14. Introduction aux files d attente

Dimension: px
Commencer à balayer dès la page:

Download "14. Introduction aux files d attente"

Transcription

1 14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24

2 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files d attente 2/24

3 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files d attente 3/24

4 Introduction La théorie des files d attente consiste en l étude de systèmes où des clients se présentent à un dispositif de service, appelé serveur. Puisqu un client occupe le serveur pendant un certain temps, les autres clients doivent attendre avant d être servis, formant ainsi une file d attente. Quelques exemples d application : Réseaux informatiques : serveur = routeur, client = paquet. Ateliers (job shop) : serveur = machine, client = tâche. En ingénierie, on s intéresse à des métriques de performance des files d attente, par exemple : Taille moyenne de la file d attente. Taux d utilisation du serveur. Temps moyen d attente d un client. MTH2302D: Files d attente 4/24

5 Modèle élémentaire de file d attente En général, pour étudier l impact de différents choix de conception sur la performance d une file d attente, il faut construire un modèle de simulation. On peut aussi utiliser un modèle simplifié pour lequel les métriques s expriment par des équations analytiques. Le modèle de base en files d attente se nomme M/M/1 et se généralise en notation de Kendall A/B/C/K/N/D : A : processus d arrivée (M = markovien ou memoryless). B : processus de service (M = markovien ou memoryless). C : nombre de serveurs. K : capacité du système (file + serveurs). N : taille de la population des clients (habituellement infinie). D : discipline de service (par défaut, FIFO, ou PAPS : 1er arrivé 1er servi, mais aussi RANDOM ou PRIORITY). MTH2302D: Files d attente 5/24

6 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files d attente 6/24

7 Modèle M/M/1 Les clients se présentent au système aléatoirement selon un processus de Poisson de taux λ. Le temps de service suit une loi exponentielle de taux µ, indépendamment d un client à l autre. La file d attente peut s étendre à l infini. Rappel sur le processus de Poisson : Le nombre A(t) d arrivées dans l intervalle de temps [0; t] suit une loi de Poisson de paramètre c = λt. Les arrivées dans deux intervalles de temps disjoints sont indépendantes. Le temps qui s écoule entre deux arrivées suit une loi exponentielle de taux λ. MTH2302D: Files d attente 7/24

8 Exemple 1 Soit T n le temps d arrivée du n ième client dans une file M/M/1. On dit que T n suit une loi d Erlang de paramètres n et λ, i.e. T n Γ(α = n, λ). 1. Trouver la fonction de répartition de T n (utiliser le processus de Poisson). 2. Calculer E(T n ) et V(T n ). MTH2302D: Files d attente 8/24

9 Arrivée avant un départ et départ avant une arrivée Temps pour qu une nouvelle arrivée se produise : A Exp(λ). Temps pour qu un nouveau départ se produise : (A et D sont indépendantes). D Exp(µ). Probabilité qu une arrivée se produise avant un départ : P (A < D) = λ λ + µ. Probabilité qu un départ se produise avant une arrivée : P (D < A) = µ λ + µ. MTH2302D: Files d attente 9/24

10 Analyse en régime stationnaire Il est difficile d étudier la variable aléatoire N(t) représentant le nombre de clients au temps t dans le système. On s intéresse plutôt à N = lim t N(t). On parle alors d analyse en régime stationnaire (ou analyse à l équilibre). Pour qu une file M/M/1 puisse atteindre l équilibre, il faut que λ < µ (sinon la taille de la file augmentera à l infini). À l équilibre, on peut montrer que P (N = n) = λ µ P (N = n 1) + P (N = n + 1). λ + µ λ + µ λ λ+µ Il s agit de la règle des probabilités totales. Le terme représente la probabilité qu un nouveau client arrive avant que le µ client en service quitte le système, et λ+µ est la probabilité que le client en service quitte avant qu un nouveau client n arrive. MTH2302D: Files d attente 10/24

