Vincent Boucheny (a.k.a. Mankalas) Option SCIA Recherche opérationnelle Stochastiques Promo 2007 Ce document reprend les prises de notes eectuées durant le cours de Patrick Siarry et n'est en aucun cas destiné à être diusé à l'extérieur du cadre de l'EPITA. Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques TABLE DES FIGURES Ing2 EPITA Table des matières 1 Probabilités 1.1 1.2 2 3 4 5 Rappels 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1.1 Dénombrement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1.2 Loi de Bernouilli 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Probabilités conditionnelles Théorème de Bayes . . . . . . . . . . . . . . . . . . . . . . . Chaînes de Markov 1 2 2.1 Régime transitoire d'une chaîne de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Régime permanent d'une chaîne de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Processus de Markov 6 Généralités 6 4.1 Ergodicité d'un processus de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 4.2 Processus de naissance et de mort 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Files d'attentes 5.1 9 Application du service comptable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.2 Exploitation du modèle 9 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 Table des gures 1 Exemple de la cage d'animal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Graphe de transition de la cage d'animal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 Graphe de transisitions du sous-problème de l'animal dans sa cage 4 4 Graphe de transition du problème du garagiste . . . . . . . . . . . . . . . . . . . . . . . . . 5 5 Schéma du magasin de stockage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6 Graphe de transition pour l'exemple du magasin 7 Exemple de coupes dans un graphe de transition simplié 8 Processus de naissance et de mort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 . . . . . . . . . . . . . . . . . . . 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 9 Organisation de la société de comptabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 10 Graphe de transition du problème de la société de comptabilité . . . . . . . . . . . . . . . . 10 1 Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 1. Probabilités Ing2 EPITA 1 Probabilités 1.1 Rappels 1.1.1 Dénombrement Exemple : Soit une main au bridge, soit 13 cartes, extraites parmi 52. Quelle est la probabilité k as dans la main (0 ≤ k ≤ 4) ? qk d'avoir exactement q0 + q1 + q2 + q3 + q4 = 1. Vérier que On dénombre les probabilités. qk = Dénominateur : Nombre d'événements favorables Nombre d'événement possibles 13 C52 = tirer tirer Nombre de mains ayant exactement k as Nombre total de mains possibles 52! 13!(52 − 13)! Nombre de mains de 13 cartes ayant exactement problème : 13 cartes = →k as + (13 − k) k as. Supposons qu'on ait une main qui réponde au non-as. Le problème devient : k cartes parmi un ensemble de 4 cartes (les (13 − k) carte parmis 48 cartes (les non-as) C4k . 13−k = C48 . as) = Finalement, qk = q0 = q1 q2 q3 q4 4 X qk = 1 k=0 13 C40 C48 48! 13!39! 39 × 38 × 37 × 36 = = ≈ 0, 304 13 C52 13!35! 52! 52 × 51 × 50 × 49 ≈ 0, 439. ≈ 0, 213. ≈ 0, 041. ≈ 0, 003. 