TD2 Master RSI 2020 2021
TD2 Master RSI 2020 2021
TD2 Master RSI 2020 2021
On suppose que le temps de séjour dans l’état 1 (resp. 0) est distribué exponentiellement de paramètre
µ (resp. λ). Soit p1 (t) = P r (Xt = 1), on suppose connu p1 (0).
1) Montrer que {Xt } est un processus de Markov. Quel est son générateur infinitésimal ?
2) Montrer que p1 (t) converge vers une limite π1 et que (1 − π1 , π1 ) est la solution stationnaire du
processus de Markov.
3) Si l’on suppose p1 (0) = π1 , que peut-on conclure ?
1
4) Quelle est la probabilité que les deux ordinateurs A et B soient en bon état ?
Exercice 4: On modélise une aire d’autoroute où peuvent stationner des camions et des voitures.
Un camion prend la place de deux voitures. Il y a en tout de la place pour 4 voitures, ou l’équivalent
en voitures et camions.
On suppose que les durées qui séparent les arrivées successives des voitures (respectivement des
camions) au parking sont indépendantes et suivent une loi exponentielle de paramètre λ1 (respec-
tivement de paramètre λ2 ). Ces durées sont appelées des inter-arrivées.
Les voitures (respectivement les camions) restent sur le parking une durée aléatoire de distribution
exponentielle de paramètre µ1 (respectivement de paramètre µ2 ).
On suppose que toutes les variables aléatoires qui entre en jeu dans cet exercice sont mutuellement
indépendantes.
1) Modéliser l’évolution du stationnement sur ce parking avec une chaı̂ne de Markov en temps continu:
préciser quel est l’espace d’états, expliquer pourqoui le processus est bien une chaı̂ne de Markov.
2) Représenter le diagramme de transition de cette chaı̂ne.
3) Écrire les équations d’équilibre que satisfait la distribution de probabilités stationnaires de la chaı̂ne.
4) Expliquer comment, à partir de ces probabilités stationnaire, vous calculeriez le nombre moyen de
camions présents sur ce parking.
Exercice 5: Soit (Xt )t∈lR+ un processus de Markov en temps continu homogène d’espace d’états
E dénombrable et de générateur Q. On pose Tn l’instant où Xt change d’état pour la n-ième fois
(aussi appelé l’instant du n-ième saut de Xt ).
On considère maintenant la suite (Yn )n∈IN dite processus aux instants de sauts de Xt qui est définie
par: Yn = XTn . On construit aussi une chaı̂ne de Markov en temps discret (Zn )n∈IN de matrice de
1
transition M définie par M = Id + .Q avec Id la matrice identité et Λ = maxi (−Qii ). Zn est
Λ
appelée l’uniformisation de Xt .
1) Expliquer pourquoi (Yn )n∈IN est une chaı̂ne de Markov en temps discret.
2) Montrer que la matrice M est bien une matrice stochastique et montrer que (Zn )n∈IN admet la
même probabilité stationnaire que Xt .