ λ
soit πn = πn−1 pour n = 1, 2, · · · , où ρ = .
n µ
On peut alors exprimer toutes les probabilités en fonction de π0 :
ρn
πn = π0 pour n = 1, 2, · · ·
n!

68
 La condition de normalisation nous donne alors immédiatement π0 :
1
π0 = = e−ρ .

+∞
ρn
n!
n=0

+∞ n
ρ
Notons que la série converge pour toutes valeurs de ρ (donc de λ et de µ), ce qui est
n=0
n!
cohérent avec la stabilité inconditionnelle de la file. On obtient finalement :
ρn −ρ
πn = e pour n = 1, 2, · · ·
n!
Débit d

Le service s’effectue avec un taux nµ dans chaque état où le système contient n clients :

+∞

+∞
ρn
d= πn nµ = e−ρ µ = e−ρ ρeρ µ = ρµ = λ.
(n − 1)!
n=1 n=1

On retrouve la stabilité inconditionnelle de la file.

Nombre moyen de clients L

+∞

+∞
ρn
−ρ
L= nπn = e = e−ρ ρeρ = ρ
(n − 1)!
n=1 n=1

Temps moyen de séjour W

Intuitivement, le temps moyen passé dans le système est réduit au temps moyen de service,
1
soit . On peut redémontrer ce résultat en utilisant la loi de Little :
µ
L ρ 1
W = = =
d λ µ

6.2 Étude de la file M/G/1

6.2.1 Introduction

On revient à un système formé d’une file FIFO à capacité illimitée et d’un seul serveur.
Le processus d’arrivée des clients dans la file est toujours supposé poissonien de taux λ mais,
maintenant, le temps de service Y d’un client est distribué selon une loi qui n’est plus supposée
exponentielle. Ce système est connu sous le nom de file M/G/1. En fait, on suppose implicite-
ment que les services successifs sont indépendants les uns des autres et distribués selon la même
loi (donc que les variables aléatoires mesurant le temps de service des différents clients sont
i.i.d.). Il faudrait alors parler d’une file M/GI/1, “GI” faisant référence à des lois générales et
indépendantes les unes des autres.

Une file simple comportant un unique serveur est stable si le nombre moyen de clients qui
arrivent à la file par unité de temps est inférieur au nombre moyen de clients que le serveur de

69
 1
la station est capable de traiter, soit λ < µ où µ = est le taux moyen de service de la file
m
(avec m = IE(Y )).

6.2.2 Analyse du régime permanent : Méthode de la chaı̂ne de Markov incluse.

Pour étudier simplement ce système, le service n’étant plus exponentiel, il ne suffit donc plus
de savoir qu’un client est en service, pour prédire quand ce service va se terminer. Il faut en
plus savoir depuis combien de temps le service a commencé.
Par exemple, dans le cas d’un service déterministe de durée 10 secondes, si le service a com-
mencé depuis 2 secondes, il se terminera exactement dans 8 secondes alors que, s’il a commencé
depuis 9 secondes, il se terminera au bout d’une seconde.
Cette information est indispensable pour prédire l’évolution future de l’état du serveur, donc
du système.
L’idée est de ne s’intéresser qu’à des instants particuliers de l’évolution du système tk = Dk+ ,
k = 1, 2, · · · , correspondant aux instants de fin de service (instants “juste après” le départ d’un
client).

Considérons le processus (Nk )k≥1 = (Xtk )k≥1 où Xtk est le nombre de clients juste après le
départ du kième client.

Le processus (Nk )k≥1 est une chaı̂ne de Marvov ergodique pouvant être facilement étudiée.
En particulier, on pourra obtenir les probabilités πn (k) = P ([Nk = n]) pour que le départ du
kième client laisse derrière lui n clients, ainsi que πn = lim πn (k).
k→+∞

On va maintenant déterminer la matrice de transition P = (qi,j ) de la chaı̂ne de Markov

(Nk )k≥1 dite chaı̂ne de Markov incluse du processus (Xt )t≥0 .