11 Équations d équilibre Soit π n = P (N = n). En posant les équations π 1 = λ λ+µ π 0 + µ λ+µ π 2, π 2 = λ λ+µ π 1 + µ λ+µ π 3,..., π n = λ λ+µ π n 1 + µ λ+µ π n+1,..., et n=0 π n = 1, on trouve que π n = (1 ρ)ρ n pour n = 0, 1, 2, 3,..., où ρ = λ µ est défini comme l intensité du trafic. On remarque que N + 1 Geom(1 ρ). MTH2302D: Files d attente 11/24

12 Notations N Q : nombre moyen de clients faisant la queue. N S : nombre moyen de clients en train d être servis. N = E(N) = N Q + N S : nombre total (attente + service) moyen de clients dans le système en équilibre. N Q, N S et N sont les v.a. correspondantes. On a P (N = k) = π k. T Q : temps moyen d attente. T S : temps moyen de service. T = T Q + T S : temps moyen qu un client passe dans le système. T Q, T S et T sont les v.a. correspondantes. T k : temps que passe le kème client dans le système. MTH2302D: Files d attente 12/24

13 La loi de Little La loi s énonce ainsi : N = λ e T où λ e est le taux d entrée dans le système (λ e = λ pour une file M/M/1). Puisque N = N Q + N S et T = T Q + T S, on trouve également que N Q = λ e T Q et N S = λ e T S. Remarque : La loi de Little s applique à tous les modèles de file d attente rencontrés en pratique (pas seulement à la file M/M/1). MTH2302D: Files d attente 13/24

14 Exemple 2 On considère une file d attente M/M/1 de taux λ = 1 et µ = 2. Calculer (à l équilibre) : 1. Le nombre moyen de clients dans le système, N. 2. Le nombre moyen de clients en service, N S. 3. Le nombre moyen de clients dans la file d attente, N Q. MTH2302D: Files d attente 14/24

15 Modèle M/M/1 : formules ρ = λ/µ. N = ρ 1 ρ. N S =1 π 0 = ρ. N Q =N N S = T =N/λ = T S = 1/µ. T Q =T T S = ρ2 1 ρ. ρ λ(1 ρ) = 1 µ λ. λ µ(µ λ). MTH2302D: Files d attente 15/24

16 Modèle M/M/1 : formules (suite) { Un seul serveur : N Q = 0 si N = 0 ou N = 1, N 1 si N > 1. P (N Q = 0) =P (N = 0) + P (N = 1) = π 0 + π 1 = 1 ρ + ρ(1 ρ) = (1 ρ)(1 + ρ). P (N Q = k) =P (N = k + 1) = π k+1 = ρ k+1 (1 ρ), pour k > 0. MTH2302D: Files d attente 16/24

17 Modèle M/M/1 : formules (suite) Si N est le nombre de clients dans le système à l équilibre, alors N + 1 = N 1 Geom(p = 1 ρ). Nombre de clients en train d être servis : N S Bern(ρ). Temps total (attente + service) passé dans la file : T Exp(µ λ). Temps d attente T Q (variable mixte) : P (TQ = 0) = π 0 = 1 ρ. TQ {N Q > 0} Exp(µ λ) (comme T ). MTH2302D: Files d attente 17/24

18 Exemple 3 On considère une file d attente M/M/1 de taux λ = 1 et µ = 2. Calculer (à l équilibre) : 1. Le temps moyen de séjour d un client dans le système, T. 2. Le temps moyen d attente d un client dans la file, T Q. 3. Le temps moyen de service d un client, T S. MTH2302D: Files d attente 18/24

19 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files d attente 19/24

20 Modèle M/M/1/K Pour un système de capacité K (taille maximale de la file de K 1) avec ρ = λ µ 1, on peut montrer que pour n = 0, 1,..., K : Si ρ < 1 : π n = P (Y = n+1 Y K+1) = avec Y Geom(1 ρ). Si ρ > 1 : π n = P (Y = K n + 1 Y K + 1) = (même formule dans les deux cas). P (Y = n + 1) P (Y K + 1) = ρn (1 ρ) 1 ρ K+1 P (Y = K n + 1) P (Y K + 1) = ρn (1 ρ) avec Y Geom(1 1/ρ). 1 ρk+1 MTH2302D: Files d attente 20/24