13−k C4k C48 , 13 C52 Exemple : Quelle est la probabilité d'avoir une main rouge ? Q= 1.1.2 13 C26 −5 13 ≈ 1, 6.10 C52 Loi de Bernouilli Exemple : Soit un lot de coton. On suppose qu'il y a dans ce lot de coton 75% de bres dont la longueur 25% de bres dont la longueur l ≤ 45mm. l > 45mm. On a 3 bres tirées au hasard. Quelle est la probabilité d'avoir 2 bres longues et 1 bre courte ? P (L) = 0, 25 = p. Loi de Bernouilli (binômiale) : 2 possibilités complémentaires. P (2L, 1C) = ppq + pqp + qpp = 3p2 q . Pour n tirages succesifs, la probabilité d'obtenir m fois l'événement de probabilité p et d'obtenir (n − m) fois l'événement de probabilité q est Cnm pm q n−m On a P (C) = 0, 75 = q et 3 tirages successifs sans remise. Donc 1.2 Probabilités conditionnelles Théorème de Bayes Exemple : Supposons deux urnes U1 et U2 . Dans l'urne U1 , on place 4 boules blanches et dans U2 , on place une boule noire et 3 boules blanches. Un individu choisit au hasard une urne et tire successivement 2 boules dans cette même urne. 1. On remet la boule après le premier tirage. 1 Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 2. Chaînes de Markov Ing2 EPITA Fig. 1 Exemple de la cage d'animal (a) Quelle est la probabilité de tirer deux boules blanches ? (b) Sachant que la première boule était blanche, quelle est la probabilité que la deuxième le soit ? 2. Mêmes tirages, mais sans remise. 1. (a) Deux cas de gure Le tirage s'est fait dans l'urne 1 : Le tirage s'est fait dans l'urne 2 : Donc P (2B) = 1 2 ×1+ 1 2 × 3 4 (b) Est-ce plus facile de calculer 3 4 × = P (2B) = 1. P (2B) = 43 × 3 4. 25 32 . P (A/B) plutôt que P (A/B) = P (B/A) ?. Théorème de Bayes : P (B/A)P (A) P (B) P (U1 /1B) = P (1B/U1 )P (U1 ) = P (1B) P (U2 /1B) = P (1B/U2 )P (U2 ) = P (1B) 1 2 1 × 21 4 = 7 × 1 + 12 43 3 4 1 2 × 21 3 = 7 × 1 + 12 43 Au nal, P (2eme B/1ere B) = (a) P (2B) = 1 2 ×1+ 1 2 × 3 4 × 23 = 3 4 = 33 25 4 ×1+ = 7 74 28 24 32 (b) P (2eme B/1ere B) = 32 24 4 ×1+ = 7 73 28 2 Chaînes de Markov Processus aléatoire sans mémoire, temps discret. Ingrédients : 1. Un système observé Exemple Un animal de laboratoire enfermé dans une cage à 5 compartiments (Figure 1) : 2. Ce système peut se trouver dans diérents états. Ce sont les diérentes observations possibles. Dans l'exemple, on a 5 états A, B , C , D et E qui correspondent à la présence de l'animal dans l'un de ces compartiments. Si l'animal est dans la case C, on dira que le système est dans l'état C. 3. On a fait la liste de tous les états possibles (ces états possibles sont en nombre ni ou inni) 4. À un instant quelconque, le système est dans un état, et un seul. Les états s'excluent mutuellement. 5. On suppose que les instants d'observation du système sont discrets, à intervalles de temps généralement réguliers (ex : τ = 1s). τ est choisi assez petit pour que l'on ne rate aucune transition. 2 Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 2. Chaînes de Markov Ing2 EPITA Fig. 2 Graphe de transition de la cage d'animal 6. Une chaîne formée pas la succession des états observés. (ex : (A, A, B, B, B, . . .), (A, C, C, C, D, D, C, . . .)). 7. Transitions entre les états : changements d'état. Hypothèse : On suppose que, si le système est dans un état donné Ei à l'instant d'observation kτ , on connaît la probabilité que le système soit dans chacun des états possibles à l'instant d'observation suivant. Cette probabilité est une probabilité conditionnelle : nb_états P (Ej /Ei )j=0 Tout le passé du sytème se résume dans l'état présent. On suppose connue la matrice dite matrice de transition M. C'est une matrice carrée n × n avec n le nombre ni Pi,j = P (etatj /etati ) d'états possibles. M contient des probabilités de transition que l'on va noter Exemple : 0, 2 0 M = 0 0 0 0, 5 1 0 0 0 0, 3 0 0 0 0 0 0, 3 0, 4 0, 3 0, 3 0, 7 0 0 0, 4 0, 6 La chaîne des états observés est devenue une chaîne de Markov. À partir de la matrice M, on peut dénir un graphe de transition (Figure 2). ⇐⇒ (i, j) ⇐⇒ sommets états. arc transition de l'état valuation de l'arc i à l'instant kτ à l'état j à l'instant (k + 1)τ . (i, j) ⇐⇒ Pi,j . 2.1 Régime transitoire d'une chaîne de Markov 32τ ? Non, seulement Π0 = (1, 0, 0, 0, 0). On a Est-il possible de connaître l'état dans lequel sera le système à l'instant B E Π32 = (ΠA 32 , Π32 , . . . , Π32 ). Si l'état d'origine est l'état A, alors Πk = Πk−1 M, k ≤ 1 Exemple : A B E ΠC 1 = Π0 pA,C + Π0 pB,C + . . . + Π0 pE,C Si l'on désire calculer directement Πk : 3 un vecteur Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 2. Chaînes de Markov Ing2 EPITA Fig. 3 Graphe de transisitions du sous-problème de l'animal dans sa cage Πk = Π0 M k 2.2 Régime permanent d'une chaîne de Markov La chaîne de Markov est ergodique (ou fortement ergodique) si et seulement s'il existe une limite aux vecteurs Πk quand k→∞ Intérêt de l'ergodicité. et si cette limite est indépendante de l'état initial En régime permanent (k → ∞), Π0 . il y a une sorte de disparition du hasard. Le processus devient prévisible. On peut dimensionner le système. On constate deux phénomènes : l'agitation microscopique et la stabilisation macroscopique. 2 interprétations : 1. Interprétation ponctuelle. Si l'on observe le système à un instant kτ susamment grand pour que le ∗ régime soit permanent, la probabilité d'observation de chaque état est connu (Π ). Si l'on fait une observation à un instant k0 τ avec k0 > k, alors la probabilité de chaque état est la même. 2. Interprétation statistique. Une fois dans le régime permanent, si l'on observe plusieurs fois le système pendant une certaine durée, la répartition des états est égale. En régime permanent, le système passe une proportion constante de son temps dans chacun des états. Quand la chaîne de Markov est-elle ergodique ? Il n'y a pas de condition nécessaire et susante pour répondre à cette question, il n'y a qu'un jeu de conditions susantes qui portent sur le graphe de transition : 1. Graphe ni (nombre d'états ni). 2. Graphe fortement connexe. 3. Graphe comporte au moins une boucle (arc qui part d'un sommet et qui rejoint ce même sommet). Comment calculer le vecteur Π∗ ? X Π∗ = Π∗ .M (1) Π∗i = 1 (2) i Exemple Animal dans sa cage : La chaîne de Markov n'est pas ergodique car le graphe n'est pas fortement connexe (B est un cul-de-sac). Exemple Sous-problème de l'animal dans sa cage : On réduit la cage à trois compartiments : C, D et E (voir Figure 3). 0, 3 0, 4 0, 3 M = 0, 3 0, 7 0 0, 4 0 0, 6 4 Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 2. Chaînes de Markov Ing2 EPITA Fig. 4 Graphe de transition du problème du garagiste L'ergodicité est assurée ici. Calculons le vecteur Π∗ Π∗ Π∗ . = (c, d, e) 0, 3 0, 4 0, 3 (c, d, e) = (c, d, e) × 0, 3 0, 7 0 0, 4 0 0, 6 c+d+e = 1 12 16 9 , , = 37 37 37 (3) (4) (5) Exemple Garagiste : Location de camionnettes, parc de 4 camions, demande > ore, location minimale au début d'une journée est de 2 camions. Pour un camion loué, il y a une certaine probabilité de panne non-panne q =1−p⇒ p et une probabilité de loi binômiale. Le garagiste répare un seul vehicule en soirée. Étudier le fonctionnement de cette entreprise en la modélisant par une chaîne de Markov. Ici, τ correspond à une journée. Les états sont observés au début de chaque journée. Les états vont correspondre au nombre de véhicules en état de marche au début d'une journée. Il n'y a que 4 états possibles (le garagiste répare toujours un véhicule le soir) : D A, B , C et D (A = 1 véhicule opérationnel, = 4 véhicules). 0 p 2 M = p 3 p4 1 2pq 3p2 q 4p3 q 0 q2 3pq 2 6p2 q 2 0 0 3 q 4pq 3 + q 4 On suppose qu'en début d'année, tous les véhicules sont en état de marche. On suppose également que p=q= 1 2. Π0 Π1 Π2 = (0, 0, 0, 1) 1 4 6 5 , , , = 16 16 16 16 33 104 82 37 = , , , 256 256 256 256 . . . Π∗ a b c d (7) (8) (9) = (6) 61 196 88 16 , , , 361 361 361 361 1 = 14 b + 18 c + 16 d 2 3 = a + 4b + 8c + 6 = 14 b + 38 c + 16 d 1 5 = 8 c + 16 d 5 4 16 d (10) Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 4. Généralités Ing2 EPITA Fig. 5 Schéma du magasin de stockage 3 Processus de Markov 4 Généralités C'est l'extension au cas continu ∀t du modèle des chaînes de Markov. Il n'y a pas d'instant d'observation privilégié. Éléments nécessaires pour fabriquer un processus de Markov : Un système observé. Ce système peut occuper diérents états possibles. La liste de ces états est connue à l'avance (liste nie ou innie). Les états s'excluent mutuellement. Transitions entre les états sont de nature stochastique. Caractère markovien (absence de mémoire) ? Reconstitution d'une sorte de discrétisation du temps ? ⇒ Loi de Poisson : les changements d'état du système sont dûs à des événements (ex : arrivée d'usagers dans un bureau de poste, arrivées de travaux à traiter dans un ordinateur, etc.). Ces événements sont régis par des lois de Poisson. λ. Propriété particulière de la loi de Poisson de taux ments pendant un temps t : Pn (t) = λ Dénition : probabilité de l'occurence de n événe- (λt)n −λt e n! est une constante connue. dt : λdt. (λdt)2 . On peut temps dt. Propriété : probabilité d'occurence d'un seul événement pendant un temps petit Conséquence : la probabilité de 2 événements pendant le même temps que 2 (λdt) << λdt. | {z } dt : Il est impossible d'avoir 2 événements pendant le même donc dire ≈0 Pendant dt, il y a deux possibilités : soit il se produit un événement, soit il ne se passe rien. Cela reste vrai avec plusieurs lois. Discrétisation du temps : on considère toutes les transitions entre 2 instants voisins : t et t + dt. 2 possibilités seulement : soit il n'y a pas d'événement, soit il y en a un et un seul. Absence de mémoire : on va considérer que la probabilité de transition d'un état état Ej à l'instant t + dt Ei à l'instant t à un autre Ei . ne dépend que de Exemple Magasin de stockage : On considère un magasin de stockage de composants électroniques. On suppose que les composants sont L1 , L2 et L3 . On des composants dans des lieux Li . Chaque loi de Poisson de taux µi . stockés dans trois lieux : a deux robots qui se déplacent et qui sont chargés de prendre prélèvement en un lieu donné Li , i ∈ {1, 2, 3} est régi par une On suppose que ce sont les prélèvements qui prennent du temps vis-à-vis de la dynamique de déplacement des robots. Le programme suivi de chaque robot : 1. Prélèvement en L1 . 2. Prélèvement en L2 3. Retour un avec la probabilité p ou alors le prélèvement se fait en L1 . 4. Si un robot est déjà présent en Li , le deuxième robot attend son tour. 6 L3 avec la probabilité q. Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 4. Généralités Ing2 EPITA Fig. 6 Graphe de transition pour l'exemple du magasin Modéliser le problème avec un système 3 lieux, 2 robots par un processus de Markov. La modélisation consiste à faire la liste des états possibles : présents en Li . On construit le graphe de transition entre transitions de t (E1 , E2 , E3 ) avec Ei le nombre de robots Il y a 6 états possibles : (2,0,0), (0,2,0), (0,0,2), (1,1,0), (1,0,1), (0,1,1). à t et t + dt. Les sommets vont être les états et les arcs seront les t + dt. On trace le graphe de transition simplié 1. On omet les boucles. 2. On value le graphe par des taux de probabilité proba dt . 4.1 Ergodicité d'un processus de Markov t susant : on a laissé passé le régime transitoire. Existe-t-il un régime permanent, c'est-à-dire est-ce que la probabilité d'observer chacun des états devient-elle indépendante du temps ? Π∗ = (Π∗0 , Π∗1 , . . .). Π∗i correspond à la probabilité d'observer l'état instant t quelconque. C'est l'interprétation ponctuelle de l'ergodicité. On associe à chacun des états un vecteur Ei si on examine le système à un Comment savoir si le processus de Markov est ergodique ? S'il est ergodique, comment calculer le vecteur Π∗ ? Les conditions susantes pour l'ergodicité sont les mêmes que pour les chaînes de Markov. Théorème des coupes : Soit une coupe dénie comme étant une ligne fermée entourant un nombre quelconque de sommets du graphe de transition. En régime permanent (si ergodicité), la probabilité de sortie dt. 1 . Avec 2 ces hypothèses, le problème qui comportait 6 inconnues n'en comporte plus que 4. En eet, il n'y a plus ∗ ∗ ∗ ∗ de diérence entre L2 et L3 . Donc Π020 = Π002 et Π110 = Π101 . d'une coupe quelconque est égale à la probabilité d'entrée dans cette même coupe pendant le temps On choisit quelques hypothèses pour simplier le problème. On prend µ1 = µ2 = µ3 et p=q= On connait déjà une relation : X Π∗i = 1 i Il ne manque plus que 3 relations pour établir un système de 4 équations à 4 inconnues. On prend la coupe C1 (voir Fig. 7) qui isole 002 : Proba de sortie Proba d'entrée On prend la coupe C2 : Π∗002 × µ3 dt : Π∗101 × qµ1 dt Proba d'entrée C3 ⇒ Π∗002 × µ3 dt = Π∗101 × qµ1 dt ⇒ 2Π∗002 = Π∗101 qui isole 011 : Proba de sortie On prend la coupe : Π∗011 × µ3 dt + Π∗011 × µ2 dt : Π∗110 × qµ1 dt + Π∗101 × pµ1 dt qui isole 200 : 7 ⇒ 2Π∗011 = Π∗110 Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 4. Généralités Ing2 EPITA Fig. 7 Exemple de coupes dans un graphe de transition simplié Fig. 8 Processus de naissance et de mort Proba de sortie Proba d'entrée : Π∗200 × qµ1 dt + Π∗200 × pµ1 dt : Π∗101 × µ3 dt + Π∗110 µ2 dt ⇒ 2Π∗110 = Π∗200 On obtient donc le système : 2Π∗002 Π∗101 Π∗200 ∗ Π200 + 2Π∗002 + Π∗011 + 2Π∗101 ∗ Π∗101 Π020 = Π∗002 ∗ ∗ Π110 = Π∗101 2Π011 ⇒ ∗ Π∗ 2Π101 011 Π∗200 1 = = = = Interprétation : Quel est le nombre moyen de robot se trouvant en 2 2 4 n1 = 1 × 11 + 1 × 11 + 2 × 11 = 1 2 n2 = n3 = 2 × 11 + 1 × 11 + 1 × 12 11 2 11 = L1 ? en L2 ? 1 11 2 11 1 11 4 11 = = = = en L3 ? 5 11 4.2 Processus de naissance et de mort C'est un processus de Markov particulier, à la base de la théorie des les d'attentes. Caractéristiques spéciques : États E0 , E 1 , . . . , E k avec Ek l'état associé à la présence de k usagers dans l'organisme. Par exemple, le nombre de personnes dans un bureau de poste, le nombre d'appels téléphoniques dans un central, etc. Les transitions entre états sont associés à des entrées-sorties d'usagers. Les entrées / sorties sont régies par des lois de Poisson (caractère markovien). Graphe de transition formé de boucles. Il ne peut y avoir que des transitions de Ei à Ei+1 (voir Fig. 8). Le graphe est toujours le même, au nombre de boucles prêt. C'est un processus ergodique (uniquement si le nombre d'états est ni). Les conditions sont susantes (graphe complet ni, fortement connexe avec au moins une boucle). Donc Le calcul du vecteur Π ∗ est fait une fois pour toutes : 8 Π∗ existe en régime permanent. Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 5. Files d'attentes Π∗ = Π∗1 = Π∗2 = Ing2 EPITA (Π∗0 , Π∗1 , . . . , Π∗n ) λ0 ∗ Π µ1 0 λ1 ∗ λ1 λ0 ∗ Π = Π µ2 1 µ2 µ1 0 (11) (12) (13) . . . Π∗n (14) Qn−1 λ Q0 n i Π∗0 µ 1 j = (15) En rajoutant la relation de normalisation : n X Π∗i = 1 (16) i=0 Cas particulier : ∀i, λi = λ; ∀j, µj = µ ⇒ ∀Π∗k = k λ Π∗0 µ 5 Files d'attentes A/B/n/m/discipline. A : Loi des arrivées. B : Loi des services (sorties). n : Nombre de guichets. m : Capacité maximale de l'organisme. Notation de Kendall : Avec discipline : façon dont les usagers sont servis (ex : FIFO). Cas particuliers : n = 1, ⇒∀i, λi = λ et ∀j, µj = µ. Formules connues à l'avance si la capacité maximale m M/M/1/m(/FIFO). ouvert : m non ni : M/M/1/∞. On utilise les formules du cas précédent en passant à la guichet unique est donnée : Système limite. Les conditions susantes d'ergodicité ne sont plus vériées. Condition nécessaire et susante d'ergodicité Π∗0 λ <1⇒ Π∗k µ = = 1− λ µk λ µ Π∗0 Conclusion Système fermé ⇒ergodicité ∀λ, µ. ⇒ergodicité ssi µλ < 1. Système ouvert 5.1 Application du service comptable soient 5 comptables, 2 terminaux. Chaque comptable a besoin d'accéder à un terminal selon une loi de Poisson de taux β=5 accès par heure. Pour chaque terminal, le service est rendu selon une loi exponentielle de taux α : durée des services de loi exponentielles⇒n des services = sorties d'usagers de loi de Poisson. Entrées et sorties Poissonieuses. Durée moyenne d'une transaction : 4 minutes⇒taux moyen de n de service : heure. ATTENTION : β est pour un comptable, α pour un terminal. La société est structurée comme selon la Figure 9. 9 α= 60 4 = 15 transaction par Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 5. Files d'attentes Ing2 EPITA Fig. 9 Organisation de la société de comptabilité Fig. 10 Graphe de transition du problème de la société de comptabilité 5.1.1 Modélisation 1. Étapes possibles. Si k = 3, il y a 3 comptables dans la salle info. À l'instant t + dt, t1 se libère avec une probabilité αdt. t2 se libère avec une probabilité αdt. b1 veut accéder à un terminal avec une probabilité de βdt. b2 veut accéder à un terminal avec une probabilité de βdt. 2. Graphe de transition : voir Figure 10. 3. Si ergodicité, calculer Π ∗ A α, B pour pour quels sont les états possibles ? β .. . Le processus est bien ergodique. On a 5β ∗ Π α 0 60β 3 ∗ Π Π∗3 = 4α3 0 120β 5 ∗ Π∗5 = Π 16α5 0 Π∗1 = ; ; 5β × 4β ∗ Π α × 2α 0 120β 4 ∗ Π Π∗4 = 8α4 0 Π∗2 = Et 5 10 15 15 15 Π∗0 1 + + + + + =1 3 9 27 81 486 On obtient donc : 10 Cours SCIA Promo 2007 Recherche opérationnelle Stochastiques 5. Files d'attentes 162 737 180 Π∗2 = 737 30 Π∗4 = 737 Π∗0 = 5.1.2 ; ; ; Ing2 EPITA 270 737 90 Π∗3 = 737 5 Π∗5 = 737 Π∗1 = Exploitation du modèle Quelle et la probabilité d'une attante nulle ? Ponctuel : p1 = Π∗0 + Π∗1 = 0, 6 Quel est le nombre moyen de terminaux utilisés ? Statistique : p2 = Π∗1 + 2(Π∗2 + Π∗3 + Π∗4 + Π∗5 ) = 1, 19 Quel est le temps moyen total perdu par heure cumulé sur les cinq comptables ? Nombre moyen de comptable en attente : Π∗3 + 2Π∗4 + 3Π∗5 = 165 737 Or, c'est également le temps d'attente en heure. Temps d'attente = temps perdu = 11 165 737 h ≈ 13min.