On note αc la probabilité que c clients arrivent pendant un temps de service. On a

 +∞  +∞
(λt)c −λt
αc = P ([c arrivées pendant t]/Y = t) fY (t) dt = e fY (t) dt
0 0 c!
En effet, les arrivées sont poissoniennes de taux λ. Si le temps de service était de durée constante t, la
(λt)c −λt
probabilité pour que c clients arrivent pendant un temps de service t serait égale à e , par définition du
c!
processus de Poisson. Comme le temps de service est distribué selon une loi générale de densité fY , la durée de
temps de service est égale à t à dt près avec une probabilité égale à fY (t) dt.
Notons alors qi,j la probabilité de transition de l’état i vers l’état j. On a :

 q0,j = αj si j ≥ 0
q = αj−i+1 si 1 ≤ i ≤ j + 1
 i,j
qi,j = 0 sinon.

En effet,
→ si Nk = 0, [Nk+1 = j] correspond à l’arrivée de j clients pendant le service du (k + 1)ième
client ;
→ si Nk = i, on a [Nk+1 = j] si Nk+1 − Nk = j − i, ce qui correspond à l’arrivée de j − i + 1
clients, car il ne faut pas oublier que le (k + 1)ième client vient de partir.
La matrice de la chaı̂ne de Markov incluse est donc :

70
  
α0 α1 α2 α3 α4 ···
 α0 α1 α2 α3 α4 ··· 
 
 0 α0 α1 α2 α3 ··· 
 
 0 0 α0 α1 α2 ··· 
P = 
 0 0 0 α0 α1 ··· 
 
 0 0 0 0 α0 ··· 
 
.. .. .. .. .. ..
. . . . . .
On pourrait montrer que cette chaı̂ne de Markov est irréductible, apériodique et récurrente
positive si elle est stable (c’est-à-dire si λ < µ). On peut alors affirmer que le vecteur −→π des


+∞
probabilités stationnaires existe et est solution du système −
→
π =−→
π P (avec bien sûr πn = 1).
n=0
La chaı̂ne de Markov (Nk ) est irréductible et admet donc une unique distribution station-
naire, qui est aussi distribution limite de Xt . Le théorème suivant permet, entre autre, de
déterminer L :

+∞

+∞
λ
Théorème : Si Π(z) = πn z n , si A(z) = αn z n et si ρ = , alors :
µ
n=0 n=0

(1 − ρ)A(z)(z − 1) ρ2 + λ2 var(Y )
Π(z) = et L = ρ + .
z − A(z) 2(1 − ρ)

X
+∞
Preuve : La distribution stationnaire →
−
π doit vérifier →
−
π =−
→
π P soit πj = πi qi,j , ce qui s’écrit également
i=0

j+1 j+1
X X
πj = αj π0 + αj−i+1 πi = αj π0 + αj−i+1 πi − αj+1 π0 .
i=1 i=0

Si l’on multiplie cette équation par z j et si l’on somme sur j, on a :

1X
+∞
π0
Π(z) = π0 A(z) + aj+1 z j+1 − (A(z) − α0 ),
z j=0 z

j
X 1X
+∞
1
où aj = αj−i πi et donc aj+1 z j+1 = (A(z)Π(z) − α0 π0 ). Ainsi,
i=0
z j=0 z

π0 A(z)(z − 1)
Π(z) = .
z − A(z)

On fait alors un développement limité de A(z) à l’ordre 2 en 1 :

1 
A(1 + h) = A(1) + A (1)h + A (1)h2 + o(h2 )
2
puis

1 + A (1)h + 12 A (1)h2 + o(h2 ) 1 + A (1)h + 12 A (1)h2 + o(h2 )

Π(1 + h) = π0 h 1
= π 0
1 + h − 1 − A (1)h − 2 A (1)h2 + o(h2 ) 1 − A (1) − 12 A (1)h + o(h)
» –−1
π0 ˆ 
˜ A (1)
= 1 + A (1)h + o(h) 1 − h + o(h)
1 − A (1) 2(1 − A (1))
» „ 
« –
π0  A (1)
= 1 + A (1) + h + o(h) .
1 − A (1) 2(1 − A (1))