21 Modèle M/M/1/K (suite) L équilibre est atteint pour tout ρ : Si ρ 1, π n = ρ n 1 ρ 1 ρ K+1. Si ρ = 1, on considère des états équiprobables : π n = 1 K + 1 pour n = 0, 1,..., K. Le système est à pleine capacité avec probabilité π K. Taux d entrée : λ e = λ(1 π K ). MTH2302D: Files d attente 21/24

22 Exemple 4 Pour le système M/M/1/2 avec λ = µ, trouver l espérance et la variance du nombre de clients dans le système en équilibre. MTH2302D: Files d attente 22/24

23 Exemple 5 On considère une file d attente M/M/1/5 de taux λ = 1 et µ = 2. Calculer (à l équilibre) : 1. Le nombre moyen de clients dans le système. 2. Le nombre moyen de clients dans la file d attente. 3. La proportion de clients ne pouvant entrer dans le système. 4. Le temps moyen de séjour d un client dans le système. 5. Le temps moyen d attente d un client dans la file. MTH2302D: Files d attente 23/24

24 Exemple 6 On considère une file d attente M/M/1 avec priorité : Les clients de classe 1 ont une priorité absolue sur les clients de classe 2, c est-à-dire qu ils dépassent automatiquement tous les clients de classe 2 dans la file. De plus, un client de classe 2 en service retourne immédiatement dans la file d attente si un client de classe 1 se présente. On a λ 1 = 1 pour les clients de classe 1, λ 2 = 2 pour les clients de classe 2, et µ = 4. Calculer (à l équilibre) : 1. Le nombre moyen de clients de chaque classe dans le système. 2. Le temps moyen de séjour dans le système pour chaque classe. Indication : On peut montrer que les équations d équilibre de la file M/M/1 ne dépendent pas de la politique de service de la file. MTH2302D: Files d attente 24/24

Introduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr

Introduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux

Plus en détail

6. Quelques lois continues

6. Quelques lois continues 6. Quelques lois continues MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: Lois continues 1/30 Plan 1. Loi uniforme 2. Loi exponentielle 3. Lois gamma / Weibull / bêta MTH2302D:

Plus en détail

Chapitre 2 Maîtrise des flux. - Chapitre 2 - Maîtrise des flux

Chapitre 2 Maîtrise des flux. - Chapitre 2 - Maîtrise des flux - - Facteurs agissant sur les flux Les modèles pour les SP Les réseaux de files d attente 1 Facteurs agissant sur les flux Au niveau physique : L implantation Le nombre de machines Automatisation (robots,

Plus en détail

12/06/2012 INTRODUCTION

12/06/2012 INTRODUCTION Université Abdelmalek Essàadi Ecole Supérieure Normale - Martil - Réalisée par : - Noura ZEKKARI - Laila KARIM INTRODUCTION Une file d attente est le résultat d un système lorsque la demande pour un bien

Plus en détail

Modélisation et Simulation

Modélisation et Simulation Cours de modélisation et simulation p. 1/54 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

Cahier de Mathématiques Appliquées n o 14. Files d attente. B. Ycart

Cahier de Mathématiques Appliquées n o 14. Files d attente. B. Ycart 69 Cahier de Mathématiques Appliquées n o 14 Files d attente B. Ycart La théorie des files d attente a de nombreuses applications, en particulier dans les réseaux de communication et les réseaux informatiques.

Plus en détail

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA)

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA) Esterina Masiello Institut de Science Financière et d Assurances Université Lyon 1 Premières Journées Actuarielles de Strasbourg 6-7 octobre 2010 En résumé... Modèle classique de la théorie de la ruine

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

Exercices de Files d Attentes

Exercices de Files d Attentes Exercices de Files d Attentes Monique Becker André-Luc Beylot Alexandre Delye de Clauzade de Mazieux 2006-2007 v.2 ii Table des matières 1 Exercices généraux 1 1.1 Modèle du dentiste....................................

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

3. Caractéristiques et fonctions d une v.a.

3. Caractéristiques et fonctions d une v.a. 3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #8

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #8 ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #8 ARTHUR CHARPENTIER 1 Un contrat d assurance paie un maximum de 1 et comprend un déductible de 1 (c est-à-dire, perte de 0 à 1 elle ne rembourse rien, perte de 1 à

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Module 7: Chaînes de Markov à temps continu

Module 7: Chaînes de Markov à temps continu Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 2D CH X : Exemples de lois à densité 1 TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16 ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que

Plus en détail

Module 4 - Ordonnancement Processus. Lecture: Chapitre 5

Module 4 - Ordonnancement Processus. Lecture: Chapitre 5 Module 4 - Ordonnancement Processus Lecture: Chapitre 5 1 Aperçu du module Concepts de base Critères d ordonnancement Algorithmes d ordonnancement Ordonnancement de multiprocesseurs Évaluation d algorithmes

Plus en détail

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Livraison de colis pour des clients du e-commerce : modèles de Wardrop, et Logit simple ou imbriqué

Livraison de colis pour des clients du e-commerce : modèles de Wardrop, et Logit simple ou imbriqué Séminaire du LGI Centrale Paris Livraison de colis pour des clients du e-commerce : modèles de Wardrop, et Logit simple ou imbriqué Y. Hayel 1, D. Quadri 2, T. Jimenez 1, L. Brotcorne 3, B. Tousni 3 LGI,

Plus en détail

Calcul élémentaire des probabilités

Calcul élémentaire des probabilités Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4

Plus en détail

4 Distributions particulières de probabilités

4 Distributions particulières de probabilités 4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9 ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #9 ARTHUR CHARPENTIER 1 Soit X la variable aléatoire continue de fonction de densité : { (1.4)e 2x + (0.9)e 3x pour x > 0 f X (x) = 0 sinon. Trouver E[X]. A) 9 20 B)

Plus en détail

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE Statistiques et probabilités : Loi Normale Les I.P.R. et Formateurs de l Académie de LILLE Bulletin officiel spécial 8 du 13 octobre 2011 Cadre général : loi à densité Définition Une fonction f définie

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Chapitre 19 LES FILES D ATTENTE

Chapitre 19 LES FILES D ATTENTE OBJECTIFS D APPRENTISSAGE Après avoir terminé l étude de ce chapitre, vous pourrez : 1. Expliquer pourquoi des files d attente se forment dans des systèmes non congestionnés. 2. Identifier l objectif de

Plus en détail

Loi binomiale Lois normales

Loi binomiale Lois normales Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Majeure d informatique

Majeure d informatique Nicolas Sendrier Majeure d informatique Introduction la théorie de l information Cours n 1 Une mesure de l information Espace probabilisé discret L alphabet est X (fini en pratique) Variable aléatoire

Plus en détail

1 Partie mail (Jean-Luc Richier) environ 4 points

1 Partie mail (Jean-Luc Richier) environ 4 points Durée : 2 heures. Tous documents autorisés. Une partie des points tient compte de la clarté et de la présentation des réponses. Le barème est purement indicatif. Chaque partie devra être rédigée sur une

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

Probabilités Loi exponentielle Exercices corrigés

Probabilités Loi exponentielle Exercices corrigés Probabilités Loi exponentielle Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : densité de probabilité Exercice 2 : loi exponentielle de paramètre

Plus en détail

Exercices corrigés de SQ20

Exercices corrigés de SQ20 1 Exercices corrigés de SQ2 Corrigés TD 1 à 4 Printemps 215 responsable de l'uv : André Turbergue SQ2 TD1 : espaces probabilisés TD1 : espaces probabilisés 1 Énoncés Exercice 1. Calculer si possible une

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2

BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2 BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES Durée : 2 heures Coefficient : 2 SUJET Dès que le sujet vous est remis, assurez-vous qu il

Plus en détail

Processus aléatoires avec application en finance

Processus aléatoires avec application en finance Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Exercice 2 du cours Management Bancaire : «Calcul de la VaR d une position de marché»