71
 On en déduit, comme Π(1 + h) = 1 + hΠ (1) + o(h) = 1 + Lh + o(h), que π0 = 1 − A (1) et que L =
A (1)
A (1) + . Or
2(1 − A (1))

X
+∞ X
+∞ Z +∞ j Z +∞
j j −λt (λt)
A(z) = αj z = z e fY (t) dt = e−λt eλzt fY (t) dt
j=0 j=0 0 j! 0

Z +∞
λ
donc A (1) = λ tfY (t)dt = λIE(Y ) = = ρ et
0 µ
Z +∞
A (1) = λ2 t2 fY (t)dt = λ2 IE(Y 2 ) = λ2 (var(Y ) + IE(Y )2 ) = λ2 var(Y ) + ρ2 ,
0

ce qui donne bien le résultat.

Détermination des autres paramètres de performances

Débit : d = λ

+∞
λ
Taux d’utilisation du serveur U : U = πn = 1 − π0 = ρ =
n=1
µ
Temps moyen de séjour W : d’après la formule de Little

1 IE(Y )2 + var(Y )
W = +λ
µ 2(1 − ρ)
Remarque : Tous les paramètres de performances moyens d, U , L, W ne dépendent donc que
des deux premiers moments de la loi de service ainsi bien sûr que du taux d’arrivée λ, bien que
les deux premiers moments d’une loi ne suffisent pas à la caractériser, (des variables aléatoires
différentes pouvant, en effet avoir leurs deux premiers moments identiques).

6.2.3 Mise en oeuvre de l’analyse de la valeur moyenne

On calcule directement les performances moyennes de la file. Si Lq est le nombre moyen de

clients dans la file d’attente seule :

+∞

+∞

+∞
Lq = nProba([n clients dans la file]) = nπn+1 = (n − 1)πn
n=0 n=0 n=1

Lorsqu’un client arrive dans le système :

- soit il trouve 0 client et son temps d’attente dans la file est nul ;
- soit il trouve n clients et son temps d’attente dans la file est : le temps moyen résiduel du
client en service tr + le temps de service des n − 1 clients en attente devant lui dans la file.

Le temps résiduel du client en service est défini comme le temps qu’il reste au serveur, au
moment où un client arrive dans la file, pour terminer son service. On en déduit l’expression du
temps moyen d’attente dans la file :

+∞
Wq = π0 × 0 + πn [tr + (n − 1)m]
n=1

72
 En combinant les deux relations précédentes, et en appliquant la formule de Little à la file,
on obtient :


+∞
Wq = (1 − π0 )tr + m (n − 1)πn = (1 − π0 )tr + mLq = ρtr + mλWq = ρtr + ρWq
n=1

ρ
soit Wq = tr .
1−ρ
Il ne reste plus qu’à calculer le temps moyen résiduel de service.

Propriété : Dans une file M/G/1, le temps moyen résiduel de service tr “vu” par l’arrivée d’un
client dans la file est  
m var(Y )
tr = 1+
2 m2
Preuve : Le processus d’arrivée des clients dans la file est Poissonien.
Vis-à-vis du client en service, un client arrive donc dans la file à une instant quelconque dans le temps et
a plus de chance de “tomber” sur un service long que sur un service court. Plus précisément, la probabilité de
tomber sur un service de longueur t (à dt près) est proportionnelle à t, ainsi bien sûr qu’à la fréquence avec
laquelle un service de longueur t (à dt près) a lieu. On note Z la variable aléatoire mesurant la durée d’un service
vue par l’arrivée d’un client (qui donc est différente de la variable aléatoire Y mesurant la durée d’un service).
La probabilité fZ (t) dt s’obtient donc de la façon suivante :

fZ (t) dt = KtfY (t) dt

où K est la constante de proportionalité.

Afin d’obtenir la valeur de K, il suffit d’intégrer les deux côtés de l’équation :
Z +∞ Z +∞
1= fZ (t) dt = K tfY (t) dt = Km
0 0

1
où m est le temps moyen de service. On en déduit donc que K = .
m
Dès l’instant qu’un client arrive et tombe sur un service de longueur t, on peut supposer qu’il a autant de
chance de tomber au début, au milieu ou à la fin du service. En d’autres termes, la variable aléatoire mesurant
le temps résiduel de service, conditionnée par le fait que le service est de longueur t (à dt près), est uniforme sur
l’intervalle [0, t]. Le temps résiduel de service, toujours conditionné par le fait que le service est de longueur t est
t
donc égal à .
2
On en déduit le temps moyen résiduel de service (inconditionnel) :
Z +∞ Z +∞
t 1 m2
tr = fZ (t) dt = t2 fY (t) dt =
0 2 2m 0 2m
où m2 = IE(Y 2 ) = m2 + var(Y ) est le moment d’ordre 2 de la loi de service. D’où le résultat attendu :
„ «
m var(Y )
tr = 1+ .
2 m2
2

1
Remarque : Pour une file M/M/1, var(Y ) = = m2 donc tr = m, ce qui est logique, vu
µ2
le caractère sans mémoire de la loi exponentielle. Pour une file M/D/1, var(Y ) = 0 et donc
m
tr = , ce qui est tout à fait intuitif, car si le service est toujours de durée égale à m, un client
2
m
arrivant à un instant quelconque devra attendre, en moyenne, un temps avant que le service
2
se termine.

73
 6.3 La file G/M/1

On considère toujours un système formé d’une file FIFO à capacité illimitée et d’un seul
serveur. Le processus d’arrivée des clients dans la file n’est, cette fois-ci, plus supposé pois-
sonien. En revanche, le service d’un client est supposé exponentiel de taux µ. Ce système est
connu sous le nom de file G/M/1. Comme pour la file M/G/1, il faudrait en fait parler d’une file
GI/M/1 car on suppose implicitement que le processus d’arrivée des clients est un processus de
renouvellement, donc que les interarrivées successives sont indépendantes les unes des autres et
distribuées selon une même loi. Soit T la variable aléatoire mesurant le temps séparant l’arrivée
de deux clients consécutifs. On notera fT la densité de la loi de T , A∗ sa transformée de Laplace
et mk = IE(T k ) pour tout k ≥ 1, avec m1 = m.

On rappelle qu’une file simple est stable si le nombre moyen de clients qui arrivent à la file
par unité de temps est inférieur au nombre moyen de clients que le serveur de la station est
1
capable de traiter, soit λ < µ où λ = est le taux moyen d’arrivée des clients dans la file.
m
L’idée est ici de ne s’intéresser qu’aux instants d’arrivée des clients. Considérons le processus
(Nk ) = (XAk − )k≥1 : nombre de clients “juste avant” l’arrivée du kième client. Le processus
(Nk )k≥1 est une chaı̂ne de Markov discrète pouvant être facilement étudiée. En particulier, on
pourra obtenir les probabilités πn (k) = P ([Nk = n]) pour que le kième client trouve en arrivant
n clients dans la file. Si la chaı̂ne est ergodique, on pourra également calculer les probabilités
stationnaires aux instants d’arrivée : πn = lim πn (k).
k→+∞
On note βc la probabilité pour que c clients terminent leur service pendant un temps d’arrivée.
On a alors :
 +∞
(µt)c −µt
βc = e fT (t) dt
0 c!
En effet, les services consécutifs étant des variables aléatoires exponentielles de taux µ et indépendantes les
unes des autres, tant qu’il reste des clients dans la file, le processus de sortie des clients est donc un processus de
Poisson de taux µ. Si le temps d’interarrivée était de durée constante t, la probabilité pour que c clients quittent
(µt)c −µt
la file pendant un temps t serait donc égale à e . Comme le temps d’interarrivée est distribué selon une
c!
loi générale de densité de probabilité fT , la durée séparant l’arrivée consécutive de deux clients est égale à t à dt
près avec une probabilité fT (t) dt.

La matrice de la chaı̂ne de Markov incluse est alors :

 
β1 β0 0 0 0 ···
 β2 β1 β0 0 0 ··· 
 
 ··· 
P =  β3 β2 β1 β0 0 
 β4 β3 β2 β1 β0 ··· 
 
.. .. .. .. .. ..
. . . . . .

En effet, si Nk = i, le kième client a trouvé en arrivant i clients dans le système. Le client

suivant trouvera alors i + 1 clients si pendant l’interarrivée, aucun client n’a terminé son service,
i clients dans la file si un client a terminé son service et, de façon générale i + 1 − c clients dans la
file si pendant le temps séparant l’arrivée du kième client de celle du (k + 1)ième client, c clients
ont terminé leur service et quitté la file. Ainsi, si qi,j est la probabilité de transition de l’état i
vers l’état j, on a qi,j = 0 si j > i + 1 et

74
 qi,j = βi+1−j pour tout j ≤ i + 1
On pourrait alors montrer que le vecteur −→π des probabilités stationnaires existe et est solu-
→
− →
−
tion du système π = π P . Ce système s’écrit :

+∞
πk = πi βi−k+1 pour k = 0, 1, · · ·
i=k−1

On a alors le résultat suivant :

Propriété : Les probabilités stationnaires πn possèdent une distribution géométrique

πn = (1 − σ)σ n
où σ est l’unique solution strictement comprise entre 0 et 1 de l’équation

σ = A∗ (µ − µσ).
Preuve : On cherche une solution du système de la forme πn = Kσ n où K est une constante :

X
+∞
Kσ k = Kσ i βi−k+1
i=k−1
k−1
En divisant les deux côtés de l’égalité par Kσ , on obtient :

X
+∞ X
+∞
σ= σ i−k+1 βi−k+1 = σ j βj
i=k−1 j=0

X
+∞
En posant T (z) = βk z k la transformée en z des probabilités βk , on a immédiatement que σ est solution de
k=0
l’équation σ = T (σ). On admettra que cette équation possède une unique solution telle que 0 < σ < 1.
Par ailleurs, un calcul similaire à celui effectué dans la preuve de la propriété 3 nous permet de relier T (z) à
la transformée de Laplace de la loi d’interarrivée, de la façon suivante : T (z) = A∗ (µ − µz). σ est donc l’unique
solution de l’équation σ = A∗ (µ − µσ).
Il reste alors à déterminer l’expression de la constante K. La condition de normalisation des probabilités πn
nous donne immédiatement K = 1 − σ.

Pour calculer les probabilités stationnaires de la file G/M/1, il suffit donc de calculer la
transformée de Laplace de la fonction densité de probabilité fT de la loi générale d’interarrivée
et de résoudre l’équation σ = A∗ (µ − µσ). Notons que σ = 1 est toujours solution de cette
équation (car la normalisation de fT implique que A∗ (0) = 1). Cela permet dans tous les cas de
diminuer de un le degré de l’équation engendrée.

Nous allons appliquer cette relation à l’exemple particulier le plus simple d’une file G/M/1 :
celui d’une file M/M/1. Le temps d’interarrivée est distribué selon une loi exponentielle de taux
λ
λ. La transformée de Laplace de la distribution d’interarrivée est donc A∗ (s) = . On
λ+s
∗
résout alors le système σ = A (µ − µσ) :

λ
σ= soit µσ 2 − (λ + µ)σ + λ = 0
λ + µ − µσ

75
 λ
dont la seule racine strictement comprise entre 0 et 1 est σ = ρ = . On retrouve alors le
µ
résultat de la file M/M/1 : πn = (1 − ρ)ρn .

Les paramètres de performances sont toujours calculés lorsque la file est stable (λ < µ) et
pour le régime stationnaire.

Débit d = λ

λ
Taux d’utilisation du serveur : U = IE(Y ) × d = (loi de Little appliquée au serveur)
µ
1 σ
Temps moyen de séjour : W = +
µ µ(1 − σ)
Preuve directe : On calcule le temps moyen d’attente dans la file Wq .

Lorsqu’un client arrive, il trouve, avec une probabilité πn , n clients dans le système, donc n − 1 clients en
attente et un client en service. Il devra donc attendre que le client en service termine son service, puis que les
n − 1 clients devant lui dans la file effectuent un service complet. La propriété sans mémoire de la loi exponentielle
1
nous dit que le temps moyen résiduel de service est égal au temps moyen de service, soit . Wq s’exprime donc :
µ

X
+∞
1 1−σ X n
+∞
σ
Wq = n πn = nσ = .
n=0
µ µ n=0
µ(1 − σ)

σ 1
Le temps moyen de séjour W est finalement égal à W = Wq + IE(Y ) = + .
µ(1 − σ) µ

σρ
Nombre moyen de clients : L = W × d = ρ + (par la formule de Little)
1−σ

6.4 Extensions à la file G/G/1

Nous indiquons ici, sous forme d’exercice, une méthode pour traiter le cas général, méthode
qui fournit également le régime transitoire. Malheureusement, les intégrales rencontrées sont la
plupart du temps impossibles à calculer : il ne reste plus alors qu’à utiliser cette méthode avec
l’aide d’un ordinateur...

Cet exercice, traite en particulier complètement le cas M/M/1, et même le cas d’une im-
patience “a postériori” des clients (où les clients se sont donnés une limite τ0 de temps dans le
système à ne pas dépasser).

Pour résoudre cet exercice, il est nécessaire d’avoir quelques connaissances élémentaires sur
la transformée de Laplace, dont nous rappelons d’abord les principales propriétés.

76
Rappel sur la transformée de Laplace :

Pour f : IR+ → IR+ , et pour p > 0, on pose :

 +∞
L(f )(p) = f (p) = e−px f (x)dx.
0

Propriétés :
1
1) Si f : x
→ 1, L(f )(p) = .
p
1
2) Si f : x
→ e−λx g(x), L(f )(p) = L(g)(p + λ) ; en particulier, avec g = 1, L(f )(p) = .
p+λ
3) L(f  )(p) = −f (0) + pL(f )(p).  x
4) L(f ∗ g) = L(f )L(g), si f ∗ g(x) = f (u)g(x − u)du.
0

Notations :
Pour le kième client qui se présente dans le système, on note
• Ak l’instant de son arrivée ;
• Dk l’instant de son départ ;
• τk = Ak − Ak−1 l’intervalle de temps entre la (k − 1)ième arrivée et la kième ;
• Wqk le temps d’attente dans la file, éventuellement nul, du kième client ;
• Yk le temps de service du kième client ;
• Wk le temps passé dans le système par le kième client.

On suppose que la loi de τk est indépendante de k, de densité a, et que la loi de Yk est

indépendante de k, de densité v, de fonction de répartition H. On note Fk la fonction de
répartition de Wqk et Gk la fonction de répartition de Wk .

1) Exprimer Wk en fonction de Wqk et de Yk . En déduire que, pour tout x > 0,

 x
Gk (x) = Fk (x − t)v(t)dt.
0

2) Exprimer Wqk en fonction de Wk−1 et de τk . En déduire que, pour tout x > 0,

 +∞
Fk (x) = Gk−1 (x + t)a(t)dt.
0

3) Déterminer F1 (x) et montrer que les résultats précédants permettraient de déterminer

Fk (x) et Gk (x) pour tout k. Écrire les équations vérifiées par F et G en régime permanent.

4) On se propose de résoudre ces équations

 x dans le cas M/M/1.
i) Montrer que F (x) = eλx F (0) − λeλx e−λt G(t)dt pour tout x > 0, puis que
0

F (0) − λG(p) µF (p)

F (p) = et que G(p) = .
p−λ µ+p

p+µ  F (0)
ii) En déduire que F (p) = F (0), puis que F (x) = µ − λe−(µ−λ)x . Mon-
p(p + µ − λ) µ−λ
λ
trer enfin que F (x) = 1− e−(µ−λ)x et que G est la fonction de répartition d’une loi exponentielle
µ

77
de paramètre µ − λ.

5) Dans le cas avec impatience “a posteriori”, on pose W̃k = Wqk + Ỹk = min(Wk , τ0 ).
Exprimer Ỹk en fonction de Yk , de τ0 et de Wqk . En déduire qu’en régime permanent :
  x

H(x − t)dF (t) si x ≤ τ0
G(x) =
 1 0si x > τ
0

et en déduire la probabilité qu’une personne quitte le système avant la fin de son service.

78
Chapitre 7

Fiabilité

7.1 Introduction

La théorie de la fiabilité a pour objectif d’étudier l’aptitude de dispositifs techniques (ma-

chines, équipements,...), à accomplir une fonction requise, dans des conditions données, durant
un temps donné. Actuellement, c’est une discipline à part entière. Prévoir la fiabilité d’un
système est essentielle pour des problèmes de sécurité (systèmes de freinage, systèmes nucléaires,
systèmes informatiques...). La quasi-impossibilité de réparer certains matériels (satellites), les
problèmes économiques (coûts des défaillances, gestion du personnel de maintenance, mainte-
nance des stocks des pièces de rechange...) rendent nécessaire la connaissance de la fiabilité des
systèmes utilisés.
Les défaillances se produisant généralement de façon aléatoire, il est logique de faire appel
au calcul des probabilités pour étudier des problèmes de fiabilité. Ainsi, nous définissons la
fiabilité d’un dispositif comme étant sa probabilité de fonctionner correctement pendant une
durée donnée, ou, ce qui revient au même, la probabilité qu’aucune défaillance ne se produise
pendant cette durée.

7.1.1 Définitions

La variable aléatoire T , généralement absolument continue, représente la durée de vie d’un

dispositif (ou la durée de bon fonctionnement jusqu’à sa première panne).

• Fiabilité à l’instant t : R(t) = P ([T > t]).

• Fonction de répartition de T : F (t) = P ([T ≤ t]).
• Densité de défaillance : f , densité de la loi de T .
• Taux de défaillance instantanné : λ(t) = lim = P [T >t] ([t < T < t + h]).
h→0

Propriétés : L’une de ces données suffit à caractériser la loi de T .

Z t Z +∞
Preuve : On a R(t) = 1 − F (t), F (t) = f (u)du, R(t) = f (u)du et f (t) = F  (t) = −R (t).
0 » Z t t –
F  (t) R (t)
De plus, λ(t) = =− et R(t) = exp − λ(u) du .
1 − F (t) R(t) 0

7.1.2 Lois utilisées

1
• Loi exponentielle E(λ) : f (t) = λe−λt 1I]0,+∞[ (t), τ = IE(T ) = , λ(t) = λ (taux de
λ
défaillance constant, caractérise les dispositifs sans usure).
β −1
• Loi de Weibull : f (t) = λβ(t − t0 )β−1 e−λ(t−t0 ) , IE(T ) = Γ(1 + β −1 )(λ(t − t0 ))−β .

λa a−1 −λt a
• Loi gamma γ(λ, a) : f (t) = t e 1I]0,+∞[ (t), IE(T ) = .
Γ(a) λ

79
 1 (t−m)2
• Loi normale N (m, σ 2 ) : f (t) = √ e− 2σ2 , IE(T ) = m.
σ 2π
1 (ln t−m)2 σ2
• Loi log-normale : f (t) = √ e− 2σ2 1I]0,+∞[ (t), IE(T ) = em+ 2 .
tσ 2π

7.2 Systèmes non réparables

7.2.1 Généralités

On appelle système tout assemblage de composants, dont on suppose en général (mais pas
toujours !) que les pannes se produisent indépendamment les unes des autres.
Un système non réparable est un système pour lequel aucune réparation de composants
défaillants n’est invisageable.
À l’exception des systèmes en série, les systèmes ont généralement des structures redondantes :
un ou plusieurs composants peuvent tomber en panne sans que le système ne cesse de fonction-
ner. En renforçant la redondance du système, on augmente sa fiabilité. Il existe 2 types de
redondance :
→ redondance active (réserve chaude) : tous les composants fonctionnent en même temps.
→ redondance passive (réserve froide) : il existe des composants en attentte, qui ne peu-
vent pas tomber en panne tant qu’ils ne sont pas mis en marche.

7.2.2 Systèmes sans redondance

Un système de n éléments en série ne fonctionne que si les n éléments fonctionnent.

n
T = min(T1 , · · · , Tn ) et R(t) = Ri (t).
i=1

Sa fiabilité est plus faible que celle du composant le moins fiable.

7.2.3 Systèmes avec redondance

• Système en parallèle : fonctionne si au moins l’un de ses n éléments fonctionne.

n
T = max(T1 , · · · , Tn ) et F (t) = Fi (t).
i=1

Sa fiabilité est supérieure à celle du composant le plus fiable.

• Système k-de-n : fonctionne si au moins k de ses n éléments fonctionnent.

• Système mixte : association de systèmes en série et en parallèle, ou d’autres systèmes à

réserve chaude.

• Système à redondance passive (système à commutation) : un seul élément est en service à

la fois. Lorsqu’il tombe en panne, il est immédiatement remplacé.

T = T1 + · · · + Tn .

80
 7.3 Systèmes réparables

7.3.1 Introduction

Dans le but d’augmenter la fiabilité d’un système à redondance, on peut envisager de réparer
les composants qui tombent en panne. On admettra généralement qu’un composant réparé se
comporte comme un composant neuf. Pour résoudre ce type de problème, il est nécessaire de
connaı̂tre, non seulement la loi de la durée de bon fonctionnement, mais en plus, celle de la
durée de réparation.

Lorsque le nombre de réparateurs s est inférieur au nombre de composants du dispositif, une

file d’attente de composants en panne peut se former. Il s’agit d’un système fermé d’attente
(nombre de clients limité au n composants du dispositif), dont le taux d’entrée varie en fonction
de l’état dans lequel le système se trouve.

Pour un système réparable, il est nécessaire d’introduire une autre notion probabiliste : celle
de disponibilité : la disponibilité à l’instant t est la probabilité D(t) que le dispositif fonctionne
à l’instant t. La différence avec la fiabilité est que, pour la disponibilité, il a pu être en panne
avant l’instant t, mais à l’instant t, il fonctionne.

Remarque : D(t) ≥ R(t) et, dans le cas d’un système non réparable, D(t) = R(t).

7.3.2 Méthode des processus stochastiques

Il est nécessaire de définir avec précision tous les états possibles dans lesquels le système
peut se trouver. On étudie alors le processus (Xt )t≥0 , où Xt est l’état dans lequel le processus
se trouve à l’instant t. Un certain nombre de ces états (sous-ensemble EF de E) correspondent
au fonctionnement du dispositif, les autres (sous-ensemble ED de E) correspondent au cas où le
dispositif est défectueux (ne peut pas fonctionner).


On a alors D(t) = πk (t).
k∈EF
Pour calculer la fiabilité, on considère le système non réparable correspondant en rendant
les états de ED absorbants (taux de sortie de ces états rendus nuls).

La résolution de tels problèmes s’effectue comme dans les chapitres précédents. Ainsi :

→ on commence par déterminer le graphe des taux de transition ;

→ on écrit les équations de Kolmogorov : en chaque état k, la variation de flux est égale à
la différence ( flux entrant - flux sortant ), c’est-à-dire :



πk (t) = ai,k πi (t) − ak,j πk (t)
i=k j=k

(ai,j représentant le taux de transition de i vers j) ;

→ Le système différentiel obtenu est généralement difficile à résoudre. Pourtant, même si,
pour la disponibilité, on peut parfois se contenter du régime stationnaire, il est le plus souvent

81
nécessaire de connaı̂tre la fiabilité ou la disponibilité à un instant t donné. C’est pourquoi, on
cherche généralement à résoudre le système à l’aide des transformées de Laplace.
En effet, étant donnné que L(πk )(p) = pL(πk )(p) − πk (0), le système différentiel, se trans-
forme en système linéaire, beaucoup plus simple à résoudre. On obtient les L(πk )(p) sous forme
de fractions rationnelles de p, que l’on décompose en éléments simples, afin de “remonter ” à
1
πk (t), grâce à = L(t
→ eαt )(p) notamment.
p−α
La “technique” évoquée ici est développée dans les exercices correspondant à ce chapitre.

82