Exercice 2 du cours Management Bancaire : «Calcul de la VaR d une position de marché» Exercice du cours Management Bancaire : «Calcul de la VaR d une position de marché» La réglementation bancaire impose aux banques de maintenir un niveau de capital minimum pour absorber les pertes dues

Plus en détail

Christophe Pouzat. SELECT : 26 Octobre 2009

Christophe Pouzat. SELECT : 26 Octobre 2009 Une application simple du théorème de Donsker pour la construction de tests de qualité d ajustement de modèles de l intensité conditionnelle d un processus de comptage Christophe Pouzat Laboratoire de

Plus en détail

Chapitre 6 : Génération aléatoire

Chapitre 6 : Génération aléatoire Chapitre 6 : Génération aléatoire Alexandre Blondin Massé Laboratoire d informatique formelle Université du Québec à Chicoutimi 12 février 2013 Cours 8STT105 Département d informatique et mathématique

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Asymétrie des rendements et volatilité multifractale

Asymétrie des rendements et volatilité multifractale Asymétrie des rendements et volatilité multifractale Emmanuel Bacry 1, Laurent Duvernet 2, Jean-François Muzy 3 Séminaire du Labex MME-DII 26 février 2013 1. CNRS École Polytechnique 2. Univ. Paris-Ouest

Plus en détail

Étude et simulation du phénomène d attente dans un système bancaire

Étude et simulation du phénomène d attente dans un système bancaire Étude et simulation du phénomène d attente dans un système bancaire Approximations des mésures de performances des files d attente M/G/c Donatien CHEDOM FOTSO * Laure Pauline FOTSO ** * Département d informatique

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

Petits jeux de probabilités (Solutions)

Petits jeux de probabilités (Solutions) Petits jeux de probabilités (Solutions) Christophe Lalanne En famille 1. Mon voisin a deux enfants dont l un est une fille, quelle est la probabilité pour que l autre soit un garçon? Une famille de deux

Plus en détail

Thèse. présentée en vu d obtenir le grade de Docteur, spécialité «Mathématiques Appliquées» par. ARRAR Nawel Khadidja

Thèse. présentée en vu d obtenir le grade de Docteur, spécialité «Mathématiques Appliquées» par. ARRAR Nawel Khadidja Université Badji Mokhtar-Annaba, Algérie Université Paris 1, Panthéon-Sorbonne, France Ecole Doctorale Sciences Mathématiques de Paris centre Laboratoire LaPS et LANOS, Annaba Laboratoire SAMM, Paris 1

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Probabilités (méthodes et objectifs)

Probabilités (méthodes et objectifs) Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d

Plus en détail

Qualité de service d'un centre de service de messagerie GSM (SMSC)

Qualité de service d'un centre de service de messagerie GSM (SMSC) UNIVERSITE LIBANAISE (Faculté de Génie) UNIVERSITE SAINT-JOSEPH (Faculté d'ingénierie) Sous l'égide de l'agence Universitaire de la Francophonie AUF Diplôme d'etudes Approfondies Réseaux de télécommunications

Plus en détail

Master MIMSE - Année 2. Optimisation Stochastique Gestion des stocks stochastique DRAFT -- DRAFT -- DRAFT -- DRAFT -- DRAFT --

Master MIMSE - Année 2. Optimisation Stochastique Gestion des stocks stochastique DRAFT -- DRAFT -- DRAFT -- DRAFT -- DRAFT -- 1 Master MIMSE - Année 2 Optimisation Stochastique Gestion des stocks stochastique 2 Incertitudes dans le modèle Le modèle de base : contraintes de satisfaction des demandes Tx h avec Tk T x représentant

Plus en détail

I La théorie de l arbitrage fiscal de la dette (8 points)

I La théorie de l arbitrage fiscal de la dette (8 points) E : «Théories de la finance d entreprise» Master M1 Université Paris-Dauphine Thierry Granger Année Universitaire 2013/2014 Session 1 Aucun document, calculette autorisée Durée 1h30 Respecter la numérotation

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

Table des matières. Préface... 11 Henri BAUDRAND. Introduction... 13

Table des matières. Préface... 11 Henri BAUDRAND. Introduction... 13 Table des matières Préface... 11 Henri BAUDRAND Introduction... 13 Chapitre 1. Fondements des réseaux satellitaires... 19 1.1. Introduction... 19 1.2. Orbites pour la satellisation... 20 1.2.1. Caractéristiques

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Internet : modéliser le trafic pour mieux le gérer

Internet : modéliser le trafic pour mieux le gérer Internet : modéliser le trafic pour mieux le gérer 16/12/05 Les spécialistes des réseaux de communication s efforcent de bien comprendre les propriétés statistiques du trafic de données qu'ils doivent

Plus en détail

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx ECRICOME 2004 Voie Eco 1 EXERCICE 1 EXERCICE Soient f la fonction numérique de la variable réelle définie par : x R, f (x = 1 2 et (u n la suite de nombres réels déterminée par : { u 0 = 1 f (x dx 0 n

Plus en détail

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires Chapitre I Probabilités Bcpst 1 2 novembre 2015 I Exemples d expériences aléatoires Une expérience aléatoire est une expérience dont on ne peut pas prédire le résultat avant de l avoir réalisée... ce qui

Plus en détail

les réseaux de Internet : modéliser le trafic pour mieux le gérer François Baccelli

les réseaux de Internet : modéliser le trafic pour mieux le gérer François Baccelli Internet : modéliser le trafic pour mieux le gérer François Baccelli Les spécialistes des réseaux de communication s efforcent de bien comprendre les propriétés statistiques du trafic de données qu ils

Plus en détail

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006

CONCOURS D ADMISSION. Option économique MATHEMATIQUES III. Année 2006 ESSEC M B A CONCOURS D ADMISSION Option économique MATHEMATIQUES III Année 2006 La présentation, la lisibilité, l orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront

Plus en détail

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Chapitre 8 : Probabilités-Indépendance

Chapitre 8 : Probabilités-Indépendance Cours de mathématiques Terminale S Chapitre 8 : Probabilités-Indépendance Année scolaire 008-009 mise à jour 6 janvier 009 Fig. Andreï Kolmogorov Un précurseur de la formalisation de la théorie des probabilités

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

Systèmes d'exploitation Chapitre II. Gestion des processus

Systèmes d'exploitation Chapitre II. Gestion des processus Systèmes d'exploitation Chapitre II Gestion des processus 1 Processus Un programme qui s exécute Les ordinateurs autorisent maintenant plusieurs processus simultanément (pseudo parallélisme) A B A B C

Plus en détail

Calcul élémentaire des probabilités

Calcul élémentaire des probabilités Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire Variables aléatoires. Exemple 1. (Jeu d argent) Exemple 2. Loi de

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques ANNEXE BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques L'enseignement des mathématiques dans les sections de techniciens supérieurs Agencement de l'environnement architectural

Plus en détail

Hydraulique des terrains

Hydraulique des terrains Hydraulique des terrains Séance 3 : Hypothèses de l écoulement en conduite Guilhem MOLLON GEO3 2012-2013 Plan de la séance A. Cinématique d écoulement -Lignes caractéristiques -Vitesses et débits B. Hypothèse

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Exercices corrigés de probabilités et statistique

Exercices corrigés de probabilités et statistique Exercices corrigés de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Slalom spécial dans l'aléa du trafic

Slalom spécial dans l'aléa du trafic Slalom spécial dans l'aléa du trafic T. Bonald Orange Labs FIP 2008 sorties de piste 1 "Avec 2 fois plus de trafic, chaque utilisateur obtient 2 fois moins de." "En servant en priorité les mobiles proches,

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

2 36. k 2 3 4 5 6 7 8 9 10 11 12

2 36. k 2 3 4 5 6 7 8 9 10 11 12 Chapitre 2 : Variables aléatoires discrètes Les variables aléatoires qui apparaissent dans ce chapitre (et son appendice) sont des exemples de variables aléatoires discrètes. I- Variables aléatoires. 1.

Plus en détail

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail