File d’attente

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/281749094
Application de la théorie des ﬁles d'attente pour mesurer la qualité de service

dans un centre de payement.
Thesis · June 2004
CITATIONS READS
0 545
1 author:
Salah Bouabdallah
Université de M'sila
5 PUBLICATIONS 0 CITATIONS
SEE PROFILE
All content following this page was uploaded by Salah Bouabdallah on 15 April 2023.
The user has requested enhancement of the downloaded file.

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE MOHAMED BOUDIAF DE M'SILA
FACULTE DES SCIENCES ECONOMIQUES, SCIENCES COMMERCIALES ET

SCIENCES DE GESTION
DEPARTEMENT DES SCIENCES COMMERCIALES
THESE
Présentée par
Salah BOUABDALLAH
En vue de l’obtention du diplôme de
MAGISTERE
Option : Management
Sujet de la thèse
APPLICATION DE LA THEORIE DES FILES D’ATTENTE POUR MESURER LA

QUALITE DE LA PRESTATION DES SERVICES AU SECTEUR DES POSTES.
ETUDE PRATIQUE AU CENTRE PAYEUR DE M’SILA HODNA.
Thèse soutenue le : 08/06/2004

Devant la commission d’examen composée de :
M. YAGOUBI Maître de conférence Président U. M. B. de M’sila

K. SADAOUI Maître de conférence Rapporteur U. F. A. de Sétif
S. REDJEL Maître de conférence Examinateur U. M. M. de Constantine
R. NECIB Maître de conférence Examinateur U. B. M. de Annaba
Avertissement
L’Université n’entend donner ni approbation ni improbation aux idées figurant dans ce mémoire.
Celles-ci n’engagent que la responsabilité de leur auteur.
3
DEDICACE
Qu’il me soit permis de dédier ce travail à la mémoire de ma mère,

à mon père,
à tous mes professeurs.
4
REMERCIEMENTS
Je voudrais avant tout remercier Dr Khaled SADAOUI directeur de cette recherche pour
toute l’aide et les conseils qu’il n’a cessé de me prodiguer tout au long de la réalisation de ce travail.
Je remercie vivement le Président de jury Dr Mohamed YAGOUBI Maître de conférences à
l’Université de M’sila, Dr Saadi REDJEL Maître de Conférence de l’Université de Constantine et
Dr Rejem NECIB Maître de Conférence à l’Université d’Annaba Membres de jury, pour le temps
et l’effort qu’ils ont bien voulu consacrer à ce mémoire.
Ce travail n’aurait pu être réalisé sans le consentement et l’aimable compréhension de

Monsieur Habib SALEM Directeur de Wilaya des Postes et des Technologies de l’Information et
de la Communication de M’sila. Qu’il trouve ici l’expression de ma profonde gratitude.
Je suis également reconnaissant à Monsieur Nouredine OUKACI Coordinateur de l’Unité

Postale de Wilaya de M’sila pour le soutien qu’il m’a prodigué et je salue ici son engouement pour
l’innovation et le perfectionnement dans le travail.
Je n’aurais garde d’oublier de remercier les personnels du centre payeur de M’sila Hodna
pour leur aimable disponibilité.
Mes remerciements vont aussi aux enseignants et aux organisateurs de notre promotion, à
mes frères Mabrouk et Khaider qui m’ont aidé à réunir la bibliographie, à tous les membres de ma
petite et grande famille et à tous ceux qui, de près ou de loin, ont apporté un plus à ce travail.
Enfin, il va sans dire que toute erreur ou insuffisance de quelque nature qu’elle soit m’est
entièrement imputable.
5
SOMMAIRE
INTRODUCTION GENERALE ___________________________________________ 7

Partie I. PROCESSUS STOCHASTIQUES ET FILES D'ATTENTE
Chapitre 1. GENERALITES SUR LES PROCESSUS STOCHASTIQUES ______ 15
Section I. Définition et présentation générale ________________________________ 15
Section II. Notion de processus stochastique, Chaînes stochastiques et Chaînes de Markov
16
Section III. Notion de stationnarité ________________________________________ 17
Section IV. Notions de processus de naissance, processus de Poisson, processus de
naissance et de mort ____________________________________________________ 20
Section V. Application au problème des coupures de connexion du réseau CCP ____ 31
Chapitre 2. GENERALITES SUR LES FILES D’ATTENTE _________________ 34
Section I. Présentation __________________________________________________ 34
Section II. Système M/M/1 (Un seul guichet) ________________________________ 37
Section III. Distributions non poissoniennes _________________________________ 44
Section IV. Système M/M/S (Généralisation à S guichets) _____________________ 49
Partie II. ETUDE PRATIQUE AU NIVEAU DU CENTRE PAYEUR DE M'SILA HODNA
Chapitre 3. OBSERVATION DU TRAFIC ________________________________ 57
Section I. Variation de la demande sur les services CCP _______________________ 57
Section II. Phénomène du flux de clients : variation et tendances ________________ 65
Chapitre 4. MODELISATION DU PHENOMENE _________________________ 83
Section I. Structure du système d’attente au centre payeur _____________________ 83
Section II. Loi des arrivées et loi du service __________________________________ 89
Section III. Limites et fonctionnement du système ____________________________ 97
CONCLUSION _______________________________________________________ 102
BIBLIOGRAPHIE ____________________________________________________ 107
6
INTRODUCTION
En cette ère nouvelle de mutation que connaît l’économie algérienne, nos entreprises
se voient attribuer un rôle économique capital ; c’est à elles, et non au planificateur central,
que revient désormais, d’interpréter les réponses que fournit le marché aux questions
fondamentales de l’économie : que produire, comment produire et pour qui produire.
Un des aspects de la question du comment est le niveau de qualité à assurer. Pour
contrôler la qualité de leurs produits, les entreprises modernes adoptent des approches
soigneusement élaborées, exécutées suivant des procédures systématiques très développées.
Ces approches restent sans grand effet si elles ne sont pas accompagnées de
l’élaboration de méthodes statistiques précises, à même de mesurer la qualité du produit et
les performances du processus de fabrication. Le Management de la Qualité Totale, qui
suscite l’intérêt des entreprises comme approche globale de gestion, nécessite selon Reph1
l’élaboration d’un système capable de mesurer avec précision, sur la base de méthodes
statistiques appropriées, les écarts négatifs dans la performance et dans les processus et les
activités, et de les éliminer définitivement. L’élaboration d’un tel système constitue également
une des conditions partielles de la quatrième clause de la standard ISO 9000. Cette clause
stipule qu’il est indispensable d’élaborer les techniques statistiques appropriées à la définition,
au contrôle et à la vérification de la capacité des opérations et des caractéristiques du produit
(International Trade Center, ISO 9000, « Quality Management System, Guidelines for
Entreprises in Developing Countries », UNCTAD/GATT, 1993)2.
Le besoin d’élaborer ces techniques statistiques se fait sentir plus spécialement dans le
secteur des services, où la qualité des prestations repose sur des caractéristiques difficilement
mesurables. C’est le cas pour le secteur des postes, où on accorde une grande importance à
des critères telles que la commodité et la rapidité dans l’accès au service.
Dans cette recherche, nous nous intéressons en particulier à deux grandeurs : le délai
moyen d’attente du client avant d’accéder au service et le nombre moyen de clients en attente
d’être servi. Les années 2000, 2001 et 2002 ont été caractérisées par les coupures de
connexion qui affectaient le réseau CCP. Ces coupures, de plus en plus fréquentes, attardaient
le service et provoquaient de longues files d’attente devant les guichets. Le phénomène a
même attiré l’attention de la presse qui en a fait l’écho à plusieurs reprises. Des
investissements ont étés consentis depuis pour augmenter la fluidité des communications à
l’intérieur du réseau et multiplier les bureaux dotés de terminaux CCP auxquels le client peut
s’adresser. Quoique la situation soit nettement améliorée depuis ; il est clair qu’à cause de leur
nature de services destinés au grand public, le phénomène de l’attente caractérisera pour
longtemps encor les services CCP.
Etudes précédentes
Les études universitaires appliquant la technique des files d’attente que nous avons pu
consulter traitent des problèmes tel que l’organisation des guichets dans un aéroport ou la
gestion de l’accostage des navires dans un port. Dans ces études on examine le problème de
l’attente d’un point de vue économique globale et non spécialement pour mesurer la qualité
du produit.
Certaines études internes (faites par les fonctionnaires du secteur) appliquent pour
évaluer le trafic dans un bureau de poste quelconque une méthode de simulation. Cette
1
126
48 1996 2
7
Introduction
méthode, qui appartient aussi à la technique des files d’attente, consiste à déployer des agents
qui distribuent des jetons aux clients à l’entrée du bureau afin d’y inscrire le temps d’arrivée,
le temps de début du service et le temps de sortie du lieu de service. L’information réunie
sert à calculer le temps moyen d’attente et le temps moyen de service. Cette méthode reste
rarement appliquée. Parmi ses inconvénients, la nécessité de mobiliser plusieurs agents pour
l’exécuter, ce qui risque d’entraver le déroulement du service. Par ailleurs, cette méthode ne
donne qu’une description statique de la situation : elle ne peut déterminer les limites des
moyens déployés au bureau, ni prédire la situation après un éventuel réaménagement.
La méthode qui permet d’éviter ces lacunes est la méthode analytique. Elle consiste à
lier les grandeurs qui expriment l’ampleur de l’attente à ceux exprimant les deux facteurs qui
la déterminent : la cadence d’arrivée de clients et la rapidité du service du système. La question
se résume ainsi à connaître :
▪ comment mesurer les valeurs moyennes de ces deux dernières grandeurs,
▪ et comment formuler par des relations leur incidence sur le délai d’attente et
sur la longueur de la file.
Cette méthode, qui ne nécessite que le déploiement d’un seul agent pour faire les
comptages, permet de quantifier un autre phénomène qui est souvent à l’origine du problème
de l’attente et qui est négligé par les études internes précitées, celui des coupures de
connexion.
Par ailleurs, la formulation mathématiquement du problème permet d’obtenir une
vision dynamique de la situation et nous donne la possibilité de déterminer des seuils
minimums et maximums à respecter quant aux moyens à déployer en fonction de la demande.
Formulation de la problématique
La problématique du présent mémoire peut être formulée comme suit :
Comment mesurer la qualité de la prestation des services engendrant des files
d’attente ?
Cette question se divise en plusieurs questions partielles :
▪ Quel est le modèle qui peut représenter le phénomène des coupures de connexion et
comment l’appliquer ?
▪ Quel est le modèle qui représente le mieux phénomène d’attente de client observé au
niveau d’un centre de payement et quelles sont les adaptations à intégrer ?
La dernière question en particulier pose d’autres questions fragmentaires :
• Le modèle représente-t-il la situation de façon permanente ou alors il représente la
situation pendant une période particulière ? dans ce cas quelle est cette période ?
• Est-il possible de rapprocher la loi de l’arrivée de clients et la loi de la durée de service
à des lois statistiques connues et quelles sont ces lois ?
Hypothèses de l’étude
▪ Dans cette étude nous supposons que le phénomène des coupures de connexion peut
être considéré comme un problème classique de « panne de machines ».
▪ Nous supposons aussi qu’il est possible d’appliquer la méthode analytique pour
quantifier le phénomène de l’attente de clients au niveau d’un centre de payement et le
représenter par un modèle markovien.
La représentativité du modèle doit être définie par des études statistiques appropriées.
8
Introduction
▪ Nous formulons également l’hypothèse qu’il est possible en pratique d’étudier la loi de
l’arrivée de clients à un centre payeur et de la rapprocher à une des lois statistiques
connues, de même pour la loi de la durée de service.
Plan
Le présent mémoire est structuré en deux parties, chacune constituée de deux chapitres.
La première partie est consacrée d’abords à un exposé général des processus stochastiques
(chapitre un) et de la théorie des files d’attente (chapitre deux). Dans cette même partie du
travail et après l’exposé théorique, nous étudions le problème des coupures de connexion des
terminaux CCP.
La quantification du phénomène de l’attente de clients est entamée dans la deuxième
partie. Une phase descriptive de l’étude est abordée dans le chapitre trois par plusieurs études
statistiques partielles portant sur la variation du trafic. Ces études établissent si le modèle qui
va être adapté représentera la situation à l’intérieur du centre de payement pendant une
période du mois, pendant une saison de l’année, ou alors il pourra représenter la situation en
générale, sans distinction de période. L’étape finale contient l’analyse et la modélisation du
système d’attente de clients, elle est abordée au chapitre quatre.
Démarche suivie
Cette recherche a pour but de modéliser deux phénomènes aléatoires liés au problème
de l’attente dans les bureaux de poste (centres payeurs). Pour l’un et l’autre des deux
phénomènes, cet objectif est atteint par une démarche analytique. Mais, concernant le
phénomène de l’attente de clients, et avant d’arriver au stade de l’analyse, il a fallu adopter
une démarche descriptive pour étudier la variation du trafic dans un chapitre distinct
(chapitre trois).
Limites de l’étude
Cette étude vise les services des chèques postaux, à savoir le payement à vue (PAV), le
versement accéléré (VAC), la consultation du nouvel avoir (NAV), … ; néanmoins, les
services qui sont caractérisés par le phénomène des files d’attente sont nombreux dans le
secteur des postes et dans bien d’autres secteurs.
Les guichets qui nous intéressent sont ceux qui présentent ces services, mais cela ne
nous a pas empêché pour autant d’élargir notre intérêt pour voir quelles conclusions
pourrons-nous tirer quant au fonctionnement des bureaux de poste en générale.
Par ailleurs, il est important de préciser que les résultats de l’étude statistique qui a
porté sur la variation du trafic ne concernent à priori que la seule wilaya de M’sila et le centre
de payement pris comme cas pratique. On peut généraliser la méthode et les techniques
appliquées dans ce chapitre mais pas les résultats obtenus. Car les zones du pays diffèrent
sensiblement dans ce domaine : les villes du littorale, par exemple, connaissent un volume de
trafic bien plus important pendant la période estivale, ce qui n’est pas le cas pour les zones
de l’intérieur.
Domaine de l’étude
En vue de cerner les difficultés techniques liées à l’application de notre méthode dans
la pratique, nous envisageons d’effectuer une étude pratique au niveau d’un bureau de poste
contenant le centre payeur principal de la wilaya de M’sila, ce bureau est baptisé « M’sila
Hodna ».
Nous avons choisi ce bureau parce qu’il est du type qu’on trouve au moins un au niveau
de chaque ville importante du pays. Par ailleurs, l’importance du bureau en termes de volume
de trafic donne un intérêt direct et opérationnel aux résultats de l’étude. Notre choix
9
Introduction
s’explique aussi par des raisons de commodité : les guichets de ce centre sont séparés des
autres guichets du bureau, ce qui permet de distinguer leurs clients lors du comptage.
Importance du sujet
L’importance de ce sujet est bien claire pour le secteur des Postes ; la commodité et la
rapidité constituent deux caractéristiques principales pour la plupart de ses produits et pour
les services CCP en particulier. Surtout que, les produits financiers (dont les services CCP)
qui procurent à l’entreprise 75% de son chiffre d’affaire connaissent une concurrence
ascendante de la part des produits banquiers. Ceux-ci sont en train de s’engager dans des
opérations d’envergure pour relier leurs agences par un réseau informatique pareil à celui qui
lie les bureaux de poste. Algérie Poste est donc appelée à conforter sa domination dans cette
spécialité, ce qui passe sans doute par l’allégement des files d’attente dans ses bureaux.
Le sujet des files d’attente est important aussi pour d’autres secteurs d’activité,
notamment les banques, les stations de pompages des hydrocarbures pour routiers, les
hôpitaux, les stations de transport de voyageurs, etc.
Pourquoi ce sujet
Nous avons choisi ce sujet pour un nombre de raisons parmi lesquelles:
• L’importance du sujet du contrôle de la qualité pour l’entreprise algérienne dans
cette étape de réhabilitation et de mise à niveau pour faire face à la concurrence des produits
étrangers.
• Le besoin en études dans le domaine technique du contrôle de la qualité, c’est-à-
dire sur les méthodes statistiques utilisées dans les tests et les mesures relatifs à la qualité du
produit et aux processus de fabrication ou de prestation.
• Ma fonction dans le secteur des postes a fait que je constate de près l’ampleur du
phénomène des files d’attente ainsi que son effet sur la qualité de la prestation des services,
et sur l’image que forge le client sur les produits du secteur et sur le secteur lui-même.
Objectif et finalité
L’auteur souhaite par cette étude proposer une méthode par laquelle on peut mesurer
certains aspects de la qualité des services CCP.
Plus qu’une caractéristique de toute démarche scientifique, la quantification des
phénomènes constitue en réalité un trait marquant de la civilisation de notre époque. Par
différents procédés et techniques, les phénomènes liés aussi bien à la vie quotidienne des
citoyens qu’aux rouages de l’économie ou au monde politique sont soumis à l’exacte mesure.
Cette manière de penser doit imprégner l’esprit du manager algérien d’aujourd’hui ; nous
espérons que la présente étude s’inscrive dans cette vision.
Difficultés rencontrées
La principale difficulté rencontrée dans cette recherche est liée à la documentation.
Nous avons remarqué un manque important dans ce domaine, notamment au niveau des
universités nouvellement construites. On ne trouve de riches bibliothèques qu’au niveau des
anciennes écoles et universités du pays, et même dans ceux-ci, les publications récentes ne
sont pas disponibles en quantité suffisante.
Lexique
1- La qualité
Dans son livre cité précédemment, Farid Abdel Fatah cite plusieurs définitions portant
sur le concept de la qualité, avant de donner enfin l’avis d’un autre écrivain, celui de David
10
Introduction
Garvin. Garvin pense que : « les définitions de la qualité peuvent être récapitulées et divisées
en plusieurs catégories ; certains se basent dans leur définition sur le consommateur ; ce point
de vue est avancé par les hommes du marketing qui voient dans la haute qualité la meilleure
prestation. Pour les hommes de la production la définition de qualité est basée sur la
fabrication : ils considèrent qu’un produit de qualité signifie un produit fabriqué dès le début
conformément aux standards et aux critères. Le troisième point de vue est basé sur le produit
lui-même : il voit dans la qualité la variable soumise à l’exact mesure ».
Pour l’approche de cette étude, le troisième point de vue est la plus approprié. Car il
s’agit pour nous dans ce travail d’établir des mesures précises sur des variables déterminées.
2- Théorie des files d’attente
La théorie des files d’attente est un des chapitres de la Recherche Opérationnelle, elle
définit les lois probabilistiques qui régissent le système des files d’attente en vue de dégager
les paramètres qui le caractérisent, tel le temps moyen d’attente, le nombre moyen de clients
dans la file, le taux de service du poste, le nombre moyen de clients dans le système, etc. La
solution du problème économique posé à propos des phénomènes d’attente s’exprime
souvent par « le nombre optimal de stations, correspondant au minimum du coût total de
l’attente des clients et de l’inactivité des stations. Elle apparaît donc comme un compromis
entre le prix, parfois plus ou moins subjectif, qu’on attache à l’attente de la clientèle et les
charges qui résultent de l’amélioration du service ».3
3- Centre payeur ou centre de paiement :
Par centre payeur nous entendons tout ensemble de guichets consacrés exclusivement
aux services CCP. Certains centres payeurs (les plus importants) sont installés dans un lieu
de service distinct et indépendant, d’autres sont groupés mais partagent le même local avec
d’autres guichets.
D’habitude, on trouve deux types de guichets dans un centre payeur : le guichet de
saisie dont la tâche est d’effectuer l’opération de consultation et de saisie des opérations de
débit et de crédit sur un terminal CCP, et le guichet de payement (ou caisse), qui se charge
de la manipulation de la monnaie (encaissement et décaissement des sommes de chèques et
des mandats CCP).
Dans certains centres payeurs, l’agent de saisie effectue également les opérations de
caisse ; le guichet de payement est, dans ce cas, supprimé.
Dans la partie 1, où nous avons étudié le phénomène des coupures de connexion, le
mot centre payeur signifie un ensemble de terminaux CCP liés au même modem. Cela
englobe des cas où les terminaux se trouvent au niveau de plusieurs bureaux constituant ainsi
un sous réseau appelé « réseau déporté ».
4. Services CCP
Par « services CCP » nous entendons les prestations proposées au titulaire d’un compte
CCP au niveau d’un bureau de poste. En particulier nous sommes intéressés par les services
suivants :
▪ Le payement à vue qui est un service qui permet des retraits de fonds, sans
contrôle de signature du titulaire du compte,
▪ le versement accéléré qui consiste en l’alimentation immédiate d’un compte
courant postal,
3 Gérard DESBAZUILLE. - Exercices et problèmes de Recherche Opérationnelle, 2ème édition, Dunod, Paris, 1976. p . 195.
11
Introduction
▪ la consultation de l’avoir consiste à renseigner le client sur le solde de son compte

ainsi que d’autres informations sur sa situation,
▪ la commande de chéquier consiste à passer, séance tenante, une commande d’un
carnet de chèques,
▪ la commande de relevé de compte consiste à passer, séance tenante, une
commande d’un relevé des opérations effectuées sur le compte durant une période
donnée.
Tous ces services sont effectués par transaction sur terminal CCP. Sont exclus de cette
étude les services qui ne nécessitant pas le déplacement du client au bureau (consultation de
l’avoir par phone, etc.), ces services ne provoquent pas la constitution de files d’attente.
12
SOMMAIRE
INTRODUCTION GENERALE ___________________________________________ 7

Partie I. PROCESSUS STOCHASTIQUES ET FILES D'ATTENTE
Chapitre 1. GENERALITES SUR LES PROCESSUS STOCHASTIQUES ______ 15
Section I. Définition et présentation générale ________________________________ 15
Section II. Notion de processus stochastique, Chaînes stochastiques et Chaînes de Markov
16
Section III. Notion de stationnarité ________________________________________ 17
naissance et de mort ____________________________________________________ 20
Section V. Application au problème des coupures de connexion du réseau CCP ____ 31
Chapitre 2. GENERALITES SUR LES FILES D’ATTENTE _________________ 34
Section I. Présentation __________________________________________________ 34
Section II. Système M/M/1 (Un seul guichet) ________________________________ 37
Section III. Distributions non poissoniennes _________________________________ 44
Section IV. Système M/M/S (Généralisation à S guichets) _____________________ 49
Partie II. ETUDE PRATIQUE AU NIVEAU DU CENTRE PAYEUR DE M'SILA HODNA
Chapitre 3. OBSERVATION DU TRAFIC ________________________________ 57
Section I. Variation de la demande sur les services CCP _______________________ 57
Section II. Phénomène du flux de clients : variation et tendances ________________ 65
Chapitre 4. MODELISATION DU PHENOMENE _________________________ 83
Section I. Structure du système d’attente au centre payeur _____________________ 83
Section III. Limites et fonctionnement du système ____________________________ 97
CONCLUSION _______________________________________________________ 102
BIBLIOGRAPHIE ____________________________________________________ 107
13
I° PARTIE
PROCESSUS STOCHASTIQUES
ET FILES D’ATTENTE
14
Chapitre 1. GENERALITES SUR LES PROCESSUS STOCHASTIQUES
Pour étudier un phénomène d’attente on le rapporte généralement à un système décrit par

un processus stochastique. Pourtant, du point de vue historique, les fondements de la théorie des
files d’attente ont été développés par A. K. Erlang dès les deux premières décennies du siècle
précédent 4 , c’est-à-dire bien avant les années trente quand Feller introduisit le concept de
« processus de naissance et de mort » …
Pour déterminer le modèle mathématique représentant le phénomène d’attente devant les
guichets, un point crucial devait être mis au clair, celui de la stabilité du processus des arrivées des
clients et du processus de service ; la possibilité de l’établissement d’un régime permanent dans le
système d’attente en dépend. Il faut remarquer que c’est pendant la période de permanence que les
mesures de performance du système d’attente seront recherchées.
Ce chapitre vise à éclaircir cette question des conditions de l’établissement du régime
permanent et, d’une façon générale, à présenter la notion de processus stochastique et la manière
dont elle est utilisée pour ressortir les probabilités d’état d’un système d'attente.
Après, l’accent sera mis sur l’important processus de Poisson considéré comme la loi générale
du hasard. Cette loi est omniprésente dans les phénomènes aléatoires en général y compris ceux
observés dans le secteur des Postes. On utilisera ensuite cet outil pour aborder le problème épineux
des coupures de connexion dont souffre de temps à autre le réseau CCP. Dernièrement, ces
coupures ont été responsables d’une propagation à l’échelle nationale des files d’attente devant les
visionneuses au niveau des bureaux de poste.
Section I. Définition et présentation générale

Un processus stochastique peut être défini comme un « ensemble de phénomènes se
produisant dans le temps » et régi par le hasard. En effet, stochastique signifie fruit du hasard qui
comporte donc « la présence d’une variable aléatoire »5 .
Un processus stochastique est ainsi un « ensemble de phénomènes produit par le hasard dans
le temps, et dont l’évolution peut être décrite à l’aide de variables aléatoires »6 .
Utilisons pour désigner ces variables la notation : ξ0, ξ1, ξ2, … ξt, … ; les valeurs de ces
variables à un instant donné représentent des grandeurs qui définissent « l’état du système » à cet
instant. Les changements d’état du système se succèdent en fonction du temps à des intervalles
aléatoires ou déterminés.
La variable aléatoire t d’un processus stochastique – notons le N(t) – peut être le temps ou
toute autre variable, continue ou discrète, qui joue dans le système un rôle analogue. Le problème
se résume ainsi à la question de connaître la distribution de la variable aléatoire N ; en d’autres
termes, calculer les valeurs pn(t).
On écrit pn(i) pour désigner la probabilité que le système soit dans l’état n à la date i, dans le
cas de T discret, et l’espace d’état N discret également. On écrit pn(t) si T est continue. Le cas du
système à espace d’état continu ne nous intéresse pas dans cette étude. Dans la pratique on tend à
définir les états possibles du système de telle sorte qu’ils soient dénombrables. Cette priorité peut
résulter, elle aussi, soit de la nature même du système, comme c’est le cas dans cette étude, soit
d’hypothèse simplificatrice.
4 R. FAURE, -Précis de Recherche Opérationnelle, 4ème édition, Dunod, Paris, 1979, p. 1.

5 DictionnaireRobert : P. QUITTARD, -Processus stochastiques et file d’attente, OPU, Algérie, 1983, p. 3.
6 ibid. p. 3.
15
Chapitre 1. Les processus stochastiques
Section II. Notion de processus stochastiques, Chaînes stochastiques et Chaînes de

Markov
II. a) Processus stochastique et chaîne stochastique
Mathématiquement, un processus stochastique est défini comme un modèle dans lequel
interviennent une ou plusieurs variables aléatoires : {  t , tT } où t parcourt l’ensemble d’indices
T.
La classification d’un processus stochastique dépend de trois quantités : l’espace d’états (N),
l’indice t et la dépendance statistique entre les variables aléatoires pour différentes valeurs de l'indice
t7:
Lorsque la variable  t peut prendre un nombre fini ou dénombrable de valeurs, le processus
est dit à espace d’état discret. Si, au contraire, ses valeurs appartiennent à un espace d’état continu, il
est dit à espace d’état continu.
Si l’indice T est discret on écrira i plutôt que  t et on parle plus volontiers de suites
stochastiques (ou chaîne stochastique), l’appellation processus étant alors réservée au cas de T continu.
On distingue plusieurs types de processus stochastiques selon la dépendance entres les
variables.
Dans cette étude, l’état du système est le nombre d’unités (de clients) dans le système d’attente,
c’est-à-dire dans la file d’attente et en cours de service au niveau du bureau de poste. Elle est
représentée par la grandeur N, variant d’une manière aléatoire à des intervalles de temps aléatoires.
Le nombre de clients dans le système dépend, évidemment, de la fluctuation de la clientèle au
bureau et de la durée du service. L’observation directe du phénomène dans les bureaux de poste
nous conduit à supposer que nous sommes en présence du cas très usuel où les arrivées suivent la
loi Poisson et les intervalles de temps de service suivent la loi exponentielle. Nous reviendrons sur ces
deux lois ultérieurement.
Pour le cas de cette étude, T représente le temps, il constitue donc une variable continue. Le
cas discret se rencontre soit lorsque le système, à cause de sa structure propre, ne peut changer
d’état qu’à des « dates » déterminées à l’avance, soit parce qu’on considère que la connaissance de
l’état du système à des dates particulières est suffisante pour la description du système.
II. b) Chaînes de Markov
Un processus aléatoire {  t , t  T} est markovien si à tout instant u, pour une valeur ξu = e
donnée, quel que soit e, les valeurs en t > u ne dépendent8 pas des
ξs , s < u. On parle encore de processus sans mémoire.
Appelons En (n = 0, 1, 2, 3, …) les états possibles du système, lesquels états se produisent à
des « dates » déterminées et numérotées : 0, 1, 2, 3, ... i, …, on dit qu’on a une chaîne de Markov
discrète d’ordre p si la valeur ei (i > p) ne dépend que des p valeurs antérieures. Pour p = 1 on écrit :
p {ξi = k / ξ0 = j0, . . . ., ξi–1 = ji–1} = p {ξi = k / ξi–1 = ji–1}, (1.1)
l’état du système à la date i dépendant au plus de l’état qui a immédiatement précédé. Les
probabilités conditionnelles p {ξi = k / ξi–1 = ji–1} sont appelées probabilités de transition. Si la suite est
7 L. KLEINROCK, -Queuing systems, Vol. I (Theory), I. Wiley. N. Y. 1975, p. 20.

8 R. FAURE, 1979, op. cit., p. 114.
16
stationnaire ces probabilités, ne dépendant plus du temps, sont notées tout simplement pjk et
s’écrivent :
pjk = p {ξi = k / ξi–1 = j} (1.2)
Dans le cas de T continu on suppose généralement que les probabilités de transitions sont
stationnaires. Ainsi, dans une chaîne de Markov à t continu, l’état à
t + τ, τ > 0 ne dépend pas de l’état du système à la date t. On écrit :
Pjk (τ) = p {ξt+τ = k / ξt = j} (j, k = 0,1, 2, 3, . . . ), (1.3)
Pjk(τ) ne dépend que de τ, pour chaque couple (j, k).
Section III. Notion de stationnarité

Bien que le cas étudié se rapporte au modèle plus usuel où la variable du processus est continue
(comme cela a déjà été précisé, t représente le temps), il est plus commode d’exposer d’abord le
concept de stationnarité dans le cas discret des chaînes de Markov.
III. a) Equations régissant la chaîne stochastique
Soit une suite stochastique discrète à variable et à espace d’état discrets, les valeurs possibles
de pn(i) peuvent être représentées sous forme d’un vecteur, dont le nombre de composantes est égal
au nombre d’états possibles et les valeurs sont non négatives et ont une somme égale à 1 :
[p(i)] = [po(i) p1(i) p2(i) . . .] (1.4)
0 ≤ pn(i) ≤ 1, n = 0, 1, 2, 3, … (1.5)

n
pn(i) = 1 (1.6)
Soit pnn’(i) la probabilité conditionnelle de passer à l’état n’ à la date (i +1), sachant que le
système est à l’état n à la date i, nous avons pour chaque date i et état n un ensemble de probabilités
de transition vers les différents états possibles n’. Les probabilités de transition pnn’(i) peuvent donc
être rangées sous forme d’une matrice [T] dite « matrice de transition ». Elle peut être finie ou
infinie, chacune de ses lignes représente un vecteur stochastique.
En supposant que les probabilités initiales pn(o) sont connues, on se trouve en présence d’une
chaîne stochastique régie par l’équation :
pn’ (i+1) = n
pn(i) . pnn’(i), n’ = 0, 1, 2, 3, . . . , (1.7)
les pnn’(i) étant données.
Dans le cas particulier où les probabilités de transition ne sont pas fonction de i, c’est-à-dire
que le passage de l’état n à l’état n’ ne dépend que de ces deux états, la chaîne stochastique est dite
« stationnaire », on reconnaît là la chaîne de Markov d’ordre 1, définie plus haut par l’équation (1.2).
III. b) Equations régissant la chaîne stochastique stationnaire

La chaîne stochastique stationnaire est régie par les équations :
pn’ (i+1) = p (i) . p

n
n nn’ , n’ = 0, 1, 2, 3, . . ., (1.8)
les pnn’ et les pn(0) étant données,
17
avec 0 ≤ pnn’ ≤ 1 (1.9)

pour tout n et n’, et
 pnn’ = 1 (1.10)
n'
pour tout n.
En utilisant l’écriture matricielle :
[p(i+1)] = [p(i)] . [T] (1.11)
 p00 p01 p02   

p p11 p12   
Avec : T =  
10
(1.12)
 p20 p21 p22   
 
      
La chaîne de Markov est entièrement définie par la distribution initiale pn(0) et la matrice de
transition [T]. Dans le cas stationnaire l’équation (1.11) donne :
pn(t) = [p(i)] . [T]n (1.13)
Nous reviendrons sur la notion de stationnarité plus loin quand nous aurons à étudier
certains processus de Poisson.
III. c) Régime permanent
La possibilité d’établissement d’un régime permanent9dans un phénomène stochastique
stationnaire est liée à la propriété dite « érgodicité » du système. Ce mot recouvre les notions:
• Récurrence
• Irréductibilité
• Apériodicité.
Examinons d’abord la matrice dynamique [D], ainsi que certaines propriétés de la matrice
des transitions [T].
[D] = [T] – [1]. (1.14)
Où [1] est la matrice unité de même ordre que [T].

 p00 p01 p02     1 0 0   
p p11 p12       
D=  p10  –0 1 0
=
20 p21 p22     0 0 1   
   
              
 p00 − 1 p01 p02   
 p p11 − 1 p12   
 10
 p20 p21 p22 − 1   

 
      
9 A. KAUFMANN et R. CRUON, -Les phénomènes d’attente, Dunod, Paris, 1961, p. 10.
18
Les éléments de [D] sont notés dnn’ :

-1 ≤ dnn’ ≤ 0 pour n = n’ (1.15)
0 ≤ dnn’ ≤ 1 pour n’ ≠ n (1.16)
d
n'
nn ' =0 (1.17)
L’équation (1.11) peut s’écrire :

[p(i+1)] – [p(i)] = [p(i)].[D] (1.18)
Si [T] est une matrice stochastique, [T] i, i = 1, 2, 3, . . . est aussi une matrice stochastique.
Si toutes les lignes de [T] sont identiques, alors : [T] i = [T] , i = 1, 2, 3, . . .
Si [T] est de la forme
A 0
0 , (1.19)
 D

A 0
C ou (1.20)
 D

A B
0 , (1.21)
 D

où A et D sont des sous-matrices carrées, la matrice est dite « réductible » ; dans le premier cas les
deux sous-ensembles d’états A et D sont « isolés » : le passage d’un état de A vers un état de D ne
peut se faire et réciproquement. Dans les deux autres cas, la probabilité pour le système d’être dans
un état de D décroît quand i croît.
Si [T] est de la forme
0 B
C , (1.22)
 0

où les matrices 0 sont des sous-matrices carrées, la matrice est dite « périodique » ; le système
« oscillera » entre les états de B et ceux de C, les puissances paires de [T] donneront des matrices
de la forme (1.19) et les matrices impaires des matrices de la forme (1.22).
On démontre que si la matrice [T] n’est pas réductible et n’est pas périodique
Limi→∞ [p(i)] = [p(∞)] = [p] (1.23)
où pn > 0, n = 0, 1, 2, 3, . . . ,
c’est-à-dire que les probabilités d’état tendent vers des valeurs limites p0, p1, p2, . . . indépendantes
de la distribution initiale [p(0)]. On dit que la matrice de transitions a la propriété érgodique, ses
lignes sont identiques de la forme [p], on a alors : [T]i = [T].
Nous appellerons « régime permanent » celui qui correspond au vecteur [p(∞)] dans le cas
où le système a la propriété ergodique, les vecteurs correspondants à un tel régime ne sont pas
fonction du temps. Tout autre régime est alors appelé « régime transitoire ».
Le régime permanent, lorsqu’il existe, s’obtiendra en résolvant l’équation matricielle :
19
[p(∞)] = [p(∞)] . [T] , (1.24)
ou encore : [p(∞)] . [D] = [0] (1.25)

naissance et de mort
IV. a) Processus de naissance
IV.a.1) Définition
On dit qu’on est en présence d’un « processus de naissance » lorsqu’on est devant une
apparition d’individus dans une société selon une certaine loi de probabilité.
S’agissant d’un processus continu on impose qu’il est homogène. Dans ce cas la probabilité
d’apparition d’un individu en un intervalle de temps Δt est proportionnelle à Δt ; en supposant
qu’il y a n individus dans le système à l’instant t, cette probabilité est égale à : λnΔt à un infiniment
petit d’ordre supérieur près . La probabilité complémentaire 1–(λnΔt) à un infiniment petit d’ordre
supérieur près représente la probabilité de 0 apparitions en Δt.
Par ailleurs, on néglige la probabilité de plus d’une apparition en Δt.
Soit pn(t) la probabilité de n individus à l’instant t, on écrit :
Pour n’ < n pnn’ (t) = 0 (pas de disparition), (1.26)

et pn(t) = pn(t’) = pn(t’’) = ... (homogénéité du processus) (1.27)
IV.a.2) Equations régissant le système d’un processus de naissance

Le système commence à l’état n = 0 et on écrit :
po(o) = 1 et pn(0) = 0 pour n ≥ 1. (1.28)
Les transitions d’un état à un autre peuvent être représentées par le graphe suivant10 :
1–λ0Δt 1–λ1Δt 1–λ2Δt 1–λn–1Δt 1–λnΔt . . . pr. de transition
0 λ0Δt 1 λ1Δt 2 λn–2Δt n–1 λn–1Δt n λnΔt . . . États du système
Figure 1. Processus de naissance
 On écrit : p {Nt+Δt – Nt ≥ 1} = λn.∆t + 0(Δt) , 0(Δt) représente la probabilité de plus d’une apparition en Δt, elle est telle que :
(t )
lim = 0 , c’est-à-dire qu’elle tend vers 0 plus rapidement que ∆t. Voir N. PISKOUNOV, -Calcul différentiel et intégral, Tome
t → 0 t
1, 7ème édition, Editions MIR, Moscou, 1976, p. 44.
10 D’après R. Faure 1979, op. cit., p. 122.
20
La figure montre que pour être dans l’état n à la date i il y a deux possibilités :
▪ le système était dans l’état n–1 à l’instant i–1 (avec une probabilité :
pn–1(i–1)) et il y a eu apparition d’un individu en Δt (avec une probabilité : λn–1Δt),
▪ ou alors le système était déjà dans l’état n à l’instant i–1 (avec une probabilité :
pn(i–1)) et il n’y a pas eu d’apparition d’individu en Δt (avec une probabilité:1– λn–1Δt).
Au graphe correspond la matrice de transition suivante :

État du
système à
0 1 2 3 . . . . . . . . . n–1 n n+1 l’instant t+Δt
0 1–λ0Δt λ0Δt 0 0 0 0 0 ...

1 0 1–λ1Δt λ1Δt 0 0 0 0 ...
2 0 0 1–λ2Δt λ2Δt 0 0 0 ...
[T] = ..................................................
n–1 0 0 0 0 1–λn–1Δt λn–1Δt 0 ...
n 0 0 0 0 0 1–λnΔt λnΔt . . .
n+1 0 0 0 0 0 0 1–λn+1Δt . . .
État du
système à .................................................
l’instant t
Les probabilités d’état du système s’écrivent comme suit :
p0(t+Δt) = p0(t) . (1– λ0Δt) + 0

p1(t+Δt) = p1(t) . (1– λ1Δt) + p0(t) . λ0Δt
p2(t+Δt) = p2(t) . (1– λ2Δt) + p1(t) . λ1Δt
....................................
pn(t+Δt) = pn(t) . (1– λnΔt) + pn–1(t) . λn–1Δt (1.29)
De la dernière formule nous obtenons, lorsque Δt tend vers 0, la dérivée p’n(t) :
p n (t + t ) − p n (t )
p' n (t ) = =  n−1 p n−1 (t ) −  n p n (t ) , n > 0 (1.30)
t
Pour n = 0 nous avons la condition imposée en (1.28) :
po(0) = 1 et pn(0) = 0 pour n ≥ 1,
ce qui donne :
p’0(t) = –λ0 . p0(t) (1.31)
21
IV. b) Processus de Poisson
IV.b.1) Définition
Un processus de naissance est dit de Poisson s’il consiste en l’apparition d’évènements
aléatoires (à titre d’exemple l’entrée de clients dans un bureau de poste) satisfaisant aux hypothèses
suivantes 11 ;
▪ Hypothèse 1. La probabilité de production de l’événement en Δt ne dépend pas de
l’instant initial de cet intervalle, elle dépend uniquement de l’amplitude de Δt. Cette condition est
exprimée aussi en termes de constance de la moyenne (espérance) du nombre d’événements
survenant par unité de temps : λn = λ.
▪ Hypothèse 2. Les arrivées de deux intervalles disjoints sont mutuellement indépendantes,
cette hypothèse est dite « hypothèse des accroissements indépendants ».
▪ Hypothèse 3. Il ne peut survenir qu’un seul événement à la fois (en Δt infinitésimal).
Le graphe des transitions du processus satisfaisant ces hypothèses se présente comme suit :
1–λΔt 1–λΔt 1–λΔt 1–λΔt 1–λΔt 1–λΔt . . . pr. de transition
0 λΔt 1 λΔt 2 n-1 λΔt n λΔt n+1 λΔt États du système
Figure 2. Processus de Poisson
Le processus de Poisson peut être défini comme un processus markovien dont la matrice de
transition est :
11Voir P. QUITTARD, 1983, op. cit., p. 3 ou R. FAURE, 1979, op. cit., p. 123.
22
État à t+Δt
0 1 2 3 ...... n–1 n n+1
0 1–λΔt λΔt 0 0 0 0 0 ...

1 0 1–λΔt λΔt 0 0 0 0 ...
2 0 0 1–λΔt λΔt 0 0 0 ...
[T] = ..............................................
n–1 0 0 0 0 1–λΔt λΔt 0 ...
n 0 0 0 0 0 1–λΔt λΔt . . .
n+1 0 0 0 0 0 0 1–λΔt . . .
État à t ............................................
IV.b.2) Loi de Poisson

La loi de probabilité régissant le nombre d’évènements survenant en un temps fixé t peut
être mise en évidence à partir des notions élémentaires de probabilités.
Posons p la probabilité d’occurrence d’un événement en Δt et q la probabilité
complémentaire : q = 1 – p
Soit L un nombre d’intervalles de temps Δt constituant l'unité de temps t = 1. En prenant L
= 5 et en notant 1 pour naissance et 0 pour le contraire, essayons de déterminer la probabilité de 3
évènements en L : une des possibilités est la suivante : 1 1 0 0 1, elle a une probabilité : p. p . q . q .
p = p3q2 . Il y a en fait C53= 30 façons de réalisation des 3 évènements, ce qui donne une probabilité
de C53 p3q2 pour un tel résultat.
L!
pn (t ) = CLn  p n  q L −n = p n q L −n (1.33) 
n!( L − n)!
Dans le cas général où L →  , et en posant λ constant tel que p = λ/L nous avons :
L( L − 1)( L − 2).....( L − n + 1)  
p n (t ) = ( ) n (1 − ) L − n
n! L L
L ( L − 1) ( L − 2) ( L − n + 1)
.....

p n (t ) = L L L L n (1 − ) L−n
n! L
1 2 n −1
1(1 − )(1 − ).....(1 − )

p n (t ) = L L L n (1 − ) L−n
n! L
1 2
L →   ⎯
⎯→ 0 , ⎯
⎯→ 0 , . . .
L L
 Loi binomiale.
23

 n (1 − ) L−n
pn (t ) = L
n!
 L−n  L  −n
Prenons : (1 − ) = (1 − )  (1 − ) ,
L L L
1 L 
en utilisant les limites lim (1 + ) = e et lim (1 + ) L = e  , on déduit :
L⎯
⎯→  L L⎯
⎯→  L

lim (1 − ) L = e − .
L⎯
⎯→  L
−n

D’autre part : lim 1 −  = 1 donc en définitif 12:
⎯→ 
L⎯ L
 n −
pn (t ) = e .
n!
C’est la loi de probabilité de Poisson pour une unité de temps t = 1. En particulier la moyenne
E(n) = λ.
t
Pour t quelconque : p = . En remplaçant λ par λt le développement antérieur nous
L
donnerait :
n
t −t
pn(t ) = e (1.34)
n!
IV.b.3) Loi exponentielle

Un processus de Poisson est un processus dans lequel les intervalles entre les évènements
sont régis par la loi exponentielle.
Soit un intervalle de temps τ quelconque, la probabilité pour qu’il ne survienne aucun
événement pendant ce temps est :
p0 ( ) =
( )0 − −
e =e . (1.35)
0!
C’est la probabilité que l’intervalle entre deux évènements consécutifs soit supérieur à τ ; p(t
> τ), la probabilité complémentaire 1– p(t > τ) = p(t ≤ τ) constitue la fonction de répartition de la
loi exponentielle:
F(τ) = p(t ≤ τ) = 1 – e–λτ , τ ≥ 0, (1.36)
pour τ < 0 F(τ) = 0.
12 D. SALVATORE, -Econométrie et Statistiques Appliquées, Trad. G. LOUDIERE Mc. Graw Hill, Paris, 1985, p. 73.
La relation entre le processus de Poisson et le processus exponentiel sera utilisée ultérieurement dans l'étude d'un processus de
Poisson non stationnaire.
24
La fonction de densité de probabilité f(τ) s’obtient par la dérivée première de F(τ) :

f(τ) = λ e–λτ
IV.b.4) Cas de processus de Poisson dans les bureaux de poste
IV.b.4.1) Processus de Poisson à deux types d’arrivée

Dans la pratique une distinction peut dans certains cas paraître utile entre les types de clients.
On voudrait par exemple désigner un guichet spécialement pour une catégorie particulière
d’usagers, tels les handicapés, les femmes ou les personnes âgées. Dans le cas où l’arrivée des clients
au bureau serait poissonienne et où le type de clients « privilégiés » représente un pourcentage
déterminé des clients arrivés, on pourrait poser la question de connaître la nature de la distribution
de probabilité de l’arrivée de chacune des deux types de la clientèle, privilégiée et normale.
Soit un processus de Poisson dans lequel chaque arrivée est du type I avec une probabilité p,
donc du type II avec probabilité q = 1– p. Cherchons les deux lois des variables aléatoires N1(t) et
N2(t) du nombre d’arrivées de chaque type sur un intervalle de temps donné t, sous l’hypothèse que
le processus global est poissonien de cadence λ : N(t) = N1(t) + N2(t) suit une loi de P(λt) . Les
arrivées d’un processus de Poisson étant indépendantes, associons à chaque arrivée de type I une
variable aléatoire Xi tel que : Xi = 1 si l’arrivée est de type I, Xi = 0 sinon. Les variables Xi sont
indépendantes et suivent une même loi (la loi Binomiale B(1, p)).
On démontre13 que la variable aléatoire N1 = X1 + X2 + X3 + . . . + XN suit une loi de Poisson
à paramètre pλt. La relation entre la distribution binomiale et celle de Poisson a été exposée
précédemment. De même, N2 suit une loi Poisson à paramètre qλt, chacun des deux types d’arrivées
I et II constitue donc un processus de Poisson :
N1(t) ~ P(pλt) et N2(t) ~ P(qλt). Les deux processus sont indépendants.
Dans cette étude nous aurons besoin de distinguer les services qui passent par le guichet de
la caisse (PAV : paiement à vue et VAC : versement accéléré) des autres services CCP, nous ferons
alors une estimation du pourcentage de chaque type de service CCP effectué (Cf. tableau 18 p. 96).
En admettant que le processus global d’arrivées de clients est poissonien, avec un
pourcentage d’arrivée de chaque type de clients égal au pourcentage du nombre d’opérations de
service effectuées ; nous conclurons que le processus d’arrivées de chaque catégorie de clients est
également un processus de Poisson.
13 P. QUITTARD, 1983, op. cit., p. 10.
25
Tableau 1(reproduction
partielle) : Importance relative de
chaque type de demandes. Echantillon relevé au centre
payeur.
Catégories de clients selon le service demandé Pourcentage
PAV (paiement à vue) 65,99%

VAC (versement accéléré) 1,52%
NAV (demande de consultation de l’avoir) 31,63%
CAR (demande carnet) 0,86%
REL (demande de relevé de compte) 0%
TOTAL 100%
IV.b.4.2) Processus de Poisson non stationnaire

Dans la pratique la cadence des arrivées de clients aux bureaux de poste varie avec l’heure
de la journée : on n’a donc pas réellement un processus de Poisson stationnaire. C’est le cas
également pour le phénomène des occurrences des coupures de connexion des visionneuses, les
difficultés de connexion apparaissent surtout pendant les périodes de forte demande.
On définit un processus de Poisson non stationnaire comme un processus où la cadence
d’arrivée est une fonction du temps λ(t), sous les deux autres hypothèses (accroissements
indépendants et une seule arrivée à la fois) 14.
Loi du nombre d’arrivées sur un intervalle de temps limité :

Appelons t et s deux dates délimitant un intervalle de temps : [t, s] et soit
π0(t,s) = probabilité {0 évènement sur [t, s]} = p0(s), en fixant la date t et d’après l’hypothèse des
accroissements indépendants :
π0(t, s+Δs) = π0 (t, s) . π0 (s, s+Δs) .
En faisant tendre Δs vers 0 :
p0(s+Δs) = p0(s) . (1–λ(s)Δs) 
p0 ( s + s) − p0 ( s)  p0 ( s) − p0 ( s)  ( s)s  − p0 ( s)
p0 ( s) = =
s s
p (s) − p0 (s) −  (s) p0 (s)s
p0 (s) = 0
s
p’0(s) = –λ(s) p0(s) (1.37)

p 0 ( s)
= −  ( s)  Log p 0 (s ) = −   (s )ds
s
p 0 ( s) 0
−  ( s )ds
s
p0 (s ) = e 0

 Un seul évènement à la fois, avec comme probabilité λ(s) Δs.
26
t s t s
−  ( s )ds −  ( s )ds −  ( s )ds −  ( s )ds
p0 (s ) = e 0 t = e 0  e t
 s t 
−   ( s )ds −  ( s )ds 
 
s
−  ( s )ds
= p0 (t )  e t = p0 (t )  e  0 0 
Avec p0(t) = 1 et en posant :

s
m( s ) =   ( s ) ds le nombre moyen d’arrivées sur [0, s] et
0
t
m(t ) =   ( s)ds
0
le nombre moyen d’arrivées sur [0, t] :
Pr. {0 évènement sur [t, s]} = e −m ( s ) − m (t )  (1.38)
Ceci montre que, étant donnée les dates t et s, la variable aléatoire N(s) – N(t) du nombre
d’évènements se produisant sur [t,s] suit une loi Poisson : P(m(s) –m(t)) ; le nombre de clients arrivés
à un bureau entre deux instants à cadences d’arrivées différentes (supposées connues) suit donc
une lois Poisson avec  égal à la différence entre les deux moyennes d’individus arrivant aux deux
instants respectifs (en valeur absolue évidemment).
Dans le chapitre 4 nous aurons en effet à représenter l’arrivée des clients comme une
succession de processus poissoniens en supposant que le taux  des arrivées varie par bonds aux
instants t1, t2, t3, …
Nous utiliserons également cette caractéristique des processus poissoniens dans le chapitre
2 pour ressortir la distribution du temps d’attente d’un client dans le bureau.
IV. c) Processus de Naissance et de Mort
IV.c.1) Définition
Un processus de naissance et de mort est un processus qui consiste à faire évoluer un système
entre une infinité dénombrable ou non dénombrable (processus continu) d’états, le système étant
à chaque instant dans un état et un seul15. A titre d’exemple : une file d’attente devant un guichet,
les « états du système » étant le nombre de clients dans le lieu de service.
Pour analyser le processus de naissance et de mort à espace d’état discret on fait
généralement les hypothèses suivantes :
Hypothèse 1. Le système ne se déplace que vers un des états voisins : si le système est
dans l’état En à l’instant t, il ne pourra passer à l’instant t+Δt que dans les états : En+1, et
on appelle ce passage « naissance », l’état En–1 désignant le passage « mort », ou l’état de
non changement En.
Hypothèse 2. Les probabilités de passage d’un état à un autre dépendent de l’état de départ
considéré mais non de la date t.
Hypothèse 3. Un événement au plus (naissance ou mort) peut survenir en un instant
donné.

La probabilité complémentaire représente une distribution de probabilité de la loi exponentielle de l’intervalle de temps (t - s),
cf. paragraphe IV.b.3.
27
Le processus est décrit par la figure suivante :
1–Δt (λ0+ μ0) 1–Δt (λ1+ μ1) 1–Δt (λ2+ μ2) 1–Δt (λn–1+ μn–1) 1–Δt (λn+ μn) (pr.)
μ1Δt μ2Δt μnΔt

Temps t
0 1 2 n–1 n Etats
λ0Δt λ1Δt λn–1Δt λnΔt (pr.)
Figure 3. Processus de naissance et de mort16.
IV.c.2) Equation régissant l’évolution du système
Soit : λnΔt = pr. {passer de l’état n à la date t, à l’état n + 1 à la date t + Δt} et

μnΔt = pr. {passer de l’état n à la date t, à l’état n – 1 à la date t + Δt},
les λn et μn étant positifs sauf pour μ0 qui est nulle .
Soit encore pn(t) la probabilité pour le système d’être dans l’état n à la date t. On a selon les
hypothèses précédentes :
pn(t+Δt) = [pn–1(t) . λn–1 Δt] + [pn(t) . (1– Δt (λn+ μn))] + [pn+1(t) . μn+1 Δt]
pn’(t) = [pn(t+Δt) – pn(t)] / Δt
pn’(t) = pn–1(t) . λn–1 – pn(t) . (λn + μn) + pn+1(t) . μn+1 (1.39)

n ≥ 0 (avec λ–1 = μ0 = 0)
IV.c.3) Processus stationnaire de Poisson comme cas particulier de

processus de naissance et de mort :
Le processus stationnaire de Poisson est un processus de naissance pur, cependant il peut
facilement être considéré comme un processus de naissance et de mort avec une particularité
déterminée. En effet, il correspond au cas :
μn = 0 (pas de mort) et λn = λ quel que soit n (stationnarité).
Le système d’équations différentielles précédent devient alors :
p'n (t) = λ pn–1(t) – λ pn(t) (n ≥ 1) (1.40)

p’0(t) = – λp0(t) (1.41)
16 D’après R. Faure, 1979, op. cit., p. 126.

 Les λn désignent les taux de naissance (ou d’arrivée) et les μn les taux de mort (ou de sortie du centre d’attente).
28
(puisque pn(0) = 0 quelle que soit n ≥ 1)
De (1.41) on a : p’0(t)/p0(t) = –λ, d’où par intégration des deux parties de l’équation :
Log p0(t) = –λt + c et

p0(t) = e –λt . ec = k e –λt . (1.42)
En tenant compte du fait que p0(0) = 1 dans (1.42) on obtient :
p0(0) = k e –λ0 = k = 1 , donc k = 1 et :

p0(t) = e –λt , (1.43)
Ceci montre que le nombre n d’évènements en t suit la loi Poisson :

(t ) n −t
p n (t ) = e . (1.44)
n!
pn(0) = 0  n ≥ 1 et p0(0) = 1. (1.45)
Les pn(t), à t fixé, définissent la loi de la variable aléatoire Nt .
IV.c.4) Etude du régime permanent éventuel du processus de naissance et

de mort (calcul de pn)
Faisons l’hypothèse que, lorsque t → ∞, un régime permanent tend à s’établir ; la probabilité
pn(t) tend vers une limite pn indépendante du temps :
pn(t) → pn  p’n(t) →0  n. (1.46)

A partir de (1.39) on obtient :
p'n(t) = pn–1 . λn–1 – pn . (λn+ μn) + pn+1 . μn+1 = 0
Pour n = 0 : – p0 .(λ0+ μ0) + p1 . μ1 = 0
p0 . λ0 = p1 . μ1
Le système s’écrit alors
(1) λ0 p0 = p1 μ1
(2) (λ1 + μ1) p1 = p0 λ0 + p2 μ2
(3) (λ2 + μ2) p2 = p1 λ1 + p3 μ3
…………………………….
pn (λn+μn) = pn –1 λn–1 + pn+1 μn+1
En ajoutant membre à membre (1) et (2), on obtient :
 On peut aussi définir le processus stochastique à régime permanent comme un processus dans lequel le flux de sortie d’un état
quelconque - par diminution ou augmentation de n - est égal au flux d’entrée.
29
λ0p0 + p1 (λ1 + μ1) = p1μ1 + p0λ0 + p2μ2

λ0p0 + p1λ1 + p1μ1 = p1μ1 + p0λ0 + p2μ2
p1λ1 = p2μ2 (1’)
En faisant de même avec (1’) et (3) :
p2λ2 + p2μ2 + p1λ1 = p1λ1 +p3μ3 + p2μ2

p2λ2 = p3μ3,
et de façon générale ;
pn . λn = pn+1 . μn+1 (1.47)
Ce système se résout de proche en proche en fonction de p0 :
p1 = (λ0/μ1) p0 (voir (1))

p2 = (λ1/μ2) p1 = (λ1/μ2) (p0 (λ0/μ1)) = [(λ1λ0) / (μ2μ1)] p0
……………………………………………………………..
n−1      10
pn =  p0
 n       2 1
i =1  i −1  . . . .

n
pn = p0
 i  (1.48)
p
n =0
n = 1 = p0 + p1 + p 2 + p3 +    
= p0 + (P0 λ0)/μ1 + (p0 λ0λ1)/ (μ0μ2) + . . . . p0 [(λn–1 . . . λ1λ0) / (μn . . . μ2μ1)]. .

= p0 [1+ (λ0)/μ1 + (λ0λ1)/ (μ0μ2) + . . . . . [(λn–1 . . . λ1λ0) / (μn . . . μ2μ1)]. .]
p0 = 1
 i −1  (1.49)
n=1i=1
 n
1+ 
 i 
Il faut imposer que p0 ≠ 0, sinon la formule (1.48) ci-dessus donne pn = 0  n.

Ceci implique que la série du dénominateur doit être convergente, soit :
 i−1 
 

 i    , en particulier μi ≠ 0 i > 0.
n
(1.50)
n=1 i =1
 
Si cette condition est remplie alors le régime est permanent :
30
 i −1 
  
n
i =1 
  
pn = i
(1.51)
n  
1 + n=1 i =1  i −1 

 i 
Les probabilités limites des états pn sont indépendantes des conditions initiales pn(0) 17.
Section V. Application au problème des coupures de connexion du réseau CCP

Le réseau CCP a connue dernièrement une période de perturbation caractérisée par des
coupures de connexion fréquentes et prolongées. Cela a provoqué une sérieuse dégradation de la
qualité du service en termes de délais d’attente des clients.
Un modèle de processus stochastique peut être utilement appliqué pour mesurer l’ampleur
du phénomène des coupures de connexion observées au niveau d’u C. A. H. (Centre
d’Amplification Hertzien) d’une wilaya : l’ordinateur qui contrôle la connexion des terminaux (on
dit aussi visionneuses) est doté d’un logiciel qui permet de connaître à tout moment les visionneuses
qui sont connectées, la durée de la dernière connexion de chacune d’elles et l’instant du début et
de la fin de la dernière connexion ou tentative de connexion.
Il est regrettable que les données que donne le logiciel ne dépassent pas le stade du rapport
journalier ; si elles couvraient une période plus significative, tel une semaine, un mois…, elles
auraient alors aidé à forger une appréciation précise du taux d’activité des visionneuses, et par-là
aider à estimer également le taux de service des postes. A une échelle plus globale, le rassemblement
de telles statistiques au niveau national permettrait de constituer une base de données pour diverses
études et investigations. A titre d’exemple, on pourrait tenter de déterminer un seuil maximum de
tolérance pour la cadence d’occurrence des pannes de connexion, dépassé ce seuil, on saurait qu’il
est temps de procéder à l’augmentation de la capacité du réseau.
Un centre payeur contient un nombre limité de terminaux. Nombre de ces centres ne sont
pas logés dans la même enceinte, ils constituent des « réseaux locales déportés ».
V. A. Loi et moyenne du nombre de terminaux en panne en régime permanent
Les visionneuses d’un centre payeur bénéficient de la même capacité de connexion. Pendant
une période de forte demande, tout terminal est soit connecté, soit en attente d’être connecté. On
suppose que tous les appareils sont en état de marche et ne tombent pas en panne pour d’autres
raisons que les coupures de connexion. Nous avons donc à chaque instant un nombre de
visionneuses connectées et un nombre de visionneuses déconnectées, les deux nombres variant
avec le temps.
Nous sommes donc en présence d’un processus stochastique de naissance et de mort. Notre
objectif est d’étudier ce processus pour vérifier d’abord s’il s’agit d’un processus permanent et
établir la loi de probabilité qui définit le nombre de visionneuses en panne de connexion à un
instant quelconque.
Appelons N le nombre de visionneuses en connexion à la date 0. Nous-nous proposons de
décrire le système selon le nombre de visionneuses hors connexion à la date t, soit de calculer les
probabilités d’état du système pn(t).
17 Voir L. KLEINROCK, 1975, op. cit., p. 401.
31
Une « naissance » est une occurrence d’une panne de connexion d’une visionneuse
quelconque, une « mort » est un rétablissement d’une visionneuse quelconque préalablement
déconnectée.
Soit λ la cadence moyenne d’occurrence de pannes par unité de temps par visionneuses, étant
donné que les capacités de débit des visionneuses sont égales, il n’y a pas de raisons de penser que
ce taux diffère d’une visionneuse à une autre. De la même manière appelons μ la cadence de
rétablissement des pannes par unité de temps par visionneuses.
Dans un intervalle infinitésimal Δt, chaque visionneuse en connexion tombe en panne avec
une probabilité λΔt, chaque visionneuse hors connexion a la probabilité μΔt d’être rétablie. S’il y a
n visionneuses en panne de connexion à l’instant t(N – n en service) le taux global de panne est : λn
= (N – n)λ, le taux global de rétablissement est μn = nμ.
Examinons d’abord le cas d’une seule visionneuse (N = 1) et cherchons pn(t) à partir de p’n(t).
Posons : p(t) = pr. {la visionneuse à une date t déterminée est connectée} et
q(t) = pr. {la visionneuse à la date t déterminée est en panne},
p(t) + q(t) = 1.
p(t+Δt) = p(t) (1–λΔt) + q(t) (μΔt)
p(t + t ) − p(t ) p(t ) − p(t )    (t ) + q(t )    (t ) − p(t )
p (t ) = =
t (t )
= –λp(t) + µq(t)
= –p(t) λ + μ (1–p(t))
p’(t) = μ – p(t) (λ + μ) (1.52)
En régime permanent p’(t) = 0, donc : p(t).(λ + μ) = μ ,

p(t ) = (1.53) (la probabilité pour une visionneuse
+
d’être en panne de connexion).

q(t ) =1 −
+

q(t ) = (1.54) (la probabilité pour une visionneuse
+
d’être en marche).
Revenons au cas de plusieurs visionneuses ; supposons que pendant une période donnée les
visionneuses sont indépendantes dans leur fonctionnement, chacune ayant une probabilité

q (t ) = d’être en panne de connexion. La variable aléatoire décrivant le nombre de
+
32
visionneuses en coupure de connexion à un instant donné suit donc une loi de probabilité
binomiale18.

B (N , ) .
+
Soit :
n N −n
N!      
pn =      . (1.55)
n!(N − n )!   +   + 
Parmi les grandeurs caractéristiques de cette loi, celle qui nous intéresse est la valeur espérée
de la variable considérée, cette valeur correspond au nombre moyen de visionneuses en panne de
connexion à moment quelconque :

E ( n) = N
+ . (1.56)
Critique de la méthode :
La méthode que nous venons d’exposer suppose un taux constant d’occurrence des pannes
de connexion. Cela nécessite d’étudier la question d’homogénéité du processus aléatoire considéré
et déterminer les périodes pendant lesquelles ce taux est constant. Une telle étude peut être faite au
niveau des centres C. A. H. existant au niveau de la wilaya concernée. Il faudra alors enregistrer
pendant une période suffisamment longue les résultats figurant dans le rapport journalier que
donne le logiciel que nous avons cité précédemment.
Enfin, notons que la méthode utilisée ici peut être appliquée à d’autres problèmes de pannes
de machines et appareils utilisés au niveau du secteur des Postes ; on peut citer à l’échelle nationale
l’exemple des pannes coûteuses, vue le prix de leur location, des Distributeurs Automatiques de
Billets (D. A. B). A une échelle moins globale, il y a l’exemple des pannes de machines à affranchir
et de machines à compter les billets.
18 P. QUITTARD. 1983, op. cit., p. 21.
33
Chapitre 2. Généralité sur les files d’attente
Chapitre 2. GENERALITES SUR LES FILES D’ATTENTE
La recherche d’une gestion optimale des phénomènes d’attente est un des vastes domaines
de la recherche opérationnelle. La théorie des files d’attente née en 1917 des travaux du savant
danois Erlang sur la gestion des réseaux téléphoniques s’attache à modéliser et à analyser des
situations en apparences très diverses : attente des clients au guichet, attente des bateaux pour
l’accostage, gestion des avions lors de l’atterrissage et le décollage, ou bien encore gestion du
stockage des informations et programmes informatiques avant leur exécution.
Ce chapitre expose un aperçue rapide de cette théorie. L’importance est donnée aux modèles
adéquats aux structures rencontrées dans les bureaux de poste, à savoir les modèles markoviens :
la loi Poisson est presque la loi générale du hasard, les conditions de son application étant satisfaites
dans un grand nombre des phénomènes aléatoires.
L’accent est mis sur l’aspect qualité du problème, notre objectif est, rappelons-le, de pouvoir
mesurer la qualité du service ; il s’agit donc pour nous de modélisation et non d’optimisation. Cela
ne nous empêchera pas de relever quelques remarques sur une meilleure organisation possible du
système d’attente dans les bureaux.
Dans une première section nous exposons une définition de la théorie et ses concepts
fondamentaux. La deuxième section est consacrée au modèle classique souvent rencontré au
bureau de poste : le modèle M/M/1. La section III expose des cas de loi de service non
poissoniennes, également fréquents notamment aux centres payeurs. Enfin le système M/M/S que
nous adopterons plus tard pour représenter le système d’attente dans le centre payeur sera étudié,
à la section IV, avec ses différentes mesures de performances. Dans cette section l’auteur s’est forcé
à aménager les démonstrations mathématiques les plus lourdes en se basant sur des résultats déjà
exposés au chapitre précédent ou développés pour l’occasion.
Section I. Présentation
Tout système dans lequel une demande quelconque est confrontée à une capacité limitée
peut être conçu comme un système d’attente, en particulier si l’instant de manifestation de cette
demande est imprévisible ou si son volume est imprévisible. Il suffit que la demande ou la capacité
soit irrégulière pour qu’un « conflit » se constitue sur cette capacité et la queue apparaît.
L’ampleur de la queue dépend de deux aspects du flux de demande ; le taux moyen de la
demande sur les ressources et la variation statistique de ce taux.
Dans le cas où le taux moyen de la demande est plus important que la capacité de service, la
file s’allongerait indéfiniment (du moins théoriquement puisque dans la réalité cet allongement
resterait fini ne serait-ce que parce qu’à la vue des dimensions de la file, les nouveaux venant s’en
retireraient). Néanmoins, en raison de la variation statistique de l’intensité de l’apparition de la
demande, la file d’attente apparaît même si la capacité de service est supérieure par rapport au taux
moyen de la demande. L’ampleur du phénomène d’attente augmente à mesure que ce taux
approche la capacité de service19
I. a) Définition
Un « phénomène d’attente » est constitué d’une source de demande appelée société et d’un
« système d’attente » composé d’un ensemble de clients et un ensemble de guichets (on dit aussi
stations ou serveurs). Le système d’attente est composé d’un lieu d’attente appelé « centre
d’attente » et un lieu de service appelé « centre de service ».
19
L. KLEINROCK, 1975, op. cit., p. ii.
34
L’étude d’un phénomène d’attente porte généralement sur les aspects rendement et qualité
du service fournie par le système d’attente. Pour être analysé, le système d’attente est considéré
comme un processus de naissance et de mort au niveau d’une société de clients (en cours de service
ou en attente). La naissance se produit lorsqu’un client arrive au lieu du service, la mort se produit
lorsqu’un client quitte le lieu du service20.
I. b) Caractéristiques et notation
Cinq caractéristiques principales sont retenues pour décrire le fonctionnement d’un système
d’attente ; elles sont représentées par un groupe A/B/S/L/D dit notation de Kendall où A est le
code de la loi des arrivées, B, celui de la loi des services, S est le nombre de guichets.
La lettre L désigne la capacité du système, c’est-à-dire le nombre maximum de clients
pouvant être simultanément présents dans le système. La capacité d’un système peut être limitée
ou illimitée ; dans le premier cas un client qui arrive lorsque le système est déjà saturé le quitte
immédiatement, on dit que le client est perdu, dans le cas des bureaux de poste, on suppose que la
capacité est illimitée.
La lettre D désigne la discipline d’attente, c’est-à-dire la règle suivant laquelle le prochain
client à servir est sélectionné, par souci d’équité la discipline la plus courante est Premier Arrivé
Premier Servie (PAPS), c’est le cas dans les bureaux de poste, une telle file est dite file ordonnée.
D’autres disciplines moins courantes existent : dernier entré premier servi (DAPS) lorsque l’attente
se constitue en « pile », temps de service le plus court d’abord, selon le degré d’urgence, etc. La
priorité peut être absolue (le service est interrompu pour servir la demande prioritaire lorsqu’elle
apparaît) ou relative (la demande prioritaire est placée première dans la queue).
En général on décrit l’arrivée des clients par le temps entre deux arrivées successives, celui-
ci peut être une constante, ou une variable aléatoire avec une distribution de probabilité connue.
Celle-ci est notée M pour markovienne (ou encore E pour exponentielle), Er pour la distribution
d’Erlang à paramètre r = 1, 2, 3, ... ; ou G pour une distribution quelconque.
Les arrivées de clients peuvent être soit individuelles, soit par groupes. Dans cette étude on
suppose que les clients arrivent individuellement et que certains clients partent sans être servis.
Le temps de service peut être une constante ou une variable aléatoire à distribution connue.
Dans certains cas le temps de service est dépendant du nombre de clients existant déjà dans le
système.
Il est important de définir si le client a besoin du service d’un seul guichet comme c’est
généralement supposé, ou bien s’il passe par plusieurs guichets en série, dans le dernier cas le
système est dit à cascade.
En général, seules les trois premières grandeurs caractéristiques sont utilisées. Dans ce cas la
capacité du système est supposée illimitée, la file d’attente est ordonnée et les clients arrivent
individuellement.
I.b.1) Phénomènes d’impatience

Dans certains cas l’arrivée des clients dépend du nombre d’individus dans le système ; il est
possible qu’un client arrivant au lieu du service soit découragé par la longueur de la queue et décide
de ne pas entrer dans le système (Impatience a priori). Par ailleurs, un client dans la queue peut
abandonner sa place dans la queue après un certain temps d’attente (Impatience a posteriori).
‫ دار ماكجراو‬،‫ محمد إبراهيم يونس‬.‫ د‬.‫ مراجعة أ‬،‫ حسن حسني الغبارى‬.‫ د‬.‫ ترجمة أ‬،‫ نظريات ومسائل في بحوث العمليات‬،‫ برونسون ريتشارد‬20
.337 ‫ ص‬،1988 ،‫ القاهرة‬.‫ الطبعة العربية األولى‬،1982 ‫ الطبعة األجنبية‬،‫ الدار الدولية للنشر والتوزيع‬،‫هيل للنشر‬

Du nom du savant D. G. KENDALL, 1951. On trouve également la notation v/w/x/y/z.
35
On note b(n) la probabilité pour qu’un client renonce d’entrer dans le centre d’attente s’il
trouve n individus dans la queue (impatience a priori). Ainsi, si l’arrivée globale au lieu de service
est stationnaire avec un taux  moyen, les arrivées définitives au lieu de service seront non
stationnaires et le taux espéré des arrivées sera n =[1–b(n)].
L’impatience a posteriori augmente le taux de service (taux de service : nombre moyen de
clients servis par unité de temps) ; dans un système d’attente à un seul guichet, à arrivée
poissonienne et à temps de service exponentiel n =  + r(n). La fonction d’impatience r(n) est
décrite par l’équation suivante :
p(un client abandonne en un intervalle de temps Δt / il y a n individus dans le système)
r (n)  lim r(0)
t ⎯⎯→ 0 Δt
= r(1) = 0. (Il n’y a pas d’abandon lorsqu’il n’y a pas de file d’attente)
En ce qui concerne le cas étudié ici, nous aurons à supposer que les clients n’accèdent pas
tous au service final (nous entendons le service fourni par l’agent de caisse), certains auront à quitter
la queue s’il s’avère que l’avoir de leur compte est insuffisant ou qu’il est bloqué ou encore soumis
à opposition. D’autre clients ne sont pas concernés par le service du payement ayant d’autres
demandes (commande de carnet, demande de consultation de l’avoir ou commande de relevé de
compte). Ces clients seront considérés comme des clients « impatients », ce qui implique une
augmentation du taux de service . Cette augmentation sera intégrée par simple multiplication par
un coefficient approprié. Nous poursuivrons cette discussion au chapitre 4 mais précisons tout de
suite que nous admettrons que la probabilité pour qu’un client ne passe pas par le guichet de
payement (abandonne la file) est indépendante du nombre de clients présents dans le système, ce
qui est normal.
I. c) Mesures de performance
En état de permanence il est possible de calculer de nombreuses mesures de performance
du système étudié, notamment :
n : Nombre espéré (on dit aussi : moyen) de clients dans le système, (on utilise également le
symbole Ls),
 : nombre moyen de clients dans la file d’attente (on utilise également Lq pour longueur de
la file),
u : temps moyen passé par chaque client dans le système, (on trouve également la notation
Ws),
w : temps moyen passé par chaque client dans la file d’attente (on la note également Wq).
Ces mesures sont dites mesures de qualité, les mesures de rendement étant :
j : nombre moyen de guichets occupés,
 : nombre moyen de guichets inoccupés.
De la règle élémentaire sur l’espérance mathématique E(X+Y) = E(X) + E(Y), X et Y étant
des variables aléatoires indépendantes ou non, on déduit les relations suivantes :
j + ρ = s, d’où j +  = s,
ν + j = n, d’où  + j = n ,
v + w = u, d’où v + w = u , v la durée du service.
36
Enfin pour le système très général G/G/S nous avons :

n = λ.  , u = λ. /λ= j , w .
I. d) Fonction économique
L’objectif de l’étude d’un phénomène d’attente est représenté sous forme d’une fonction à
optimiser appelée fonction économique. La variable de cette fonction est généralement le nombre
de guichets dans le système.
La fonction économique regroupe les deux aspects du service rendu ; qualité et rendement
avec un coût total à minimiser ; la qualité du service est estimée et exprimée en unités monétaires,
elle est représentée par le coût de l’attente. Le rendement du service fourni est représenté par le
coût de l’inactivité des guichets.
En notant c1 le coût unitaire de l’attente (attente d’un client en une unité de temps), et c2 le
coût unitaire d’oisiveté (on dit aussi répit ou inactivité), et si on admet S (nombre de guichets)
comme variable de la fonction économique, le coût total en un intervalle de temps T peut être
exprimé comme suit 21 :
 m s

(s ) = (c1 + c2  )T = c1  (s − n) pn + c2  (s − n) pn  T (2.1)
 n=s +1 n =0 
m : capacité du système (nombre maximal de clients que peut supporter le système)
I. e) Système d’attente à arrivée poissonienne et service exponentiel
Les « files d’attente » de ce type sont notées M/M/..., l’étude d’un tel phénomène se ramène
à l’étude de processus de naissance et de mort où le temps entre deux naissances (arrivées des
clients au système) est exponentiel et le temps entre deux morts (fins de service de clients) est
exponentiel également. Le processus d’arrivée des clients doit être indépendant du processus de
service, et s’il y a plusieurs guichets ils sont supposés réciproquement indépendants.
Ce modèle cadre avec la plupart des cas de files d’attente dans le secteur de la Poste. Il faut
prendre en compte cependant que dans un bureau de poste tous les guichets n’ont pas forcément
le même taux de service, en particulier quand il s’agit de guichets spécialisés chacun dans un type
particulier de services ou quand ces guichets ne sont pas équipés du même matériel (machine à
compter les billets, calculatrice, catégories de billets…).
Dans de tels cas il y a lieu de considérer chaque guichet comme un système à part, les
caractéristiques du bureau sont alors déduites par de simples calculs arithmétiques à partir des
caractéristiques des différents guichets. Le modèle adéquat pour représenter un guichet particulier
est alors souvent le système M/M/1.
Section II. Système M/M/1 (Un seul guichet)

II. a) Présentation
Le système de file d’attente M/M/1 est un système où l’arrivée des clients est poissonienne
et la durée du service est exponentielle, la capacité du système est infinie et les clients sont servis

Résultat de Little, du nom de J. D. C. LITTLE qui en a établi la démonstration mathématique.
21 A. KAUFMANN et R. CRUON, 1961, op. cit., p. 35.

A titre d’exemple, nous avons vu dans le chapitre 1 que le problème des coupures de connexion observé à partir d’un centre
d’amplification se rapporte bien à un processus de naissance et de mort de ce type.
37
dans l’ordre de leur arrivée. La plupart des phénomènes d’attente dans les bureaux de poste sont
de ce type.
Le système M/M/1 se rapporte facilement à un processus de naissance et de mort où N(t)
représente le nombre de clients dans le système, chaque arrivée est considérée comme une
naissance et chaque fin de service est considérée comme une mort :
Soit pn(t) la probabilité de n clients dans le système à l’instant t, et pnn’ la probabilité de
transition du système de l’état n à l’état n’en un intervalle de temps infiniment petit t.
Soit pour n ≥ 0, λt la probabilité d’une naissance en t,
pour n ≥ 1, t la probabilité de fin de service en t,
et pour n = 0, cette probabilité égale à 0 (il n’y a pas de fin de service lorsqu’il n’y a pas de clients
dans le système).
La probabilité de deux événements (naissance ou mort) en t est infiniment petite par
rapport à t, donc négligeable.
Les probabilités de transition du système entre les états, en tenant compte du fait que le
processus d’arrivées et le processus de fin de service sont poissoniens homogènes (λn=λ et n=)
se présentent comme suit 22:
p00 = 1 − t
p01 = t
p10 = t  (1 − t ) = t − t.t  t
p11 = (1 − t )  (1 − t ) + t.t  1 − t − t
p12 = t. (1 − t ) = t − t.t  t
pn n +1 = t , n  0
p nn = 1 − t − t , n  1
p n n−1 = t , n  1
Le processus de naissance et de mort à espace d’état discret est régi par l’équation suivante:
pn’(t) = pn–1(t) . λn–1 – pn(t) . (λn + μn) + pn+1(t) . μn+1 (1.36)
n≥0 (avec λ–1 = μ0 = 0)
Le processus M/M/1 à cadence d’arrivée constante λ et taux de service constant μ est un
processus de naissance et de mort à régime permanent, c’est-à-dire ;
pn(t) → pn donc p’n(t) = 0 quel que soit n.
L’équation (1.36) donne dans ce cas :
pn–1 .λ– pn(λ + μ) + pn+1 . μ = 0.
22 A. KAYFMANN et R CRUON, 1961, op. cit., p. 39.


Voir chapitre 1, p. 15.
38
Et de l’équation (1.47) il vient :
pn . λ = pn+1..
n
De l’équation (1.48) on obtient : pn = n  p0


et en définissant la quantité  =

p n = p 0 Ψ n. (2.2)
II. b) Quantités caractéristiques du système d’attente M/M/1
II.b.1) Probabilité d’attente zéro – Probabilité d’attente non nulle

De l’équation (2.2) on obtient :
 
1
 pn = 1 = p0  n  p0 = 
n =0 0

0
n

et étant donné que   1 ,  n =
1
, donc
0
1 −
p0 = 1– Ψ . (2.3)
Ce dernier résultat explique bien la signification de Ψ, elle représente la probabilité que le
système n’est pas vide (Ψ = 1– p0) d’où l’appellation « coefficient d’utilisation » ou encore « intensité
de trafic ». Elle représente également la probabilité qu’un nouvel arrivant soit contraint à rejoindre
la queue.
p(w > 0) = p(n > 0) = 1– p0, donc :
p(w > 0) = Ψ. (2.4)
II.b.2) Probabilité d’une attente supérieure à x

En général, la distribution de probabilité du temps d’attente est déduite en individualisant les
clients et en utilisant la méthode intégrale par le biais de la transformée de Laplace23. Nous avons
constaté qu’il est possible d’éviter la lourdeur des calculs de cette méthode et obtenir le même
résultat par une méthode intuitive en utilisant des résultats précédents.
Mettons-nous dans le cas où l’attente ne serait pas nulle, c’est-à-dire que
w > 0 ; le client arrive d’abord au système (processus d’arrivée à cadence λ), puis il rejoint la queue
pour attendre son tour (temps d’attente) avant d’être pris en charge par le centre de service
(processus de service à cadence ).
En superposant les deux processus ponctuels d’événements (il ne s’agit plus de naissance et
de mort mais d’occurrence d’événements) il apparaît que le processus global est assimilable à ce
que nous avons vu au chapitre 1, c’est-à-dire à un processus poissonien non stationnaire qui
23 Voir A. KAUFMANN et R. CRUON, 1961, op. cit., p. 45., ou L. KLEINROCK, 1975, op. cit., p. 196.

Voir chapitre 1. p. 17.
39
change brusquement de taux entre deux instants. Nous avons vu qu’entre ces deux instants un tel
processus est également poissonien, il a un taux égal à la différence entre les deux taux respectifs
en valeur absolue.
Le temps d’attente, lorsqu’il existe, est donc exponentiel à taux 1/( – λ).
p(w>x /w>0) = e –( – λ)x  p(w>x) = p(w>0) . e –( – λ)x .
p(w > x) = Ψ. e –( – λ)x . (2.5)

Pour calculer la probabilité d’une attente limitée par un intervalle [x1, x2] on utilise la fonction
de répartition de probabilité F(x) ;
F(x) = p(w ≤ x) = 1– p(w > x)
F(x) = 1– p(w > 0) . e – ( – λ)x (2.6)
Ainsi : P(x1 < x < x2) = F(x2) – F(x1).
Les autres quantités caractéristiques d’efficacité s’obtiennent facilement à partir des lois
élémentaires de probabilité.
II.b.3) Nombre moyen de clients dans le système

Le nombre n de clients dans le système est égal au nombre de clients en attente plus le
nombre de clients en cours de service. La valeur moyenne de n n’est autre que l’espérance
mathématique de l’état du système.
( )
  
n = E (n ) =  npn =  n  p0 n = (1 −  ) n n
n =0 n =0 0
( 0 2 3 4
) (
= 0 +  + 2 + 3 + 4 . . . . − 0 1 +  2 + 2 3 + 3 4 + . . . . )

= 0 +  +  2 +  3 +  4 + . . . . =  n − 1.
n =0

1
Lorsque   1 ,  n = , on a finalement :
n =0 1 −

n= (2.7)
1 −
Notons ici une autre formule très utile : n = 
II.b.4) Nombre moyen de clients dans la file

Dans un système à un seul guichet :

La valeur w est souvent utilisée comme indicateur dans les abaques. L’équation n=
1 − p0 est également importante si on voulait
p0
calculer les paramètres du phénomène uniquement à partir de p0..
40
ν = n si n = 0 et ν = n − 1 si n  1

ν= ν  p
n =1
n

=  (n − 1) p
n =1
n + 0p 0

=  (n − 1). (1 − ψ )ψ
1
n
= (1 − ψ ) (0ψ + ψ + 2ψ2 3
+ 3ψ 4 + . . .)
(
= 0ψ + ψ 2 + 2ψ 3 + 3ψ 4 + . . .) − (0ψ 2
+ ψ 3 + 2ψ 4 + 3ψ 5 + . . . )
= ψ2 + ψ3 + ψ4 + ψ5 . . . .

= ψ n − ψ 0 − ψ 1
n =0

=  ψ n − (1 + ψ )
n =0
1 − (1 − ψ 2 )
− (1 + ψ ) =
1
=
1−ψ 1−ψ
ψ2
ν= (2.8)
1−ψ
Ou encore, en portant dans l’équation (2.7) :
 = n  (2.9)
Les caractéristiques qui concernent le temps de séjour et le temps d’attente peuvent être
obtenues d’une façon purement intuitive en se basant sur les hypothèses du système.
II.b.5) Temps moyen de séjour dans le système

En chaque unité de temps il arrive en moyenne λ clients et part en moyenne λ clients (régime
permanent), l’intervalle moyen de temps entre deux arrivées est donc 1/λ. Au moment de l’arrivée
d’un nouveau client il y aura n clients dans le système, et avant son départ il y a en moyenne
l’arrivée de n clients. Le temps que passe un client dans le système u est égal donc au temps
nécessaire à l’arrivée de n clients, donc :
1
u= n , (2.10)

En portant dans (2.7) il vient

 1
 1 1 
u=  =  =
1 −     −
1−
 
41
1
u= (2.11)
 −
On démontre que le temps de séjour dans le système u suit une loi exponentielle à paramètre
1/( – λ). La plupart des clients passeront un temps inférieur à cette moyenne24.
II.b.6) Temps moyen d’attente

En moyenne, le temps que passe un client en attente est égal au temps nécessaire à l’arrivée
de  clients :
1
w=  (2.12)

2
 
 
   1 2 
2
1 1
w =  = = = 
1 −     −   −
1−
 
w =  u (2.13)
D’une manière analogue on dira qu’un nouvel arrivant attendra que les n clients qu’il
trouvera dans le système seront servis, le temps de service pour un client étant 1/ ; le temps
d’attente qu’il subira est donc : w = n .(1/).
D’ailleurs ce résultat peut être obtenu à partir de l’équation (2.8) de la manière suivante :
1
w= 

2 1   
w =  =  . Mais = n , donc :
1 −  1 −  1 −
1
w =n (2.14)

II.b.7) Probabilité de dépasser un nombre k de clients dans le système
Une autre quantité importante à calculer est la probabilité de dépasser un nombre k de clients
dans le système. Cette quantité sert par exemple à prévoir les moyens à investir pour accueillir les
usagers en matière d’espace, d’aération, de chaises, etc. Elle sert également à estimer combien de
fois (en pourcentage) l’investissement consenti en termes de temps de service surtout mais
également en termes de condition d’accueil sera insuffisant.

p(n  k ) =  pi
i =k
    
=  (1 −  ) =  −  i i i +1
=  − i
 i
i =k i =k i =k i =k i = k +1
24 P. QUITTARD, 1983, op. cit., p. 27 et 28.
42
p(n  k ) =  k . (2.15)
II. c) Variation des mesures de la qualité en fonction du facteur d’utilisation 
En plus des valeurs des quantités précédentes, il est intéressant de savoir leur comportement
en fonction de la variation du coefficient d’utilisation. Les graphes 2-1 et 2-2 montrent que le
nombre moyen de clients dans le système ainsi que le temps moyen passé par un client dans le
système croient rapidement à mesure que  approche de l’unité25. On commettrait donc une erreur
si on voulait faire fonctionner un système à sa capacité maximum (en acceptant un taux de service
 minime) : les caractéristiques de la qualité du service se détérioreront gravement.
On distingue trois phases de l’accroissement des deux courbes de n et u ; si la dernière est
préjudiciable pour la qualité du service, la première grèverait inutilement le coût de l’exploitation.
La phase intermédiaire est donc la phase à rechercher par le gestionnaire.
25 L. KLEINROCK, 1975, op. cit. p. 97.
43
0
 1
Variation du nombre moyen n de clients dans

Figure4
un système M/M/1 en fonction du coefficient d’utilisation, ψ.

u
1/
0
 1
Figure 5 Variation du temps moyen u passé par chaque client dans un

système M/M/1 en fonction du coefficient d’utilisation, ψ.
Section III. Distributions non poissoniennes

On se pose parfois la question de savoir s’il n’est pas possible, tout en restant dans les moyens
disponibles, d’améliorer le service par un simple réaménagement à l’intérieur du bureau. Par
exemple en se demande si une spécialisation des guichets chacun dans des tâches ou des services
particuliers (système de guichets spécialisés) et plus avantageuse pour la rapidité du service ou alors
il vaut mieux que chaque guichet soit en mesure d’accéder à n’importe quel service que le client
44
demande (système : guichets banalisés) ; ou encore, lorsque le service nécessite plusieurs tâches,
faut-il que ces tâches soient exécutées par le même agent ou les répartir entre plusieurs préposés.
Evidemment, la solution adoptée doit tenir compte d’autres facteurs que le temps de
service. En général, on penche plus pour le système de guichet banalisé dans les petits
bureaux où il y a moins de services à offrir, ce qui fait que le même agent peut maîtriser
les différents services disponibles au bureau ; de plus en de tels bureaux, le personnel est
généralement insuffisant pour la spécialisation et la spécialisation des guichets serait trop
coûteuse.
Par contre au niveau des bureaux de forte fréquentation et où les différentes services
postales et financiers sont offerts, on trouve suffisamment de demande pour chaque groupe
de services pour y consacrer un guichet à part. Concernant le temps d’attente, on sait que,
toute chose égale par ailleurs, le système de guichets banaliser est plus performent, or ce
critère constitue une question primordiale pour les grands bureaux situés en plein centre-
ville ou dans de grandes agglomérations.
III. a) Temps de service à distribution d’Erlang
La figure 6 présente un centre de service à un seul guichet avec un temps de service
exponentiel à taux .. La fonction de probabilité du temps de service de ce centre s’écrit :
f ( ) =  e − , τ ≥ 0 (2.16)
Figure6 Centre de service à serveur unique.
Imaginons un centre de service constitué de deux serveurs (Figure 7), chacun ayant
indépendamment un temps de service exponentiel avec un taux 2 . La densité de probabilité du
le temps de service de chaque serveur (τ’) se présente comme suit :
f ( ) = 2  e−2  τ’ ≥ 0.
2 2
1 2
Chaque client est servi par les deux serveurs d’une manière successive et immédiate (pas de
file d’attente dans le centre de service). Un nouveau client entre immédiatement au centre de service
lorsque le dernier entrant l’aura quitté. Le centre de service contient au plus un seul client et à tout
moment un serveur au moins est désœuvré.
45
Le temps global que passe un client dans le centre de service reste inchangé, il constitue une
variable aléatoire égale à la somme des deux variables aléatoires indépendantes et identiquement
distribuées représentant successivement, le temps de service du premier et du deuxième serveur.
Dans un tel cas on démontre que la distribution du temps global dans le centre de service
devient :
f (t ) = 4 2te−2 t t ≥ 0, (2.17)
E(t) = 2 E(τ’) = (1/) , σ²t = σ²τ’ + σ²τ’ = 1/(22).
La variance du temps global dans le centre de service est diminuée de moitié26.
Pour r serveurs, on se retrouve dans le cas général de la distribution d’Erlang :
r (rt ) r −1 e − r t
f (t ) = , t ≥ 0. (2.18)
(r − 1)!
1 1 
 ² t =   . (2.19)
r  ² 
La dispersion de la distribution diminue sensiblement en fonction de r (l’écart type est égal
1
à l’écart type du cas d’un serveur unique multiplié par .) et lorsque r augmente, le pic de la
r
courbe se déplace rapidement vers son emplacement final 1/, sa valeur est obtenue en égalant la
dérivée à 0 :
 r − 1 1
t pic =   , (2.20)
 r 
A partir de l’équation (2.19) on démontre 27 que :
r (r + 1)
n= , (2.21)
2 (1 − r )
n r  (r + 1)
w= =  (2.22)
 2 (1 − r )
La distribution d’Erlang est très générale ; elle est souvent utilisée pour représenter des
2
 
distributions expérimentales, à condition que le rapport   soit inférieur à l’unité :

2
 1 
 
 r  = 1  1
 (1 /  )  r
. (2.23)
 
 
Notons que le coefficient de variation de la distribution exponentielle est égal à l’unité
puisqu’ en cette distribution la moyenne égale l’écart type (r = 1).
26L. KLEINROCK, 1975, op. cit., p. 119.

27A. KAUFMANN, -Méthodes et modèles de la Recherche Opérationnelle (les mathématiques de l’entreprise), Tome 1, 2ème édition, Dunod,
Paris, 1970, p. 402, et A. KAUFMANN et R. CRUON, 1961, op. cit., p. 141.
46
Le temps de service, suivant une distribution d’Erlang est envisageable lorsqu’en régime
stable à n > 1 on considère le service comme un ensemble de tâches partielles, effectuées par le
même serveur (vérification de l’identité, vérification des indications sur le chèque, saisie de
l’opération sur le terminal, ...). Chaque tâche occupe un temps exponentiel à taux égal. Au chapitre
4 nous verrons que le temps de service du guichet de saisie est bien plus stable pour être représenté
par une distribution exponentielle, une distribution d’Erlang serait donc plus adéquate.
Par ailleurs, l’observation montre que les deux serveurs ne travaillent pas indépendamment ;
le premier agent s’arrête ou modifie son taux de service lorsque les chèques devant le guichet de
paiement deviennent trop nombreux. Une telle situation est appelée « blocage » ; dans le cas étudié,
elle ne résulte pas d’une condition matérielle préalable (comme par exemple dans le cas des stocks
limités entre les postes de travail d’une chaîne de fabrication), mais du fait que le taux de service de
l’agent de saisie est nettement supérieur au taux de service du caissier.
Cette dépendance nécessite d’étudier un tel réseau d’une façon globale28. Les calculs à
effectuer pour établir et résoudre les équations d’état sont très longs, néanmoins une observation
approfondie du fonctionnement du système d’attente peut conduire à simuler les deux guichets à
un centre de service unique. Nous reviendrons sur ce point dans la partie pratique.
III. b) Temps de service à distribution hyperexponentielle
Au niveau du centre payeur on associe parfois deux agents de caisse à un guichet de saisie.
Un client qui aura passé devant le premier guichet (visionneuse) sera servi par l’un ou l’autre des
deux agents payeurs. Le passage des clients devant l’agent payeur peut être conçu parfois comme
un passage dans un deuxième système d’attente à temps de service hyperexponentiel.
Dans le cas où le temps de service µi varie d’un caissier à un autre, (selon la catégorie de
billets disponible pour chacun, …), l’agent de saisie déposera plus de chèques sur la table de l’agent
de caisse le plus rapide, chaque client aura donc la probabilité ai supérieure de passer devant cet
agent (ai : probabilité pour un client de passer devant l’agent i, i =1 a i = 1 ).
r
47
1
a1
2
a2
3
a3
ar
r
Figure 8 Centre de service hyperexponentiel
Sous l’hypothèse que les arrivées à ce centre de service sont poissoniennes, la fonction
représentant le temps de service dans ce centre de service est la suivante :
r
f (t ) = a  e
i =1
i i
− i t
, t ≥ 0. (2.24)
Le temps moyen de service du centre est obtenu immédiatement :

r

ai
E (t ) = . (2.25)
i =1 i
Et la variance :
2
ai  ai 
r r
 ² = E (t ²) − [ E (t )]² = 2 
i =1
− 
i ²  i =1 i  . (2.26)
Le carré du coefficient de variation de cette distribution est supérieur à celui de la distribution

d’Erlang et à celui de la distribution exponentielle :
r
ai
2
i =1 i ²
−11
2 . (2.27)
 ai r

  
 i =1  i 
L’application d’une telle distribution est soumise à une réserve majeure du fait que les entrées
de ce système sont les sorties d’un autre, celui du guichet de saisie. En effet, il est possible que le
premier guichet travail avec une rapidité qui dépend de la file d’attente (constituée de chèques)
devant les deux caissiers, dans un tel cas on ne peut admettre que l’arrivée au centre de service
48
multiserveur est poissonienne puisque le temps de service de l’agent de saisie ne serait pas
exponentiel.
III. c) Arrivées poissoniennes - Service selon une loi quelconque
Indiquons en fin l’équation établie indépendamment par Pollaczek, Khintchine, et Kendall
29
sur le temps moyen d’attente dans un système à arrivées poissoniennes et temps de service selon
une loi quelconque (un seul guichet) :
  1 
w=   ² t +  , t : le temps de service. (2.28)
2 (1 −  )  ² 
On remarque que le temps moyen d’attente est d’autant plus petit, pour des valeurs données
de λ et , que l’écart type du temps de service est plus petit.
De même pour le nombre moyen de clients dans le système donné par la formule suivante
due à Kendall 30 :
 2 +  2 2 t
n = + . (2.29)
2(1 −  )
n est minimum lorsque σt = 0, c’est-à-dire lorsque le temps de service est constant. Dans le
cas où σ²t = 1/² (distribution exponentielle) l’équation (2.29) donne :
² 
n = + =
1 − 1 −
On démontre31 également que, dans le cas d’arrivées poissoniennes, quel que soit la loi de la
durée de service, la fonction de répartition de la durée d’inoccupation du guichet est :
J (t ) = 1 − (1 − )e−t (2.30)
Section IV. Système M/M/S (Généralisation à S guichets)

IV. a) Présentation
Le système M/M/S est un système d’attente à arrivées poissoniennes et à nombre de
guichets S, chacun ayant une durée de service exponentielle à paramètre . Le nombre de clients
est illimité et la file d’attente est supposée unique et « ordonnée. » Même s’il y a plusieurs files il
suffit que les clients n’aient aucune préférence pour l’un ou l’autre des guichets et que la circulation
soit possible entre les files pour que le cas soit facilement assimilable à un système avec une seule
file d’attente. C’est généralement le cas dans les centres payeurs.
Le système d’attente M/M/S à guichets identiques est assimilable à un processus de
naissance et de mort dont les coefficients sont :
λn = λ , n = 0, 1, 2, 3, . . . et
.n n≤s
n = .s n≥s

30 A. KAUFMANN, 1970, op. cit., p. 383.
31 A. KAUFMANN, 1970, op. cit., p. 383.
49

La condition de non engorgement du système est  1.
s.
A la lumière de ces indications, la solution de la fonction (1.48) du chapitre 1 (voir paragraphe
IV.c.4, P. 29) doit être divisée en deux parties suivant la façon dont n dépend de n (décrite plus
haut) :
i=1  i−1 

n
pn = p0
 i  (1.48)
i=1  i  ,

n
p n = p0
Pour n ≤ s   (2.31)
n
n  1
p n = p0 = p 0   
  2  3     n  n!

mais =  donc
s
s n n
pn = p0 
n! . (2.32)
  
i=s+1  s  ,
 

s n
p n = p0  
i =1   i 
Pour n ≥ s   (2.33)
n
s n−s  1 s n n
 1  1  
= p 0     n−s = p 0  n−s
p n = p 0      s  s! s  s!

  s!  s n−s 
s s n
pn = p0 
s! . (2.34)

p0 s’obtient en utilisant l’égalité p
n =0
n =1
50
s −1 
1=  +
n n
  1   1
p 0   
  p 0   
  n−s
  n!   s s!
n =0 n=s
 s −1   n      
n−s s
      
 
= p0   n! +  n− s     
 n =0 n=s s s! 
 
 s −1   n     
s
       n−s 
= p0   n! + 
  

 s 




 n =0 s ! n=s 
 
 s −1   n     
s
       
= p0   n! +  ( )  .
n
 n =0 s! n=0 
 

1
Sous la condition Ψ < 1, et en utilisant le résultat  xi =
i =0 1− x
( x  1) , il vient
1
p0 = s
,
 
n
 
 s −1  
 
+ 
s! (1− ) n =0
n!
1
p0 = s s −1
+  ( sn!)
( s ) n . (2.35)
s! (1− ) n =0
Le tableau suivant donne quelques valeurs de po dans un système M/M/S.
51
Tableau 2 Valeurs de p0 en fonction de sψ = λ/µ dans un système M/M/S.
S=2 S=3 S=4 S=5 S=6 S=7 S=

S =1 0.333 0.363 0.367 0.367 0.367 0.367 0.36788
S =2 0.111 0.130 0.134 0.135 0.135 0.13534
S =3 0.037 0.046 0.049 0.049 0.04978
S =4 0.013 0.016 0.017 0.01837
Source : A. KAUFMANN, 1970, op. cit., p. 392.
IV. b) Quantités caractéristiques du système d’attente M/M/S

On écrivant Ψ = λ/(s) et ’ = s calculons les autres grandeurs caractéristiques du
système32 ;
IV.b.1) Nombre moyen de clients en attente


ν = n – s,  = E(ν) =  (n − s )pn
n=s
De l’équation (2.34) il vient :

 
 s s n  ss  n
 =  (n − s )pn =   p0   (n − s ) = p0  (n − s )
n=s n=s  s!  s! n = s +1
Nous avons (Ψ = λ/s) < 1, en substituant (n – s) par ν, et en utilisant le résultat33 :

x

n =1
nxn =
(1 - x )2
( x  1) , on obtient
ss 
s s s 
 = p0
s!



=1
 +s
= p0
s!


 
=1
s s s +1
 = p0 . (2.36)
s!(1 −  )
2
IV.b.2) Nombre moyen de guichets occupés – Nombre moyen de

guichets inoccupés
Pour S = 1 le guichet est occupée en un pourcentage de temps Ψ, à un instant quelconque
il est donc occupé avec une probabilité Ψ, et inoccupé avec une probabilité (1– Ψ). Les guichets

Dans certains ouvrages on utilise la notation  pour le taux global de service, c’est-à-dire le nombre moyen de clients servis par
unité de temps lorsque S guichets sont constamment occupés, dans ce cas Ψ =λ/ .
32 Voir A. KAUFMANN et R. CRUON, 1961, op. cit., p. 62.
33 Voir N. PISKOUNOV, 1974, op. cit., p. 349.
52
étant identiques (même service fourni, même durée du service, même qualité, ...) ils ont le même
taux d’occupation et le même taux d’oisiveté. Le nombre de guichets occupés est de ce fait :
j= SΨ, (2.37)
et le nombre moyen de guichets inoccupés :
 = (1 −  )S . (2.38)
IV.b.3) Nombre moyen de clients dans le système

De la relation n =  + j et l’équation (2.37), il vient :
s s s +1
n = p0 + s . (2.39)
s!(1 −  )
2
IV.b.4) Temps moyen de séjour dans le système

En chaque unité de temps il arrive en moyens λ clients et part en moyenne λ clients (régime
permanent), l’intervalle de temps entre deux arrivées est donc 1/λ. Au moment de l’arrivée d’un
nouveau client il y aurait n clients dans le système et au moment de sa sortie il y aurait en moyenne
n autres. Le temps que passe un client dans le système u est égal donc au temps nécessaire à
l’arrivée de n clients, donc :
u = n . (1/λ). (2.40)
De l’équation (2.39) on obtient :

p0 ( s ) s 1
u= + . (2.41)
s s!(1 −  ) 
2
IV.b.5) Temps moyen d’attente

Le temps que passe un client en attente est égal au temps nécessaire à l’arrivée de  clients ;
on a donc :
w = . (1/λ) .
De l’équation (2.36) il vient :
p 0 ( s ) s
w = . (2.42)
s s!(1 −  )2
Le temps moyen de service pour un client est  =1/ .
On obtient également l’équation (2.42) en rapportant dans (4.11) la relation évidente
w = u – .

Pour une démonstration rigoureuse voir par exemple : A KAUFMANN, 1970, op. cit., p. 394.
53
IV.b.6) Probabilité d’une attente non nulle

Cette grandeur représente le pourcentage de clients qui auront à faire la queue pour accéder
au service.
Un client se voit contraint de rejoindre la queue s’il trouve tous les guichets occupés, soit
n ≥ s. De l’équation (2.34) il vient
  
s s s ss
p(w > 0) = p(n ≥ s) = p =
n=s
n
n=s
p0
s!
= p0
s! 
n=s
s
.
ss  s
p(w > 0)= p0 
s! n=s

Utilisons la série Sn = c + cx + cx² + …. + cx = n-1

 x
n =0
n
= c(1 − x n )
. Avec c = 1 et x  1
1− x
il vient :
a  a −1
1 1− xa
 xn =  xn −  xn =
n =0 n =0 n =0
−
1− x 1− x
.

xa
On obtient alors le résultat :  x = ( x  1) .
n
n=a 1− x

s
Donc  =
s
, ce qui donne en définitif :
n=s 1 −
( s ) s
p ( w  0 ) = p0
s!(1 −  )
. (2.43)
De l’équation (2.42) on obtient également :

p(w  0) = w  s  (1 −  ) . (2.44)
IV.b.7) Probabilité d’une attente supérieure à un temps x – Fonction

de répartition du temps d’attente
Mettons-nous dans le cas où n ≥ s ; un client arrivant au système subirait une certaine attente
avant d’entrer au centre de service. Faisons une superposition des deux processus ponctuels
poissoniens, celui de l’arrivée des clients au système d’attente (taux λ) et celui de leurs entrées en
service (taux ’ = s). En considérant les arrivées des clients jusqu’au client c (soit t l’instant de son
arrivée) et le processus d’entrée en service des clients à partir du client c (soit s l’instant de son
entrée en service) nous nous trouvons devant un cas assimilable à un processus poissonien non
stationnaire qui change de taux de λ à ’.
54
Arrivées au centre d’attente Entrées au centre de service
a b c... c d e f ...
a
t
t s
Attente du client c
Figure 9 Loi du temps d’attente
9
Nous avons vu au chapitre 1 (Paragraphe IV.b.4.2. P. 26) que, étant données les dates t et s,
la variable aléatoire N(s) – N(t) du nombre d’évènements se produisant sur [t, s] suit une loi
Poisson : P(m(s) – m(t)). Ainsi, lorsque celui-ci existe, le temps [t, s], qui n’est autre que le temps
d’attente du client, suit une lois exponentielle avec une moyenne égale à
1/(’ – λ). On écrit :
p(w > x / n ≥ s) = e – (’ – λ)x
Et d’une manière générale :

p(w > x) = p(w > 0) . e – (’ – λ)x. (2.45)
La distribution de probabilité du temps d’attente est immédiatement déduite de ce résultat :

F(x) = p (w ≤ x) = 1– p(w > x)
F(x) = 1– p(w > 0).e– (’ – λ)x (2.46)
En remplaçant dans (2.43) on obtient :
( s ) s
F ( x) = 1 − p 0 e −(  − ) x . (2.47)
s! (1 − )
La probabilité d’une attente supérieure à x1 et inférieure à x2 est calculée à partir de cette
fonction de répartition :
p(x1< w <x2) = F(x2) – F(x1) (2.48)
Le modèle M/M/S est très important pour représenter le phénomène d’attente dans les
bureaux de poste, il demeure valable (avec une excellente approximation) même si les durées de
service des guichets ne sont pas parfaitement identiques ; il suffit que celles-ci ne diffèrent pas de
plus de 20 à 30%34.
34Voir notre référence A. KAUFMAN et R. CRUON, 1961, op. cit., p. 72.
55
II° PARTIE
ETUDE PRATIQUE AU NIVEAU DU

CENTRE PAYEUR DE M’SILA HODNA
56
Chapitre 3. OBSERVATION DU TRAFIC
Pour pouvoir ressortir les caractéristiques de performance du système de file

d’attente dans un bureau de poste (temps moyen d’attente, nombre moyen de clients
en attente, ...) nous devons chercher à le représenter par un des modèles
mathématiques connus. Cette modélisation permettra de décrire le comportement du
phénomène à travers la variation de ses caractéristiques en fonction des moyens
déployés ou en fonction de l’intensité du flux de la demande.
Le choix d’un modèle doit tenir compte d’une part de la structure du système
d’attente, et d’autre part du fonctionnement de celui-ci. Mais avant d’aborder ces deux
aspects, il y a lieu d’étudier statistiquement le flux de clients sur le bureau de poste,
pour en avoir une idée claire sur sa variation à cours et à long terme. L’information
assemblée sera utilisée dans le choix du modèle mais également dans la détermination
de la période d’échantillonnage lors de l’étude de la loi des arrivées et de la loi de
service.
Ainsi, dans la première section de ce chapitre nous exposons deux études
statistiques sur la variation du trafic dans les services offerts dans un centre payeur, les
services CCP ; la première englobe tous les bureaux de la wilaya de M’sila, la seconde
concerne spécialement le bureau objet de notre étude pratique celui de M’sila Hodna.
La deuxième section est consacrée à une étude statistique portant sur l’affluence des
clients durant un mois de service ; nous exploiterons les données recueillies pour tirer
des conclusions sur des tendances éventuelles de la cadence des arrivées à l’intérieur
du mois et à l’intérieur de la journée.
Nous aurons à discuter dans le chapitre suivant la question de la structure du
système d’attente dans le bureau et la loi de probabilité qui ajuste le mieux les arrivées
de clients au bureau et celle qui ajuste le service.
Section I. Variation de la demande sur les services CCP

Pour pouvoir préparer l’échantillon sur la loi des arrivées et de service et confirmer ou
refuser les informations qui en découleront, il est nécessaire de consolider ses
connaissances sur le phénomène du flux des clients par des études complémentaires
qui, améliorées par l’observation directe cumulée lors de l’exercice de l’auteur dans le
domaine, constitueront une garantie plus ou moins efficace de la validité des
conclusions qui serons tirées.
Il y a lieu donc d’étudier le trafic et le flux des clients sur le bureau en vue d’en avoir
une idée claire sur son comportement à long et court terme.
Deux études statistiques sont exposées dans cette section, la première porte sur
le service du versement accéléré (VAC), elle englobe la totalité des bureaux de poste
de la wilaya de M’sila. La seconde porte sur les versements accéléré (VAC) et le service
 VAC : alimentation d’un compte courant postal par transaction sur un terminal CCP.
57
Chapitre 3. Observation du trafic
du paiement à vue (PAV), elle concerne le seul bureau de M’sila Hodna.

Il faut noter que ces deux services PAV et VAC constituent, avec le service de
consultation de l’avoir (NAV), la majeure partie de l’activité d’un centre payeur. Le
volume des autres services (commande de carnet de chèques : CAR et commande de
relevé de compte : REL) est négligeable.
I. a) Variation trimestrielle des VAC au niveau des bureaux de la wilaya
Comme indicateur du trafic dans ce service nous avons retenu le montant des
droits perçus sur les opérations effectuées. Nous entendons par cette étude avoir une
idée sur l’évolution et la variation du trafic dans les services CCP en général, car parmi
les recettes comptabilisées au niveau des bureaux de poste, ces droits constituent une
partie importante du chiffre d’affaire réalisé sur l’ensemble des services financiers. Le
choix de cet indicatif est expliqué aussi par des raisons de commodité ; contrairement
aux recettes sur les autres services financiers, les informations concernant cette partie
du service sont disponibles au niveau des Unités Postales de Wilaya, et sont d’une
parfaite exactitude puisqu’elles peuvent être tirées directement des documents
comptables.
L’objectif de cette étude est double :
• vérifier si le trafic au niveau de la wilaya connaît une croissance
significative d’année en année,
• et savoir si ce trafic obéit à une variation saisonnière.
L’étude a porté sur une période de trois années d’exercice 1999, 2000 et 2001.
Le tableau suivant indique les données recueillies à partir de documents
comptables des 34 bureaux de postes « plein exercice » de la wilaya de M’sila.
Droits sur les versements accélérés
Tableau 3
par trimestre, et calculs des moyennes.
xi 1er 2ème 3ème 4ème i B

Trimestre Trimestre Trimestre
Trimestre
1999
862.672,00 942.560,00 951.657,00 975.101,00 932.997,50
2000
935.865,00 1.036.535,00 1.027.639,00 1.233.475,00 1.058.378,50
2001
1.363.595,00 1.405.375,00 1.228.279,00 1.318.542,00 1.328.947,75
i A 1.054.044,00 1.128.156,67 1.069.191,67 1.175.706,00 1.106.774,58
 PAV : payement d’une somme d’argent contre chèque après transaction sur un terminal CCP.
 NAV : Consultation de l’avoir du compte par transaction sur un terminal CCP.

Peu après cette étude statistique, le nombre de ces bureaux a été augmenté à 39.
58
iA: désigne les moyennes trimestrielles (facteur A : Trimestres).

iB : les moyennes annuelles (facteur B : Années).
La moyenne générale  = (∑xi )/12 = 1 106 774,58.
Somme quadratique totale : SQT = ∑(xi – )² = 399 138 715 932,92.
SQA = L∑(iA – )² (langueur de l’échantillon: L = 3).
= 3 (9 401 723 735,19) = 28 205 171 205,58.
SQB = L∑(iB – )² = 4 (81 901571 560,54) = 327 606 286 242,17.
Somme quadratique résiduelle : SQR = SQT – SQA – SQB = 43 327 258 485,17.
Moyenne quadratique résiduelle : MQR =SQR/[(4 – 1)(3 –1)] = 7 221 209 747,53.
Moyenne quadratique A: MQA = SQA/(C – 1). (Nombre d’échantillons : C = 4).
MQA = 28 205 171 205,58 /(4 – 1) = 9 401 723 735,19.
Moyenne quadratique B : MQB = SQB/(C – 1).
MQB = 327 606 286 242,17 / 2 = 163 803 143 121,10.
Calcul des rapports Fisher pour les deux facteurs A et B :
F = variance des moyennes d’échantillons/moyenne des variances d’échantillons.
FA= MQA/MQR = 9 401 723 735,19 /7 221 209 747,53 = 1,302.
FB = MQB / MQR = 163 803 143 121,10 / 7 221 209 747,53 = 22,684.
Comparons ces deux valeurs aux valeurs tabulaires pour un seuil de signification
0,05 :
FA = 1,302 < F0.05, 3, 6 = 4,76.
FB = 22,684 > F0.05, 2, 6 = 5,14.
Conclusions
• Pour le facteur A : Accepter l’hypothèse H0 (les moyennes des populations
associées au facteur A sont égales). Nous décidons d'admettre qu’il n’y a pas de
phénomène saisonnier dans les taxes sur VAC perçues au niveau des bureaux.
• Pour le facteur B : Rejeter l’hypothèse H0. Il y a une variation (positive) significative
dans les recettes (taxes VAC) d'année en année.
Interprétation des résultats

Cette étude nous a permis d’établir que les taxes perçues sur les versements
accélérés VAC au niveau des bureaux de la Wilaya de M’sila pendant l’année ne
constituent pas un phénomène saisonnier. Si on admet que le service PAV (demande
de payement à vue) et le service NAV (demande de nouvel avoir) suivent le même
comportement on peut conclure que le trafic du centre payeur n’est pas saisonnier. Par
59
contre, à plus long terme, on observe une augmentation significative d’une année à
l’autre.
Bien entendu, d’aucuns pourraient critiquer cette approche consistant à estimer
la variation du trafic uniquement sur la base des taxes perçues ; l’idéal serait de se baser
sur le nombre même d’opérations effectuées, ce qui aurait nécessité un travail bien plus
lourd.
Par ailleurs, le nombre d’opérations VAC par rapport au nombre global
d’opérations CCP est minime, l’étude sur le nombre d’opération de PAV et VAC au
bureau de M’sila Hodna le montrera bien. Il reste cependant légitime de penser que
la variation du trafic dans les services CCP en général est similaire.
I. b) Variation des PAV et VAC au centre payeur
Il est communément admis par les professionnels du secteur que les périodes
de forte affluence sont liées aux diverses échéances de payement de différents
secteurs, ceux-ci sont approximativement :
• Le 6 du mois : le personnel des collectivités locales et des hôpitaux,
• le 12 et 13 : le personnel de l’enseignement,
• le 18 : le personnel de la défense nationale,
• le 21 : la police, ...
• le 23 et 24: les retraités.
Etant donné que l’étude principale sur l'affluence des usagers porte
essentiellement sur le seul bureau de M'sila Hodna, on a décidé de faire une étude
statistique au niveau de ce bureau sur la variation, et ce en termes de nombre
d'opérations de PAV et de VAC effectuées par jour.
Le nombre d’opérations de demande de l’avoir (NAV) est plus conséquent que
celui des opérations VAC, cependant nous n’avons pu l’intégrer dans l’étude à cause
du fait qu’il n’apparaît pas dans les documents comptables du bureau d’où les

informations ont étaient recueillies (ni dans les extraits de compte « CH-500 » du
bureau ni dans les listings journaliers). Pour évaluer l’importance relative de ce type de
service nous nous-baserions sur un échantillon plus restreint relevé pendant les heures
de pointe.
L’étude est faite à partir de l’archive des extraits de compte (CH-500) du bureau.
Elle a permis, au prix d’un travail de comptage de plusieurs jours sur place, de relever
le nombre exact d’opérations effectuées jour par jour pour une période de 12
mois d’exercice, à commencer d’août 2001.
Les données sont portées en annexes 1 et 2 (page 111 et 112). Les deux dernières
lignes représentent successivement la moyenne et le coefficient de variation du nombre

CH-500 : extrait du compte émanant du centre des chèques postaux comportant les opérations effectuées sur le compte
pendant la journée.
60
d’opérations effectuées. La dernière caractéristique montre que pour la quasi-totalité

des mois, la dispersion est relativement faible.
A présent nous pouvons dégager de l’information réunie les similitudes dans la
variation de la demande à l’intérieur du mois. Pour cela nous reprenons d’abord, sous
forme de courbes lissées et superposées, les données concernant le nombre journalier
d’opérations de PAV des six derniers mois (de mars à août 2002). On divise le mois
ouvrable en 3 phases, le nombre maximum de jours ouvrables est 27 jours.
6 Courbes représentant la variation du trafic au cours du mois
juin: 02 juillet: 02 août: 02 mai: 02

avril:02 mars: 02
800
Nbre d'opérations/j (PAV)
600
400
200
0
0 9 18 27
Jours ouvrables du mois
Figure 10 Variation du trafic en PAV pendant le mois.
On voit bien une réelle ressemblance entre les courbes, ce qui nous amène à
considérer le mois comme la période après laquelle le phénomène aléatoire du trafic dans
ce service (et probablement dans les autres services CCP) se renouvelle. Les tendances
dans le comportement de la demande sont donc à rechercher à l’intérieur du mois. La
première de ces tendances qui apparaît du graphisme est que la deuxième quinzaine
connaît plus de trafic que la première.
On peut également penser à rechercher des tendances à l’intérieur de la journée,
ce que nous ferons dans une étude ultérieure sur la cadence d’arrivées de clients. Par
ailleurs, la grande majorité des données se situent entre 200 et 400 opérations par jour.
Cinq des six mois ont connu une fois un pic de près de 600 opérations par jour, mais
pour examiner les périodes de dégénérescence de la file il faudrait prendre des
observations sur un intervalle plus restreint que la journée : il n’est pas rare qu’un jour
61
de trafic moyen connaît à un moment donné un afflux intense qui provoquant une
augmentation temporaire mais considérable de la file.
Les périodes de faible trafic sont les premiers et les tout derniers jours du mois
ainsi que les derniers jours de la première phase (constituée de 9 jours). Les pics
dépassants 600 opérations par jour sont observés vers le milieu du mois.
Les similitudes observées confirment la dépendance du trafic par rapport aux
échéances de payement. Cette dépendance explique qu’il suffit que la date de payement
d’une ou plusieurs catégories de salariés ou pensionnaire change du dernier au début
du mois pour que la tendance générale soit renversée ; en associant une courbe de
tendance linéaire à chaque courbe de nombre d’opérations PAV des douze mois de
l’échantillon on voit que la tendance croissante du trafic n’a débuté qu’à partir de
janvier 2002 (Fig. 11).
On note également le poids négligeable des opérations du VAC par rapport au
nombre d’opérations PAV, chose attendue puisque le trafic du centre payeur avec les
particuliers est constitué essentiellement de paiements des salaires et des pensions de
toutes natures (d’où l’appellation « centre payeur »).

Pour évaluer la fréquence des ces moments de crise, voir l’étude exposée dans la section II sur la cadence d’arrivées de
clients au bureau.
62
800 PAV
sept. 01 oct. 01
août. 01 VAC
Nbre d'opér./j 600 )PAV( ‫خطي‬
400
200
0
1 3 5 7 9 11 13 15 17 19 21 23 251 3 5 7 9 11 13 15 17 19 21 23 251 3 5 7 9 11 13 15 17 19 21 23 25 27
journées ouvrables
800
début Ramadan le 6 nov. 01 Aide le 6 dec. 01 jan. 02
600
400
200
0
1 3 5 7 9 11 13 15 17 19 21 23 1 3 5 7 9 11 13 15 17 19 21 23 251 3 5 7 9 11 13 15 17 19 21 23 25
800
Nbre d'opéra./jour
fev. 02 Aid El Kbir le 5 mars 02 avr. 02

600
400
200
0
1 3 5 7 9 11 13 15 17 19 21 23 1 3 5 7 9 1
11 13 15 17 19 21 23 25 3 5 7 9 11 13 15 17 19 21 23 25
800
mai 02 juin 02 juill. 02
600
400
200
0
1 3 5 7 9 11 13 15 17 19 21 23 1 3 5 7 9 1
11 13 15 17 19 21 23 25 3 5 7 9 11 13 15 17 19 21 23 25 27
Figure11 Diagrammes représentant la variation en chaque mois du nombre d’opérations de VAC et PAV de août 2001 à juillet 2002.
63
On a également représenté les moyennes mensuelles du nombre d’opérations de

PAV effectuées journellement, des douze mois, en un diagramme joint d’une courbe
de tendance linéaire (Figure. 11). Le calcul des moyennes est porté sur les annexes 1 et
2 (page 111 et 112), le résultat est reproduit dans le tableau suivant.
Moyennes mensuelles du nombre

Tableau 4
d’opération PAV et VAC effectuées.
Août Sept. Oct. Nov. Déc. Jan. Fév. Mars Avril Mai Juin Juill. Moyenne
Mois 2001 2002 mensuelle
PAV 349 361 344 336 410 315 354 301 274 303 313 264 327
Figure 12 Tendance pendant 12 mois du trafic en paiement à vue (PAV) au

centre payeur.
A une échelle globale, il apparaît de la figure 12 que le trafic mensuel en PAV a

connu une décroissance presque monotone durant la période examinée, ce qui peut
paraître paradoxale avec la tendance générale positive du trafic, relevé par la première
étude au niveau de l’ensemble des bureaux de la wilaya.
La cause de ce fléchissement graduelle du trafic au principal centre payeur de la
wilaya vient sans doute de l’opération de propagation des terminaux CCP au niveau
des petits bureaux jusque-là ne pouvant offrir le service de PAV. Il est clair que cette
opération d’envergure a petit à petit allégé le centre payeur. Dès que cette opération
aura était achevée le volume du trafic du bureau aura donc tendance à se stabiliser à un
niveau final.
64
Pour récapituler, l’étude confirme donc une forte dépendance du trafic du bureau
aux échéances de paiement des différentes catégories de salariés et pensionnaires.
Vraisemblablement cette dépendance est la cause principale de la variabilité du
trafic journalier qui, doublée de l’inflexibilité de la capacité du bureau, constitue la
source majeure du problème de dégénérescence des files d’attente.
On remarque enfin que l’information donnée par l’étude précédente concernant
la non saisonnalité du trafic est confirmée par le diagramme 12.
Section II. Phénomène du flux des clients : variation et tendances

II. a) Homogénéité du flux de clients dans le mois
Les deux études précédentes montrent qu’il existe une forte ressemblance du
trafic d’un mois à un autre et que les tendances existent à l’intérieur du mois (elles
peuvent exister également à l’intérieur de la journée).
A la différence de ces deux études, celle présentée ici porte non sur le nombre
d’opérations effectuées par journée de travail mais sur la cadence d’arrivées de clients.
Le but est d’avoir une idée sur la variation de la moyenne du nombre de clients
arrivant par unité de temps au bureau, car c’est cette moyenne qui a une incidence
directe sur la qualité de la prestation de service.
Pour se faire, on a pris comme intervalle d’observation une période de quatre
semaines successives couvrant ainsi les différentes périodes du mois, notamment les
échéances mensuelles de paiement mentionnées plus haut soit le 6, le 12 et le 13, le 18
et le 21, le 23 et le 24 (voir paragraphe I. b du même chapitre p. 64).
L’étude déterminera l’ampleur et les périodes des variations de la cadence des
arrivées. La capacité du bureau devra alors être déterminée sur la base de son
fonctionnement pendant les périodes de forte affluence et non sur la base de la
moyenne générale. Pour spécifier une règle à suivre, on peut s’inspirer par exemple de
l’idée utilisée au niveau des aéroports, celle consistant à planifier la capacité des
structures d’accueil selon la quarantième heure la plus dense en trafic de l’année en
termes de nombre de passagers servis.
Au cours de quatre semaines consécutives on a noté le nombre de clients
arrivant au bureau pendant 100 intervalles de temps de 10 minutes chacun. Par ailleurs,
l’observation directe montre que l’affluence des clients diminue sensiblement vers midi
et pendants la dernière heure d’ouverture, nous avons donc pris soin que les mesures
soient prises en dehors de ces horaires.
Pour que l’échantillon soit représentatif du mois, les instants de prise des mesures
ont été choisis d’une façon aléatoire à partir d’une table aléatoire de 100 nombres. Ces
nombres peuvent être pris d’une table de nombres aléatoires tirée d’un ouvrage
classique1 ou en utilisant une fonction appropriée dans une feuille de calcul Excel. Pour
1 Voire par exemple A. KAUFMANN, 1970, op. cit., p. 129.
65
des raisons de commodités nous avons choisi une autre voie, celle de générer ces
nombres par un programme informatique approprié.
Pour cela on a besoin d’abord de déterminer le seuil maximum des nombres
aléatoires à générer. Ce maximum représente le nombre d’intervalles de dix minutes
desquels on puise l’échantillon aléatoire. Il a été calculé comme suit :
L’horaire officiel de travail du bureau est de 8h 00 à 17h 00 de samedi au mercredi
et de 8h 00 à 15h 00 le jeudi. Pour éviter de prendre des mesures pendant des périodes
de transition du système, on omit les horaires suivants :
▪ Tous les jours : le premier quart d’heure de l’ouverture du bureau,
▪ du samedi au mercredi : de 12h à 13h, et de 16h à 17h.
▪ le jeudi : à partir de 12h.
Cela donne le total calculé dans le tableau suivant :
Tableau 5 Calcul du seuil maximal.
Conversion en
Jours de la Horaires de Horaires des Temps en unités de dix
semaine travail mesures Heures minutes
8h 15' à 12h et 3,75 + 3 =
S, D, L, M, Mer 8h 00 à 17h 00 6,75 (6) = 40,5
de 13h à 16h 6,75 heures
Jeudi 8h 00 à 15h 00 8h 15' à 12h 3,75 3,75 (6) = 22,5
Total par 6,75 (5) + 3,75 40,5 (5) + 22,5
semaine = 37,5h/s = 225
37,5 (4) =
Total par mois 225 (4) = 900
150h/mois
Les nombres aléatoires ne doivent donc pas être supérieurs à 900.

Chaque nombre correspondra alors à une date (en jour, heure et minute) d’une
prise de mesures. A titre d’exemple, le nombre 33 indiquera le premier jour du
comptage à 14h 45.
Calculons le pourcentage du temps matinal étudié :
3,75 (7) (4) (100 /150) = 70%.
Approximativement 70% des horaires de comptages doivent être effectué le
matin. La table des nombres aléatoires doit permettre de satisfaire cette condition.
66
Le programme informatique suivant donne 120 nombres aléatoires dont la valeur

est comprise entre 0 et 900. Les 20 nombres de plus sont destinés à remplacer les
nombres répétés1 :
10 RANDOMIZE
20 FOR J = 1 TO 120
30 LET R = 1 + INT (900*RND)
40 PRINT R ;
50 NEXT J
60 END
Le résultat du programme est donné dans l’annexe 3 (page 113).
Pour repérer les répétitions on trie les nombres par ordre croissant, on omet
ensuite du tableau 20 nombres (d'une façon arbitraire). Les 100 nombres aléatoires qui
en découlent sont les suivantes :
Tableau6 Table de 100 nombres aléatoires triés par ordre croissant.
2 50 131 198 268 334 479 603 688 845
3 66 133 203 270 343 483 613 704 848
19 71 150 205 273 368 504 622 713 850
27 80 171 214 275 375 534 623 723 851
29 87 172 218 277 385 550 624 728 853
33 97 173 224 278 413 555 637 746 855
36 99 177 238 280 418 559 643 747 857
44 106 179 242 284 456 568 656 773 865
45 108 192 248 322 457 588 673 776 866
48 122 197 251 333 467 600 678 801 886
Avant d’utiliser la table aléatoire nous l’avons soumis à un test de vraisemblance

par le khi carré à un seuil de signification 0,10.
Les chiffres de 0 à 8 doivent avoir la même probabilité d’occurrence, le chiffre 9
ne peut apparaître en première position (centaines) puisque le maximum est inférieur
à 900. Le nombre de degrés de liberté est 10 – 1 = 9.
‫ – بدون‬.1984 ،‫ شركة منشورات دار الراتب الجامعية‬،‫ باسيك‬،‫ الجزء األول‬،‫ الكمبيوتر لغة وأداء‬،‫ مظهر طايل‬1
.270 ‫ ص‬،‫ذكر البلد‬
67
Tableau7 Calcul de la distance χ²

Fréquences Fréquences
Chiffres observées théoriques (fo – ft)² / ft
0 36 31 0,81
1 27 31 0,52
2 34 31 0,29
3 35 31 0,52
4 27 31 0,52
5 30 31 0,03
6 28 31 0,29
7 36 31 0,81
8 36 31 0,81
9 11 21 4,76
300 300 9,34
χ² calculée : 9,34
χ² 0,10, 9 : 14,68
La valeur calculée de χ² étant largement inférieure au χ² théorique, nous décidons

d’accepter l’hypothèse (Ho) que les nombres ont la même probabilité d'apparaître dans
la série, la table des nombres aléatoire est donc valable.
Pour convertir les nombres ainsi définis en dates précisant la semaine, le jour,
l’heure et la minute du comptage nous les avons transmis dans une feuille de calcul
d’un tableur avant de les soumettre aux transformations illustrées en partie par le
tableau suivant :
68
Tableau8 Conversion des nombres aléatoires

en dates de comptage : une partie des
calculs faites sur feuille de calcul d’un
tableur.
Liste
=INT(C/40,5)
10*MOD((E-4,5);6))
=MOD(C;40,5)
Heure:IF(H<12; H; H+1)
Min:IF(E<4,5; 15+E*10;
Semaine =INT(A/225)
Jour de la semaine
=INT(E/4,5)
=(E-4,5)/6
=IF(F=0;8;INT(G)+9)
finale des =MOD(A;225)
100
nombres
aléatoires
sans Nombre de
répétition clients
triés par arrivant par
ordre intervalles
croissant de 10min
A B C D E F G H I J K
1 2 0 2 0 2 0 -0 8 8 35 20
2 3 0 3 0 3 0 -0 8 8 45 20
3 19 0 19 0 19 4 2,4 11 11 25 14
4 27 0 27 0 27 6 3,8 12 13 45 17
Le résultat obtenu par cette méthode est le même que celui donné par un
programme en Q-Basic. Conçu de manière à ce que les dates obtenues soient à
l’intérieur des horaires déterminés plus haut, le programme suit les étapes suivantes :
On divise le nombre aléatoire X par 225 (nombre d’intervalles de 10 min par
semaine) pour obtenir la valeur de la variable Semaine (l’entier de la division).
On divise ensuite le reste (le mode) par 40,5 (nombre d’intervalles de 10 min par
journée) pour obtenir le jour de la semaine.
Le reste représente l’heure et la minute, pour convertir les numéros en horaires
directes on intègre quelques calculs supplémentaires (on ajoute 8 au numéro 0 pour
désigner 08h).
Si ce reste est inférieur à 4,5 (45 minutes) : il s’agit de la première heure ; on
attribut alors 8 à la variable Heure, et on convertie en « Minute » en multipliant par 10
et en ajoutant 15, pour éviter le premier quart d’heure de la journée.
Sinon on déduit 4,5, on ajoute 9 et on divise par 6 (6 intervalles de 10 min par
heure) pour obtenir l’heure du comptage ; si le résultat est supérieur ou égal à 12 (après-
midi) on ajoute 1 pour éviter un comptage entre midi et 13h.
La variable Minute est alors obtenue en multipliant par 6 le reste de la division.
69
Programme permettant le calcul de la date exprimée en semaine/ jour de la semaine/ heure/

minute :
10 FOR i = 1 TO 100
20 INPUT x
30 Semaine = INT(x / 225)
40 LET y = x - Semaine * 225
50 LET Jour = INT(y / 40.5)
60 LET e = y - Jour * 40.5
70 LET f = INT(e / 4.5)
80 LET g = e - 4.5
90 IF f = 0 THEN h = 8 ELSE h = INT(g / 6) + 9
100 IF h < 12 THEN Heure = h ELSE Heure = h + 1
110 IF e < 4.5 THEN Minute = 15 + 10 * e ELSE Minute =
10 * (g - INT(g / 6) * 6)
120 PRINT " "; Semaine; Jour; Heure; Minute
130 NEXT i
999 END
Le résultat du programme ainsi que les valeurs obtenues de la variable N (nombre
d’arrivées en 10 min) sont représentés dans l’annexe 4 (page 114).
La procédure utilisée pour effectuer le comptage est la suivante : le
décompteur dépose en dernière place une carte d’identité dans chacune des deux files
d’attente sur le comptoir, il note ensuite le nombre de cartes déposées après les siennes
pendant 10 min. Les cartes retirées de la queue seront de ce fait omises du calcul, le
nombre de ces cartes étant négligeable ; en général le client n’abandonne la queue que
lorsque la connexion est constamment coupée.
L’opération est répétée 100 fois aux dates données par le programme ci-dessus.
Le premier comptage a été effectué le 18 du mois (décembre 2003, le dernier le
17 du mois suivant). L’enregistrement des dates relatives à chaque résultat de comptage
a permis de reclasser la série des données pour pouvoir représenter un mois de trafic ;
la première valeur est donc devenue celle numéro 56 (elle correspond à un mercredi à
13h 45 min), la deuxième celle numéro 57, et ainsi de suite.
Le tableau suivant donne les résultats du comptage après le reclassement, il se
lit : 12, 5, 9, 13, ...

Bien que les deux files soient identiques, il y a lieu d’éviter la procédure consistant à se contenter d’une seule
carte en utilisant la multiplication par deux du résultat. Une telle méthode favoriserait pour les valeurs de N
les nombres pairs.
70
Tableau 9 Valeurs de la variable N : nombre d’arrivées en 10 min.

12 5 9 13 14 10 14 12 9 7
7 7 5 15 8 6 7 20 9 10
7 6 24 12 8 9 7 7 13 13
6 10 9 8 10 14 13 12 10 14
13 10 18 6 15 20 20 14 17 15
12 11 7 11 9 12 15 9 10 5
15 13 5 5 24 22 14 6 26 20
18 14 17 10 14 6 10 28 28 8
12 12 4 8 17 16 28 18 4 0
10 18 4 34 24 11 1 16 13 6
On remarque que la plus grande valeur de N est 34, et la moyenne 12,185.
Analyse des résultats

Variation de l’affluence des clients au cours de la journée
Etant donné que les dates de comptage sont définies à l’avance, il nous est
possible de séparer en deux ensembles les comptages effectués le matin de ceux
effectués l’après-midi. Le résultat est 63 contre 37. Cette répartition est à comparer
avec la répartition du temps global étudié (voir tableau 3) qui est de
70 : 30 (que 70% du temps d’ouverture du bureau étudié se situe avant midi).
Un test du khi carré donne pour un niveau de signification de 0.05 :
χ² =
(63 − 70 )2 + (37 − 30 )2 = 2,33
70 30
Les tableaux statistiques donnent : χ²0.05,1 = 3,84. Comme 2,33 < 3,84, nous
acceptons l’hypothèse Ho selon laquelle la répartition entre matin et après-midi
obtenue par la conversion des nombres aléatoires en dates de comptages concorde
avec la répartition du temps global étudié. Ce résultat confirme la validité de la
procédure de tirage des nombres et de leur conversion en dates.
Après ce test portant sur la répartition des dates de comptage entre les deux
périodes, examinons la question de la différence éventuelle de la cadence d’arrivées de
clients entre les deux périodes de la journée de travail d’un centre payeur.
La séparation en deux ensembles des résultats de comptage (les comptages
effectués le matin et ceux effectués l’après-midi) donne un nombre moyen de clients
arrivant par 10 min : 13,69 pour la première période et 9,62 clients pour la deuxième.
Ce résultat laisse supposer une plus forte affluence des clients le matin, ce que
confirme l’observation directe. Nous soumettons alors cette hypothèse à un test de
71
signification en khi carré : la valeur théorique de comparaison est la moyenne obtenue

précédemment : 12,185.
χ² =
(13,69 − 12,185)2 + (9,62 − 12,185)2 = 0,725
12,185
La valeur critique de χ²0.05 est 3,84 (> 0,725) pour un degré de liberté.
On ne peut donc rejeter l’hypothèse négative (Ho) selon laquelle l’intensité du
flux de clients est la même. L’étude ne nous permet donc pas de confirmer l’hypothèse
alternative.
Il reste que le test est fort puissant puisque la comparaison est faite sur base de
la moyenne générale, la distance mesurée est celle entre la moyenne générale d’une part
et la moyenne de la matinée puis de l’après-midi d’autre part. Peut-être que si on
augmentait l’échantillon on finirait par obtenir la preuve statistique de ce que laisse
supposer l’observation directe ; c’est-à-dire une plus grande affluence des clients le
matin par rapport à l’après-midi.
Variation de l’affluence de clients au cours du mois
Pour faire une analyse sur la variation de l’affluence des clients au bureau durant
le mois nous comparons la distribution obtenue à une distribution de Poisson.
Calculons d’abord la variance de la série des valeurs de N (variance empirique).
100 x − ( x )
2 2
V= = 39,128.
1002
On constate que la variance est largement supérieure à la moyenne (12,185).
Théoriquement, on peut expliquer une plus grande dispersion d’une loi empirique par
rapport à une loi de Poisson par l’influence d’un ou plusieurs facteurs. Pour notre cas,
il s’agit sans doute du facteur des échéances de paiement mentionné plus haut.
Les deux principales conditions d’une distribution exponentielles des inters-
arrivées sont bien satisfaites à priori (Indépendance entre les arrivées de deux instants
disjointes et individualité des arrivées). On teste donc l’hypothèse d’une distribution
exponentielle du temps entre deux arrivées successives à partir de la variable continue
T « les inter-arrivées de l’échantillon ».
Pour se faire, il y a lieu d’abord de calculer les valeurs de la variable T sur la base
des valeurs de la variable discrète N « nombre d’arrivées en 10 min » présentées au
tableau 12 (page 73), par exemple : 12 arrivées par 10 minutes correspond à un inter-
arrivée de 10 * 60 * 100/12 = 5000 en centième de secondes. Le résultat de cette
conversion est présenté en l’annexe 5 (page 115).

La moyenne de la loi de Poisson est égale à sa variance. Une distribution est poissonienne si elle est totalement aléatoire,
ce qui signifie que la variable soit liée à un grand nombre de facteurs indépendants et non prévisibles, de façon à ce
qu’aucun d’entre eux n’influx à lui seul significativement sur la variable.
72
Notons qu’il a fallu remplacer deux valeurs aberrantes de T (T = 60000 pour

N = 0 et N = 1) par la valeur la plus proche 30000. Ceci permet d’obtenir une
amplitude de classe calculée selon la formule de STURGES plus cohérente :
W
A=
 Log10 (n ) 
1 +  
 Log10 (2 ) 

avec A : Amplitude de classes.
W : Etendue de la série des données, W= Max (Ti) – Min (Ti).
n : Nombre de valeurs de la variable T.
Calcul de l'amplitude de classes pour l’échantillon d’observations
Max (Ti) = 30000
Min (Ti) = 1764,706 (34 arrivées)
W = 30000 – 1764,706 = 28235,2941
n = 100
Log 10 (n) = 2
Log 10 (2) = 0,30103
A = 3693,8547
k=W/A≈8
Le tableau suivant donne les différentes classes et les fréquences attachées. Nous
en profitons pour calculer les caractéristiques numériques des données groupées.
Tableau10 Données groupées de la variable T des inter arrivées au
bureau.
N° de
classe Ei Ci Ni Ni * Ci
1764,706
1 5458,561 3611,633 53 191416,6
2 9152,415 7305,488 30 219164,6
3 12846,27 10999,34 12 131992,1
4 16540,12 14693,2 3 44079,59
5 20233,98 18387,05 0 0
6 23927,83 22080,91 0 0
7 27621,69 25774,76 0 0
8 31315,54 29468,62 2 58937,23
Total 100 645590,1
Ei : extrémités des classes, Ci : centres des classes, Ni : Nombre d’observations.
73
Moyenne (des données groupées) : 6455,901.

Ecart type : 5255,165.

= 0,81401.
X
Le fait que la valeur de l’écart type ne soit pas trop éloignée de la moyenne
favorise déjà l’hypothèse d’une loi exponentielle. L’écart type et la moyenne d’une
distribution exponentielle étant égaux, nous adoptons comme paramètre de la
distribution théorique la valeur :
λ = 1/[(5255,165 + 6455,901)/2] = 1/5855,533 = 0,000170779.
Ce chiffre correspond à un taux moyen d’arrivées par 10 min égal à
0,000170779 * 100 * 60 * 10 = 10,25 clients.
S’agissant d’une variable continue il est préférable d’utiliser le test de
KOLMOGOROV-SMIRNOV dont l’indicateur de proximité des distributions
théoriques et empiriques de T est :
Dn = supt|F*(t) – F(t)|, avec
F(t) : Fonction de répartition théorique.
F*(t) : Fonction de répartition empirique.
L’hypothèse nulle Ho (les différences entre les valeurs des deux lois ne sont pas
significatives) est rejetée si la valeur calculée Dn est supérieure à la valeur critique Dα
où α = pr.[Dn > Dα] est la probabilité de rejeter à tort l’hypothèse Ho. On prend
généralement α = 0,05. Les valeurs de Dα sont tabulées, permettant de déterminer les
fractiles de la loi (voir la table statistique 10 en annexe).
Les calculs sont portés dans le tableau suivant :
Tableau11 Calcul de Dn.
N° de
F*(t) F(t) |F*(t) –F(t)|
classe
1 0,53 0,606316 0,076316
2 0,83 0,790501 0,039499
3 0,95 0,888515 0,061485
4 0,98 0,940674 0,039326
5 0,98 0,968429 0,011571
6 0,98 0,9832 0,0032
7 0,98 0,99106 0,01106
8 1 0,995242 0,004758
Dn = 0,076316
Dα = 0,13581 avec α = 0,05 et n = 100. Pour α = 0,10 Dα = 0,122.
74
L’hypothèse Ho est donc acceptable dans les conditions de ce test.

Cette démarche est évidemment critiquable du fait que le test est établi à partir
de données transformées. De plus, le test de KOLMOGOROV est indiqué pour des
données continues et individuelles, pour les données groupées ou discrètes c’est le test
de khi deux qui est le plus utilisé.
En résumé, le rapprochement de la courbe de Poisson à la courbe empirique n’a
pas donné un résultat réellement satisfaisant, les distorsions entre les deux courbes ne
sont donc pas minimes. La distribution empirique est nettement plus dispersée, sans
doute en raison du facteur des échéances de payement qui a fait que la moyenne
obtenue de la cadence d’arrivées 12,185 est peu représentative de la cadence de la série
des données.
Bien entendu, ce qui nous intéresse ici n’est pas la loi des arrivées à appliquer
pour le modèle, celle-ci sera étudiée ultérieurement sur base d’intervalle de temps plus
restreints. Notre attention est portée sur la variation de l’affluence des clients et ses
conséquences sur la qualité de service et les performances du système.
Il est évident que, du point de vue du rapport qualité/coût du système, une trop grande dispersion
de la distribution des arrivées de clients rend inadéquat, car de plus en plus coûteuse, la solution
classique consistant à doter le système d’une capacité fixe, surtout lorsque les périodes de forte affluence
sont localisées. Pour faire face à une telle situation il est impératif de rendre la capacité du système
moins rigide. A titre d’exemple, on peut penser à mobiliser pendant les périodes de pic des agents
supplémentaires rappelés du personnel dit « des arrières ». En réalité, cette mesure est déjà partiellement
appliquée par les receveurs, Il faudra peut-être la normaliser par une réglementation définissant, entre
autres, la rémunération à attacher à la polyvalence et la disponibilité des agents concernés.
Une autre solution consiste à recruter des employés à mi-temps, pour la matinée
où le trafic est manifestement plus dense (même si notre étude n’a pu prouver
statistiquement cette supposition), ou encore pour la moitié du mois qui englobe plus
d’échéances de payement, en l’occurrence la deuxième quinzaine, à condition bien sûr
de trouver une formule de rémunération adaptée qui soit en concordance avec la
réglementation en vigueur.
II. b) Localisation des périodes de forte affluence
Le diagramme suivant reproduit le tableau des résultats du comptage ; il y apparaît
clairement une instabilité plus importante des chiffres de la série pendant les trente
derniers comptages. A part ça, le diagramme, tel qu’il est, ne permet pas d’autres
conclusions, notamment sur des tendances éventuelles de l’affluence des clients. De
telles tendances sont pourtant très probables, étant donné qu’il s’agit en premier lieu
de paiement de salariés liés à des échéances connues.
Nous avons décidé d’appliquer à la série des données la technique des sommes
cumulées. Cette technique est très efficace pour détecter des changements relativement
faibles de la valeur moyenne d’une série de données, de tels changements se traduisent
par des pentes nettement différentes de la courbe des sommes.
La procédure consiste à soustraire un constant k représentant la valeur de
référence de chacun des chiffres de la série, et à totaliser les écarts obtenus.
75
Affluence des clients au cours du mois

36
32
Nombre de clients en 10 mn.
28
24
20
16
12
0
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
Numéros de comtages Temps exprimé en numéro correspondant
à une date de comptage dans le mois
selon l'algorithme utilisé
Figure13 Représentation graphique des résultats de comptage de la cadence d’arrivées au cours du mois.
76
A titre illustratif, une partie des calculs à faire est portée sur le tableau suivant :
Partie des calculs de la somme

Tableau 12
cumulée Ri.
Dates N ri = Ni –12 Ri = ri + Ri–1

Jeudi 02/01/03 12 0 0
5 -7 -7
SAM 4/1 9 -3 -10
13 1 -9
14 2 -7
10 -2 -9
14 2 -7
DIM 5/1 12 0 -7
La troisième colonne du tableau est reproduite sur le diagramme ci-dessous. Nous

avons dans la série quelques observations aberrantes qu’en règle générale il serait
préférable d’en faire abstraction du diagramme. Nous estimons que ce n’est pas
nécessaire dans le cas présent, leur effet étant sensiblement réduit par le calcul
cumulatif.
La représentation du graphique de ces sommes est nommée diagramme de sommes
cumulées. Si la moyenne de l’affluence était la même au cours du mois, la somme des
écarts positifs serait égale à la somme des écarts négatifs, de sorte que le diagramme
des sommes cumulées serait en principe horizontal. Le tracé du diagramme prendrait
l’allure d’une ligne droite s’élevant vers le haut si la moyenne s’élevait à un niveau
constant supérieur, et le contraire si elle prenait une nouvelle valeur inférieure.
Rappelons enfin que le diagramme des sommes cumulées s’interprète uniquement par
la tendance de son tracé ; la distance de la ligne à partir de l’axe horizontal est sans
intérêt.
77
Sommes cumulées des écarts par rapport à la moyenne g énérale (valeur 12)
80
Sommes cumulées
40
-40
-80
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
Numéro de comptages
Figure 14 Diagramme des sommes cumulées des écarts par rapport à la valeur 12. Les comptages sont répartis aléatoirement sur
une période de quatre semaines consécutives.
78
Le diagramme fait clairement apparaître une variabilité significative de l’affluence

des clients. Sur la base des tendances de la courbe, et en dehors des fluctuations
permanentes inhérentes au caractère aléatoire du phénomène, nous pouvons distinguer
approximativement trois phases de l’intensité du flux de clients, celles illustrées dans le
tableau suivant :
Tableau13 Changements survenus dans la moyenne de la série de données.
Limite de la phase Moyenne partielle de la phase
Numéro du comptage Jours du mois (clients par 10 minutes)
Du comptage N°1 au Du 1er au 14me jour

comptage N° 35 du mois 9,93
Du comptage N° 36 au du 14me au 23me jour

12,1
comptage N° 64 du mois
Du comptage N° 65 au du 23me au dernier

14,5
comptage N° 100 jour du mois
Cette variation de la moyenne est illustrée, d’une manière approximative mais

plus explicite, sur la figure 15 de la page suivante. Pour la période de l’échantillon, le
problème de la qualité du service en termes de délai d’attente s’est posé donc
essentiellement durant la deuxième quinzaine du mois.
Par ailleurs, et contrairement à ce qu’on attendait, on constate que c’est au cours
de la dernière semaine que la moyenne a atteint son niveau le plus élevé et non la
deuxième ou la troisième. Cette semaine englobe une échéance de payement
importante (pensions de retraite), mais en général le trafic connaît une courte période
d’accalmie durant les derniers jours du mois que la courbe des sommes cumulées n’a
pu refléter.

Pour une représentation fidèle de cette variation on doit respecter une échelle de : 1unité sur l’axe horizontal = 2σ sur
l’axe vertical.
79
Echelle temps (Jours du mois)
le 14 (comptage N° 36) le 23 (comptage N° 65) 31

Cadence
moyenne
(arrivées en
10mn)
80
40
-40
-80
Figure 3-6. Diagramme des sommes cumulées des écarts par rapport à la moyenne générale (valeur 12)
Figure15 Diagramme de Manhattan : Changements survenant sur la cadence moyenne des arrivées au cours du mois
80
La principale conclusion à tirer du diagramme de Manhattan37 (figure 15) est, à notre

avis, la confirmation de ce qu’ont déjà révélé les études précédentes, à savoir la limitation
dans le temps du problème. Cette « localisation » montre que l’amélioration de la qualité de
la prestation des services en termes de délai d’attente ne nécessite pas toujours des
investissements souvent trop coûteux, des mesures limitées dans le temps peuvent être d’un
grand secours.
Enfin, il faut se rappeler que les chiffres 9,9, 12,1 et 14,5 ne sont que des moyennes,
la cadence d’arrivées de clients atteint pendant les heures de pointe des niveaux bien plus
élevées, dépassant 30 clients par 10 minutes. Ces moments sont d’une importance capitale,
et ne doivent surtout pas être considérés comme des exceptions car un nombre important
de clients y est servi. En fait, ce qui compte ce n’est pas le temps que dure une situation
quelconque, mais le nombre de clients qui y sont servis.
A long terme, c’est par rapport aux heures de pointe que doit être planifiée la capacité
d’accueil d’un bureau ou - à plus grande échelle- la capacité même du réseau CCP (en termes
de débit de connexion des terminaux).
37MONOGRAPHIES I. C. I., –Mathématiques et statistiques pour l’industrie, Sous la direction de M. VERHOUST, Entreprise Moderne
d’Edition, Paris, 1970. p. 3-5.
81
II° PARTIE
ETUDE PRATIQUE AU NIVEAU DU

CENTRE PAYEUR DE M’SILA HODNA
82
Chapitre 4. MODELISATION DU PHENOMENE
Dans le chapitre précédent nous avons présenté une analyse sur les tendances et les
variations du trafic et du flux de clients sur un centre payeur. Cette vision d’ensemble sur le
phénomène nous permet à présent de procéder à la modélisation du phénomène.
Dans la première section de ce chapitre nous décrirons la structure et le fonctionnement
du système d’attente dans le centre payeur pour chercher ensuite le modèle le plus adapté à
cette structure.
La loi des arrivées et la loi de service pourront être examinées dans la section II à la
lumière des informations réunies par l’étude exposée dans le chapitre précédent et sur base
d’échantillonnage approprié.
Section I. Structure du système d’attente au centre payeur
I. a) Structure et fonctionnement du système d’attente
Examinons la structure du système d’attente dans le centre payeur (figure ci-dessous),

les demandes qui se présentent au bureau sont les suivantes :
PAV : payement à vue, représentée dans le schéma en ligne doublée,
VAC, versement accéléré, représentée en ligne continue,
NAV : demande de nouvelle avoir,
CAR : commande de carnet de chèques, représentées en pointillés.
REL : commande d’un relevé de compte.
83
Chapitre 4. Modélisation
Agent Agent
Queue pour PAV,
NAV, D. carnet, de de
D. relevé. saisie caisse
VA
C.
Entrées Sorties
Agent
de Agent
saisie de
caisse
PAV
VAC
CAR, REL
PAV avoir consulté
Figure 16 Structure réelle du système d’attente au Centre Payeur.
84
Un client désirant retirer une somme de son compte (PAV) passe d’abord devant le
guichet de saisie pour l’opération de transaction (ponction de son compte du montant du
chèque) et apposition de la griffe. Le chèque et la pièce d’identité sont ensuite transmis à
l’agent de caisse pour le paiement. Certains clients commencent par demander le nouvel avoir,
ils libellent leurs chèques en fonction de l’information acquise. Ces clients lorsqu’ils se
présentent de nouveau devant le guichet de saisie bénéficient d’une certaine priorité à cause
du fait qu’ils ont déjà fait la queue une fois, ils constituent ainsi une deuxième queue prioritaire
(représentée en ligne discontinue) à côté de la queue principale.
Une autre catégorie est constituée de clients demandant d’effectuer un versement à un
compte CCP (versement accéléré VAC). Un tel client s’adresse directement à l’agent de caisse ;
celui-ci vérifie le montant et s’assure que l’imprimé du mandat est bien servi, avant de le
transmettre à l’agent de saisie pour effectuer la transaction sur le terminal. Une fois la
transaction accomplie, le mandat est récupéré par l’agent de caisse qui l’enregistre dans sa
comptabilité et délivre un talon au client.
Il y a également la catégorie de clients dont le service est accompli par l’agent de saisie
sans avoir à passer, après, devant l’agent de caisse. Il est important d’estimer le pourcentage
représentant l’importance relative de cette catégorie. Il s’agit de clients demandant de consulter
l’avoir de leurs comptes (NAV), d’enregistrer une commande de carnet (CAR), ou une
commande d’un relevé de compte (REL). Ces clients sortent du système directement après ce
premier service (ils sont représentés sur le schéma en pointillés).
Pour se faire servir, les clients du centre payeur de M’sila Hodna ont le choix entre deux
postes composés, chacun, d’un agent de saisie et un agent de payement. Les centres payeurs
des villes plus importante disposent d’un nombre supérieur de postes, mais les autres
caractéristiques du système restent les mêmes.
I. b) Modélisation du phénomène
Comme le montre le schéma de la figure 16 ; la structure du système est assez
compliquée, néanmoins, en raison du la faible portée de certains types de demande, elle
s’apprête à plusieurs simplifications intéressantes.
I. b. 1) Regroupement des catégories de demandes

Les commandes de carnets (CAR) et les commandes de relevés de compte (REL) sont
assez rares pour ne représenter qu’une partie infime du trafic. De plus, du fait qu’elles ne
nécessitent ni manipulation d’espèce ni écriture comptable, le temps qu’elles occupent au
guichet est également négligeable.
Quant aux demandes de consultation de l’avoir (NAV), elles sont assez importantes en
nombre. Par contre, leur temps de service est minime puisqu’il dépend uniquement de la
vitesse de réponse de la machine : de même que la demande de carnet et la commande de
relevé de compte, la demande NAV ne nécessite pas l’intervention de l’agent de caisse.
A ce groupe de demandes ayant le même parcours et le même temps de service (CAR,
REL, NAV) s’ajoute une partie des demandes de PAV qui, par cause d’avoir insuffisant pour

Nous utilisons aussi l’expression « agent de payement », « guichet de payement », « caissier » …
85
le retrait, de blocage ou d’opposition, ne peuvent être satisfaites. Là encore, les clients

concernés passent uniquement devant l’agent de saisie.
En ce qui concerne les demandes VAC, leur nombre est peu conséquent, l’étude sur le
trafic au centre payeur l’illustre bien. Leur poids se fait encore plus minime pendant les heures
de pointe, ceux-ci étant caractérisées par les opérations de payement. Cela permet de négliger
l’effet de la priorité relative dont elles jouissent, d’autant plus que le temps de service d’une
demande VAC est égal à celui nécessaire à une demande PAV : tous les deux passent par le
guichet de saisie avant d’être définitivement satisfaites par le guichet de payement. Ainsi, les
demandes VAC seront assimilées à des demandes de PAV.
On arrive enfin à la question de la priorité dont bénéficie la deuxième queue devant
l’agent de saisie (ligne discontinue figure 4-1), celle représentant les clients demandant un PAV
ayant déjà vérifié l’avoir de leurs comptes. Du point de vue théorique, lorsqu’on peut répartir
les clients en deux catégories ayant des durées moyennes de services différentes, on démontre 1
que l’introduction des priorités a un effet positif sur le fonctionnement global du système si
l’on favorise la catégorie ayant la durée moyenne de service la plus courte. Etant donné que,
dans notre cas, les demandes considérées nécessitent la même durée de service, l’effet de la
priorité appliquée est seulement de diminuer le temps d’attente des clients privilégiés ; nous
décidons donc de négliger cette spécificité du service, et nous considérons que les clients sont
servis dans l’ordre de leurs arrivées.
En prenant en compte les considérations précédentes, le système se présente selon le
schéma suivant.
Agent Agent
de de
saisie caisse
Agent Agent
de de
saisie caisse
centre payeur.
Sur le schéma 4-2 la ligne doublée représente les clients en général, la ligne en pointillés
représente toutes les demandes qui sortent du système sans passer par le guichet de paiement.
Pour estimer l’importance relative de chacune des deux types de demande, on utilise la grille
appropriée sur la visionneuse (grille COMI) pour relever à des heures de pic le nombre

C’est d’ailleurs à cause de leur nombre peu conséquent qu’on leur a consenti ce privilège.
1 Cf. A. KAUFMAN et R. CRUON, 1961, op. cit., p. 167 et 168.
86
d’opérations de chaque type de demande. On calcule ensuite le total partiel des opérations de
PAV et VAC ainsi que celui des opérations NAV, REL et CAR. On déduit alors le
pourcentage de chacun de ces deux totaux (voir tableau 19 p. 100).
I.b.2) Dépendance entre taux de service des deux serveurs

On a déjà signalé que le taux de service de l’agent de saisie est nettement plus élevé que
celui du caissier, c’est ce qui fait que, de temps à autre, le premier travail avec deux guichets
de caisse simultanément : l’opération de saisie sur le terminal occupe un temps très court par
rapport à l’opération de paiement qui nécessite la manipulation de l’espèce avec les tâches
d’ordre comptable qu’elle implique. Lorsque, pour des raisons quelconques (caisse constituée
de billets de catégorie 1000 ou 500DA, disponibilité de machine à compter les billets, ...) le
rendement de l’agent de payement augmente d’une façon significative, la file d’attente se
trouve automatiquement allégée.
En raison de cette différence entre les deux taux de service, le premier serveur tend à
adapter sa cadence de travail en fonction de celle du second. Pour se faire, tantôt il effectue
des tâches supplémentaires qui d’ordinaire sont exécutées par le préposé du paiement
(inscription des caractéristiques de la pièce d’identité sur le chèque, ...), tantôt il prend un répit
de quelque minutes chaque fois que le nombre de chèques saisis et déposés devant le guichet
du paiement atteignent une certaine proportion (10, 15, 20 chèques, ...).
Le taux de service du premier guichet est, en ce sens, fonction du taux de service  du
deuxième guichet (voir figure suivante).
f() 
f() 
Guichet de saisie Guichet de paiement

Figure 18 Dépendance entre taux de service des serveurs
En supposant un niveau d’affluence des clients connu, et en supposant un régime stable

à nombre n > 2 par exemple, si ν est la longueur de la file et ’ et  sont respectivement les
taux de service du premier et du deuxième guichet, on écrit :
ν = g(’ , ).
Mais ’ = f(), on a donc:
ν = g(f(), ) = h()
87
Ainsi la file d’attente dépend de la cadence des arrivées au bureau et du taux de service
du deuxième serveur. Tout se passe comme si l’agent de saisie intervenait pendant le temps
d’attente des clients devant le caissier. On se retrouve alors en présence d’un système d’attente
à un centre de service unique à deux nœuds en parallèle (2 agents de caisse) au lieu de quatre,
ce qui simplifie considérablement le modèle.
Le taux de service global du système est obtenu en sommant les deux taux identiques
des deux agents de caisse.
Reste à prendre en compte l’impact que représente les clients servis sans passer par le
guichet de paiement ; à savoir les clients demandant les services REL, CAR et NAV. D’abord
l’effet est évidemment favorable ; il est clair que, plus le pourcentage de ces clients servis sans
occuper l’agent de caisse est important, plus le système est efficace et la file, diminuée. On
constate que l’impact de cette caractéristique est assimilable à celui d’un phénomène d’impatience
a posteriori, lequel, on l’a vue au chapitre 2, se traduit par une augmentation du taux de service
du système.
C’est ainsi qu’on intègre dans le modèle l’apport du guichet de saisie tout en restant dans
un système à un seul nœud.
Le centre de service étudié comprend généralement deux guichets de paiement
travaillant en parallèle, néanmoins, compte tenu du fait que les clients n’ont en principe aucune
préférence pour l’un ou l’autre des deux postes, sauf bien sûr pour sa longueur (les clients
peuvent se déplacer librement d’une file à l’autre) ces deux files peuvent être considérées
comme une seule.
En tenant compte de ce qui précède, le système prend la forme suivante.
Demandes NAV, CAR, REL Guichets de paiement

(phénomène d’abandon). (demandes PAV et VAC)
Dans le cas où la probabilité pour un client d’abandonner la file dépend du nombre de

clients en attente, le régime global deviendrait transitoire (voir paragraphe sur le phénomène
d’impatience chapitre 2).

Cette simplification est très intuitive : la force de tout système est égale à la force de son maillon le plus faible.

Phénomène d’impatiente a posteriori : abandon de la file par une partie des clients après une certaine attente.
88
En ce qui concerne le cas étudié ici, il s’agit du pourcentage estimé de clients ayants un
type de demande particulier, ce pourcentage constitue donc un chiffre constant, il n’est pas lié
au nombre de clients dans le système ou dans la file : le client décide en principe sa demande
avant d’entrer au bureau.
De ce fait, il est donc possible que le phénomène d’abandon soit pris en compte d’une
manière qui préserve la stationnarité des probabilités de transition et, par voie de conséquence,
la possibilité de l’établissement d’un régime permanent dans le système.
Ainsi les demandes n’accédant pas au service de l’agent de caisse seront quantifiées non
pas par une fonction de n mais sous forme de pourcentage fixe de la demande globale.
En définitif, on peut donc conclure que, lorsque le processus des arrivées de clients et
le processus des services sont tous les deux poissoniens, on se trouverait devant un système
classique M/M/S, avec un phénomène d’abandon de la file, pris en compte par augmentation
du taux de service du guichet de paiement.
Dans le cas où l’agent de saisie travail indépendamment de l’agent de caisse ; leurs taux
de service respectifs étant, pour des raisons quelconques, proches l’un de l’autre (toujours avec
des arrivées au système poissoniennes et des temps de service au deux nœuds exponentiels)
on concevrait le système d’attente comme constitué de quatre sous-systèmes indépendants de
type M/M/1 ; deux de chaque côté.
Les sorties du premier sous-système sont poissoniennes et de même taux que les
arrivées (théorème de BURKE), donc les arrivées au deuxième sous-système seraient
également poissoniennes.
En régime permanent le processus global constitué des quatre centres de service est
alors markovien, et les valeurs caractéristiques de performance du système globale (longueur
moyenne de la file) s’obtiennent en sommant les valeurs correspondant aux sous-systèmes.
Une telle situation est fort envisageable si on augmente par des équipements appropriés
le taux de service du guichet de paiement (machine à distribuer les billets reliés à l’ordinateur
de saisie) et on améliore d’un autre côté le service du premier guichet en intégrant des options
supplémentaires (délivrance d’un extrait à chaque retrait).
En de telles circonstances les taux de service des deux guichets se rapprocheront l’un
de l’autre, permettant une indépendance dans leurs cadences de travail puisqu’il n’y aurait plus
besoin d’absorber un quelconque retard du guichet de paiement. Cette situation est déjà
observée dans certaines banques.
Section II. Loi des arrivées et loi du service
II. a) Loi des arrivées
La localisation des périodes de forte affluence nous permet à présent de choisir une date
qui puisse représenter ces périodes, en vue de faire notre étude sur la loi des arrivées.
Par ailleurs, pour que le modèle mathématique retenu soit réellement représentatif du
phénomène, celui-ci doit être stationnaire dans le temps. C’est là une condition qu’on doit
examiner et en tenir compte.
 On trouve une étude sur un cas concret de ce type dans : R. BOUAZIZ, -Application de la technique des files d’attente aux
problèmes de gestion de l’aéroport de Houari Boumediene, Mémoire de Magister, Directeur de recherche Paul DE MOUNTER, Dr,
Sc. INPS, Alger, 1986, p. 44. Voir également notre référence A. KAUFMANN, 1970, op. cit., p. 405.
89
En régime permanent si à titre d’exemple, la probabilité d’avoir dans le système 10

clients à 9h 00 est de 0,05 ; on doit avoir la même probabilité une heure ou une demi-heure
plus tard. L’établissement d’un tel régime implique la stationnarité du processus des arrivées
et de service. La mesure du taux moyen des arrivées et du taux moyen des services doit donc
être rapportée à un intervalle de temps où ces grandeurs peuvent être considérées comme
constantes, lequel intervalle doit en principe être sensiblement plus grand que celui nécessaire
à la stabilisation du phénomène.
Dans notre cas, la situation est quelque peu compliquée ; en ce qui concerne le taux
moyen de service, rien ne laisse supposer une dépendance par rapport au temps, mais la
question doit être examinée de près quant au taux moyen des arrivées. En fait, il est rare
dans la pratique que le taux moyen des arrivées  soit réellement constant, même si la nature
du phénomène demeure inchangée. Théoriquement, on peut considérer quatre cas 1 de la
variation de  ;
1°  est constant (phénomène stationnaire : cas 1),
2°  est variable est non périodique (cas 2),
3°  varie périodiquement (phénomène saisonnier : cas 3),
4°  varie avec des discontinuités (variations discrètes : cas 4).
 
t t
0 0
Cas1. Taux constant : phénomène stationnaire. Cas 2. Taux variable.
 
t t
0 0 t1 t 2 t3 t4
Cas 3. Taux à variation périodique. Cas 4. Taux à variations discrètes.
Figure20 Quatre cas de la variation de 

En ce qui nous concerne, les périodes de stabilité du régime varient en longueur, nous
Admettons que pendant les heures de trafic intense on est en présence d’une succession
de processus poissoniens dont le taux  des arrivées varie par bonds à des instants t1, t2, t3, …
1 A. KAUFMANN, R. CRUAN, 1961, op. cit., p. 32.
90
(Figure. 20, cas 4). Ceci permet de ramener l’étude du processus des arrivées au cas poissonien
avec un taux  moyen.
Pour constituer un échantillon représentatif des périodes de forte affluence, nous
choisissons comme période d’observation les journées du payement des retraités à savoir le
23 et 24 du mois, et ce durant une heure entre 9h à 11h où le régime est manifestement stable.
Comme le veut l’usage, nous décrivons le processus des arrivées par la loi des inters
arrivées ; nous avons donc calculé 35 fois de suite le temps entre deux arrivées successives à
l’une des deux files.
Nous formulons l’hypothèse que l’échantillon provient d’une loi exponentielle.
Disposant pour la variable continue T des inter arrivées de données individuelles, il est
préférable pour tester l’hypothèse formulée, d’utiliser toute l’information disponible et ne pas
regrouper les données en classes. On retient alors comme indicateur de proximité des
distributions théoriques et empiriques de T la distance de Kolmogorov (déjà définie
précédemment). Pour cela nous ordonnons les observations par valeurs croissantes ti et nous
calculons ensuite les valeurs de F(ti) = p(T ≤ ti) à l’aide de la fonction de répartition
exponentielle. Pour calculer la distance Dn(F, F*) on porte cette fois dans deux colonnes
séparées les valeurs des distances D(F*,F) et D(F,F*).
Les observations de l’échantillon ainsi que les différents calculs sont portés dans l’annexe
6 (page 116). Le paramètre de la loi théorique est estimé à partir de la moyenne des valeurs de
l’échantillon : λ1 = 1/0,9129 = 1,095. Les valeurs maximales des distances sont :
D+(F*, F) = 0,171981 et D+(F, F*) = 0,299, d’où on déduit Dn(F*, F) = 0,299.
Pour un risques α = 0,01, on lit dans la table statistique (annexe 10, p 119) pour
n = 35 la valeur du seuil critique Dα = 0,269 > 0,299. La distance obtenue Dn est donc située
dans la zone de rejet.
Le résultat du test est négatif mais l’approximation à une loi exponentielle reste
vraisemblable. En fait, on a observé pendant le comptage que la cadence des arrivées diminuait
avec le temps (phénomène des arrivées instable).
On a alors décidé de refaire le comptage le jour suivant à 9h 30 d’où le tableau suivant.
91
Tableau14 Comptage des inter arrivées et leur rapprochement à une loi exponentielle.
F(ti) –
Temps Trie Ti : Temps
Min Sec en sec. croissant i en minutes F(ti) i/n – F(ti) ((i–1)/n)
1 21 81 6 1 0,1 0,12179 -0,07179052 0,12179052
2 0 39 7 2 0,11667 0,1406 -0,04059514 0,09059514
2 26 26 7 3 0,11667 0,1406 0,00940486 0,04059514
2 58 32 13 4 0,21667 0,24526 -0,04526251 0,09526251
3 51 53 18 5 0,3 0,32268 -0,07267929 0,12267929
4 34 43 26 6 0,43333 0,43037 -0,13037132 0,18037132
5 25 51 32 7 0,53333 0,49975 -0,14974669 0,19974669
6 17 52 39 8 0,65 0,57008 -0,17007988 0,22007988
7 32 75 43 9 0,71667 0,60574 -0,15573655 0,20573655
7 39 7 47 10 0,78333 0,63844 -0,13843593 0,18843593
7 52 13 47 11 0,78333 0,63844 -0,08843593 0,13843593
8 10 18 51 12 0,85 0,66842 -0,06842329 0,11842329
8 57 47 52 13 0,86667 0,67552 -0,02552316 0,07552316
10 14 77 53 14 0,88333 0,68247 0,01752899 0,03247101
11 23 69 69 15 1,15 0,77542 -0,02541623 0,07541623
11 30 7 75 16 1,25 0,80277 -0,0027684 0,0527684
12 17 47 77 17 1,28333 0,81112 0,0388756 0,0111244
12 23 6 81 18 1,35 0,82679 0,07321066 -0,02321066
14 0 97 84 19 1,4 0,83768 0,11232061 -0,06232061
15 24 84 97 20 1,61667 0,87749 0,12250945 -0,07250945
Temps moyen: 0,77 min. 0,12250945 0,22007988
Ecart type : 0,4546
Source : Comptage effectué au bureau M’sila Hodna

Le : 24 juillet à 9h : 30 (2ème jour : un jeudi).
Le paramètre de la loi théorique est estimé à partir de la moyenne des valeurs de

l’échantillon : λ1 = 1/0,77 = 1,2987 clients par minute.
D+(F*, F) = 0,1225 et D+(F, F*) = 0,22 donc Dn(F*, F) = 0,22. Pour un risque α = 0,1
et n = 20, la valeur tabulaire D est : 0,265 (voir annexe 10, p 119).
92
La distance obtenue étant plus faible que le seuil critique, on accepte l’hypothèse Ho
d’une loi parente exponentielle des inter-arrivées. La fonction de densité de probabilité et la
fonction de répartition du temps entre deux arrivées en un temps x minutes s’écrivent alors :
f(x) = 1,30 e –1,30 x, F(x) = 1 – e –1,30x .
Le temps entre les arrivées à la deuxième queue suit la même loi. Les deux variables N1
et N2 représentant chacune le nombre d’arrivées en un temps donnée à l’un des deux postes
suivent donc une loi de Poisson à paramètre λ1 et λ2 respectivement. On conclut que la variable
N = N1+N2 représentant le nombre global d’arrivées au système en un temps x suit une loi
de Poisson à paramètre λ = λ1 + λ2. Dans le cas où le système fonctionne avec un agent de
payement à chaque côté et où λ1 = λ2, on a :
λ = 2(1,3) = 2,6 clients par minute,
 (2,6x)n 
la loi des arrivées s’écrit alors : p(N = n ) = e −2,6x  

 n! 
Plus généralement, pour S postes où λ1 = λ2 = λ3 = . . . = λs, on a :
λ = 1,3* S par minute.
Dans la réalité des différences peuvent apparaître dans la cadence d’arrivées aux
différents postes. Il arrive également que l’un des agents de payement soit plus rapide que les
autres parce que mieux équipé ou disposant de billets plus favorables (coupure de 1000 DA
au lieu de 100, 200 DA), les clients préfèreront alors ce poste et, par conséquent, celui-ci
recevra plus de demandes dans une unité de temps que les autres postes. Aussi, il y a lieu, lors
de l’étude de la cadence d’arrivées de clients, de prendre en compte les différences éventuelles
entre les postes du centre de service.
II. b) Loi des services
Rappelons tout d’abord qu’en raison de la grande différence entre le temps que passe la
commande devant les deux guichets, nous considérons uniquement comme temps de service
le temps passé devant le guichet de payement.
II.b.1) Temps de service du guichet de payement

Pour estimer la moyenne du temps de service du guichet de payement et rapprocher la
loi de ce temps à une loi exponentielle, nous avons enregistré la durée propre de 300 services
(à la seconde près). Le comptage a été effectué à des dates distinctes pour couvrir des
conditions différentes de travail du serveur ; car, rappelons-le, à la différence de l’agent de
saisie, le temps de service de l’agent de caisse est très variable (en fonction des billets de banque
et des outils de travail dont il dispose).
On déduit des données recueillies (voir annexe 7, page 117) la valeur moyenne qui
représente une approximation générale et que nous noterons m :
m = 1/μ = 1.2997 ≈ 1.3,
l’écart type : 1.1527 ,
et le coefficient de variation : 0.89.
93
Comme la moyenne et l’écart type de la loi exponentielle sont égaux, on constate que la
valeur du coefficient de variation, étant près de l’unité, est favorable à un ajustement de cette
loi.
De plus, ceci nous permet d’utiliser comme paramètre  de la loi théorique une valeur
moyenne entre m et σ :
1
= 0,81553 client par minute.
 1,2997 + 1,1527 
 2 
Bien sûr suivant les conditions notées plus haut, ce taux est tantôt moins bon tantôt bien
meilleur, ce qui lui permet de faire face à une affluence plus ou moins dense.
Nous devons à présent subdiviser les données en classes dont l’amplitude et le nombre
sont définis selon la formule de STURGES comme suit :
W 13,5333 − 0,2
A= = = 1,4447
 Log10 (300)  1 + 8,2888
1 +  
 Log10 (2 ) 
On calcule les fréquences observées correspondantes aux 10 classes résultantes et on

porte dans une colonne voisine les valeurs correspondantes de la fonction exponentielle
cumulée 1 – e –0.816t d’où on déduit les probabilités non cumulées pi. On multiplie dans une
autre colonne chaque probabilité par n = 300 pour obtenir les fréquences attendues, ce qui
constituera la loi théorique de comparaison.
Un test de χ² avec un nombre de degrés de liberté égal au nombre de classes moins deux
(c – p – 1 = 10 – 2 = 8) établira la validité du rapprochement à cette loi théorique1. Les calculs
nécessaires au rapprochement à la loi exponentielle et à la vérification de ce rapprochement
sont portés au tableau suivant.
1Cf. pour le calcul du nombre de degrés de liberté pour un cas pareil de données groupées à : D. SALVATORE, 1985,
op. cit., p. 123.
94
Rapprochement du temps de service

Tableau 15
du guichet de paiement à une loi exponentielle.
Limite sup. de
classe Ni F(t) pi n.pi Ni n.pi (Ni – npi)²/npi
≤ 1,64475 241 0,739 0,739 221,553 241 222 1,62613
3,0895 41 0,92 0,181 54,2995 41 54 3,12963
4,53425 11 0,975 0,056 16,7142 11 17 2,11765
5,979 4 0,992 0,017 5,14489
7,42375 2 0,998 0,005 1,58367
8,8685 0 0,999 0,002 0,48748
10,3132 0 1 5E-04 0,15005 7 7 0
11,758 0 1 2E-04 0,04619
13,2027 0 1 7E-05 0,02054
> 14,6475 1 1 2E-05 0,00632
300 6,8734
On est amené, pour respecter la condition de npi ≥ 5, à regrouper les sept dernières
classes en une seule.

Dans une table de khi carré on lit pour huit degrés de liberté :
χ²0,05 = 15,51
χ²0,1 = 13,36.
La valeur tabulaire étant beaucoup plus grande que la valeur calculée de khi carré 6,8734,
on décide d’accepter l’hypothèse d’une loi exponentielle du temps de service de l’agent de
payement à paramètre
 = 0,816 client par minute.
 Certains calculeront le nombre de degrés de liberté à partir du nombre de classes après regroupement des sept dernières,
c’est-à-dire : ν = 4 - 2 = 2. Même en suivant ce résonnement on pourra accepter l’hypothèse pour un risque de premier espèce
de 0,01 puisque pour ν = 2 la probabilité p(X² > 6.8734) = 0.0322. Rappelons ici que diminuer le nombre de degrés de liberté
d’une unité pour chaque paramètre estimé est en réalité une correction trop forte (voir R CEHESSAT, Exercices commentés de
statistiques et informatiques appliquées, 2ème édition, Dunod, Paris, 1976, p. 204).
95
II.b.2) Correction à faire pour intégrer la contribution du guichet

de saisie
IIb.2.1) Taux de service du guichet de saisie

Reste à quantifier la contribution apportée par le travail du guichet de saisie au taux de
service du système. On a déjà expliqué pourquoi cet apport peut être assimilé à celui d’un
phénomène d’impatience a posteriori.
Il faudra en premier lieu estimer la moyenne du temps que passe l’agent de saisie pour
traiter une demande afin de la comparer au temps de service moyen du guichet de payement.
Pour se faire, un comptage sur place a donné 200 observations sur ce temps en secondes. Là
encore l’échantillonnage a été effectué pendant des heures de trafic intense. Le résultat est
porté dans l’annexe 8 (page 118). Les caractéristiques numériques des observations sont les
suivantes :
Moyenne : 29,6 secondes = 0,4933 minute,
Ecart type : 25,1.
En voit effectivement que le temps moyen 0,4933 est plus de deux fois moins long que
le temps moyen du guichet de payement estimé à 1,3 minute. Cela explique comment le
guichet de saisie peut être joints par deux guichets de payement.
II.b.2.2) Correction du taux de service

Reste à évaluer l’effet du phénomène fictif d’abandon, à cet effet il y a lieu d’estimer le
pourcentage de clients qui quittent le système sans passer par le guichet de payement.
Lors du comptage du taux de service du guichet de payement, on a relevé les données
suivantes sur le nombre propre de chaque type d’opération. Elles sont le résultat de plus de
deux heures de travail le premier jour, et près de deux heures le jour suivant :
Tableau 16 Importance relative des types de demande.
1er jour 2ème jour

Type
d’opération Poste 1 % Poste 2 % Poste 1 % Poste 2 % Pourcentage global
PAV 176 66,67 139 68,14 86 60,99 75 68,18 65,99
VAC 4 1,52 0 0 0 0 5 4,55 1,52
NAV 81 30,68 64 31,37 55 39,01 28 25,45 31,63
CAR 3 1,136 1 0,49 0 0 2 1,82 0,86
REL 0 0 0 0 0 0 0 0 0
TOTAL 261 100 203 100 141 100 110 100 100
Source : échantillon relevé à partir de la grille « COMI » le 23 et 24 juillet 2003 au
bureau de M’sila Hodna.
96
Les données de l’échantillon confirment les observations sur l’importance relative des
différents types de demande. En effet, on constate que le nombre de demandes CAR et REL
enregistré durant cet intervalle de temps est négligeable (0 et 0,5%). On constate aussi que le
nombre de demandes de VAC est également peut conséquent (1,5 %), ce qui justifie notre
choix de négliger l’aspect de priorité qui caractérise ce service en l’assimilant au service PAV.
Calculons maintenant le pourcentage des opérations de PAV et de VAC : on obtient
65,99% + 1,52% = 67,51%. Donc uniquement 67,51% des demandes passent effectivement
par le guichet de payement, les autres demandes sont considérées comme retirées du système
avant d’accéder au service (en réalité elles sont servies par l’agent de saisie). Or dans les calculs
du taux moyen des arrivées, on a bien sûr intégré toutes les demandes sans exceptions. En
réalité, le taux des arrivées au guichet de payement λ est donc « gonflé » de 100/67,51 = 1,48.
Une correction donc s’impose pour obtenir la vraie valeur du coefficient d’utilisation
caractérisant le système Ψ = λ/s. Cette correction résulte d’une multiplication par 1,48 du
taux de service  qui devient alors
 = 0,8155 * 1,48 ≈ 1,21 par minute.
De cette manière on prend en compte la contribution du guichet de saisie tout en restant

dans un système classique, d’un centre de service unique, composé de plusieurs nœuds en
parallèle.
Rappelons ici que cette estimation ( = 1,21) est spécifique aux heures de pointe, en
temps normal le pourcentage des opérations autres que le PAV et VAC est plus important.
Par exemple un comptage d’une fin de journée normale (le 25/8/03) a donné pour un poste :
299 opérations PAV, 243 NAV, 13 VAC et 12 commandes de carnet, ce qui donne un
coefficient de correction d’environ 1,47 et par conséquent un taux de service du poste
d’environ 1,20 clients par minute.
Section III. Limites et fonctionnement du système

III. a) Postes à guichet de payement unique
Mettons-nous dans le cas où chaque agent de saisie est joint par un seul agent de
payement (structure A), à ce stade, nous pouvons enfin appliquer le modèle retenu (M/M/S)
pour examiner les performances d’un tel système en termes de qualité de service, et ce dans
des situations variées de l’affluence des clients et de condition de travail des agents de
payement.
On a donc intégré la valeur de  dans les formules donnant w ,  , pour voir l’évolution
de ces grandeurs pour différentes valeurs de λ. On peut également changer la valeur de  ou
encore du nombre de guichets S et refaire les mêmes calculs autant de fois qu’on le désire.
Dans les pages suivantes nous représentons les résultats des calculs du temps moyen
d’attente de chaque client, et du nombre moyen de clients en attente dans la file, et ce pour
 = 1,21 et S = 1, 2, 3 et 4.
97
20
16
S=3
12
0
26.8 28.8 30.8 32.8 34.8
Figure21 Variation de la qualité de service en termes de temps d’attente en fonction

de la cadence des arrivées, pour des systèmes de 1, 2, 3, et 4 guichets de payement.
98
s s s +1
 = p0 ,  = 1.21 constant donc  = f ( )
s!(1 −  )2
1
p0 = s
s   
n
s   s −1 s  
n
+
    
   n!
s!  1−  n=0
  
  
Figure 22. Variation de la qualité du service en termes de nombre moyen de clients

dans la file en fonction de la cadence des arrivées, pour des systèmes de 1, 2, 3, et 4
guichets de payement chacun associé à un guichet de saisie.
99
Pour plus de clarté, on a préféré présenter la variation des grandeurs temps moyen
d’attente et longueur moyenne de la file en fonction de λ au lieu de Ψ, cela est possible en
fixant  à 1,21.
Les graphiques montrent les limites de chaque configuration du système ; pour le cas du
centre payeur de M’sila Hodna on peut déduire que trois guichets de payement suffisent pour
répondre au besoin la demande pendant les heures de pointe. En effet, la configuration de
trois guichets suffit approximativement jusqu’à une affluence de 35 clients par 10 minutes or,
rappelons-le, lors de notre étude statistique du phénomène des arrivées, la plus grande valeur
enregistrée a été 34 clients par 10 minutes.
Tableau 17 Moyens à prévoir en termes de guichets et salle d’attente

en fonction de la cadence d’arrivée (µ supposé égale à 1,21).
Cadence Cadence
Nombre de Capacité Capacité de
d’arrivée λ d’arrivée λ Nombre de
postes à prévoir de la salle la salle
(clients par (clients par guichets
(S) d’attente d’attente
10min) 10min)
1 (1 agent de saisie 3 (1 agent de saisie

< 11 et 1 agent de 36 11 – 19 et 2 agents de 48
caisse) caisse)
2 (2 agents de 5 (2 agents de saisie

19 – 23,5 saisie et 2 agents 60 23,5 – 30 et 3 agents de 80
de caisse) caisse)
3 (3 agents de 7 (3 agents de saisie

30 - 35 saisie et 3 agents 100 35 – 36,4 et 4 agents de 110
de caisse) caisse)
4 (4 agents de
36,4 - 47 saisie et 4 agents 120
de caisse)
Tableau dressé à partir des figures 24 et 25
Actuellement le bureau fonctionne pendant les heures de forte affluence avec deux
postes ; l’un d’eux fonctionne avec deux agents de payement associés au guichet de saisie.
Cette configuration intermédiaire entre S = 2 et S = 3 fait apparaître une file d’attente
considérable par rapport à ce qu’il adviendrait dans le cas S = 3 mentionné plus haut.
D’après le modèle adapté, il suffit donc de déployer un agent supplémentaire pour passer
à un système à S = 3 où chaque agent de saisie est joint par un seul agent de payement. Un tel
système suffirait à alléger parfaitement la file d’attente pendant les heures de pointe.
Par ailleurs, la salle d’attente du centre payeur suffit actuellement à peine pour une
100
trentaine de clients, or, d’après le modèle adopté et les calculs de la cadence d’arrivée et du
taux de service la salle doit pouvoir contenir en moyenne une centaine de clients ce qui
correspond à une configuration de trois postes.
III. b) Postes à deux guichets de payement
Notons « B » la structure où un ou plusieurs postes fonctionnent avec deux agents de
caisses joints au guichet de saisie. Examinons d’abord le cas d’un système à poste unique avec
deux guichets de payement associés au guichet de saisie, il y a deux situations possibles :
I. Le serveur de saisie travaille suivant la cadence de service des deux guichets de
payement.
II. Le serveur de saisie travaille indépendamment de la cadence de service des deux
guichets de payement.
Le premier cas implique un fonctionnement pareil au système décrit précédemment
avec S = 2, puisque la longueur de la file dépendrait uniquement du taux de service des deux
agents de caisse. On observe une telle situation lorsque le taux de service du guichet de saisie
est largement supérieur au total des deux taux de services des agents de caisse, par exemple
quand les billets disponibles ne sont pas favorables à un taux de service élevé du caissier (billets
de petite coupure).
La situation II représente un système à serveurs en cascade qu’on peut les concevoir
comme deux sous-systèmes S1 et S2. Une telle configuration est observée lorsque les
conditions de travail des guichets de payement sont favorables (billets de catégorie de 1000 ou
500 DA, perturbation de la connexion, …).
Sous réserve que le rapprochement du temps de service à une distribution d’Erlang

donne un résultat satisfaisant, la première séquence est modélisable en un système M/Er/1 ,
la loi des services du guichet de saisie étant beaucoup moins dispersés que la loi exponentielle.
Quant à la deuxième séquence, nous savons que le temps de service est exponentiel ; de
plus on peut espérer qu’un rapprochement de la loi des arrivées à une distribution
poissonienne soit possible, on dirait alors que la séquence fonctionne comme un système
M/M/2 pareil au cas I.
Le temps global d’attente dans le lieu de service s’obtient par simple addition des deux
temps d’attente dans les deux systèmes partiels (on a déjà discuté cette question au chapitre
deux).
Ajoutons ici que lorsque le guichet de saisie travaille indépendamment des deux guichets
de caisse cela implique qu’il n’y a pas de file (du moins pas plus de deux demandes) devant
chacun des deux guichets de caisse, car dans le cas contraire, on assisterait à des situations
momentanées de blocage et on reviendrait alors à la dépendance entre les taux de service du
guichet de saisie et des deux guichets de payement.
 Avec r = 1, 2 ou 3. Voir échantillon du temps de service du guichet de saisie en annexe 8.
101
Conclusion
CONCLUSIONS
L’objectif du présent mémoire était d’élaborer une méthode qui puisse être utilisée pour
mesurer la qualité de service au niveau des bureaux de poste, notamment en termes de délai
d’attente. L’application d’une telle méthode aidera à la décision quant à la capacité d’accueil
d’un bureau de poste – existant ou à prévoir – et ce en fonction des conditions dans lesquelles
les clients sont, ou doivent être, servis. Etant donné que c’est au niveau des services CCP que
le problème de files d’attente est le plus posé, on a décidé de prendre comme domaine d’étude
pratique un centre payeur principale d’une wilaya, celui de « M’sila Hodna ».
La technique des files d’attente nous a permis de représenter le phénomène d’attente
dans le bureau par un modèle mathématique donnant pour toute valeur caractéristique du
système Ψ (coefficient d’utilisation) les grandeurs caractérisant ses performances. Le modèle
devait être le plus simple possible afin qu’il puisse être appliqué à une vaste échelle par les
Directions Régionales d’Algérie Poste et les Unités Postales de Wilaya.
Dans une première partie de ce mémoire, on a exposé la technique dans son aspect
théorique. Ce faisant, on a mis l’accent sur les modèles les plus adéquats à la réalité du terrain.
On y a également déduit une application au problème des pannes de connexion dont souffre
le réseau CCP ; on a conclu que, sous certaines conditions peu contraignantes, le nombre de
terminaux en panne de connexion à un instant quelconque au niveau d’une wilaya suit une loi
de probabilité binomiale.
L’étude pratique est entamée par un premier chapitre sur l’évolution du trafic dans les
services CCP au niveau de l’ensemble des bureaux de la wilaya. Le but était de vérifier
statistiquement si le phénomène connaît des variations périodiques qu’il faudrait alors prendre
en compte. On a également étudié le trafic propre au bureau pris comme échantillon en vue
de rechercher les similitudes entre les mois. Les deux études ont établi que le trafic n’obéit pas
à une variation saisonnière et que les tendances sont à rechercher plutôt à l’intérieur du mois.
La dernière étude a permis de confirmer l’hypothèse selon laquelle le volume de la demande
sur les services CCP est fortement lié aux échéances mensuelles de payement.
On a alors adopté une période d’échantillonnage d’un mois pour étudier statistiquement
la cadence d’arrivées de clients au bureau. Comparé à une distribution poissonienne, les
données recueillies ont montré une forte dispersion. On a également appliqué la méthode des
sommes cumulées pour détecter les tendances éventuelles ; le résultat obtenu est que les
périodes de pointe sont beaucoup plus fréquentes pendant la deuxième quinzaine. La cadence
d’arrivée n’est donc pas homogène au cours du mois. Par conséquent, c’est à l’intérieur des
période critiques que doit être mesurée la qualité du service, donc les valeurs caractérisant le
fonctionnement du système (λ et ).
Dans le quatrième chapitre on a rapproché la structure du système d’attente au centre
payeur à une configuration sur laquelle on pourrait appliquer un des modèles classiques
connus. Le système d’attente est composé de plusieurs postes, constitués chacun d’un agent
de saisie et un agent de caisse. Comparé à ce dernier, l’agent de saisie consomme peu de temps
pour effectuer une opération quelconque, à tel point qu’en régime permanent, la file d’attente
dépend uniquement du taux de service de l’agent de caisse. Cette caractéristique permet de
considérer celui-ci comme unique nœud du poste, ce qui simplifie considérablement le modèle.
102
Conclusion
Pour les clients ne passant pas par ce nœud, étant servis uniquement par le guichet de
saisie (service NAV, CAR, REL), ils sont intégrés dans le modèle comme des clients
impatients (impatience a posteriori). L’effet de cette impatience sur le coefficient d’utilisation
du système est pris en compte par une correction appropriée apportée au taux de service du
guichet de payement. Le système peut alors être représenté par un modèle M/M/S où S est le
nombre de postes, sous réserve évidemment, que le processus des arrivées et le processus des
services soient tous les deux poissoniens.
Le comptage relatif à l’étude de la loi des arrivées est à effectuer en une heure de forte
affluence de clients. C’est pendant ces moments que le taux λ peut être considéré comme
constant, d’où la possibilité d’une loi poissonienne et d’un régime permanent dans le système.
De plus, c’est par rapport à la qualité du service pendant ces heures de pointe que la capacité
du bureau doit être planifiée, et non par rapport à la moyenne générale. A titre d’exemple, la
cadence moyenne des arrivées au niveau du bureau de M’sila Hodna a été estimée à 12,185
clients par 10 minutes, pour répondre à une telle demande un seul poste (un agent de saisie
joint d’un agent de caisse) suffirait largement, or une telle solution serait catastrophique,
puisque pendant les heures de pointe la cadence dépasse parfois 30 arrivées par 10 minutes.
Quant à la loi de service, le comptage couvrant des conditions différentes de travail a
donné un taux de service du guichet de payement d’environ 0,8155 clients par minutes. Pour
obtenir le taux de service d’un poste µ on multiplie ce chiffre par un coefficient de 1,48, ce
dernier estimé par un prélèvement sur place du pourcentage des demandes de « PAV » et
« VAC », on a alors µ = 1,21 clients par minute. A la différence de la cadence des arrivées, les
caractéristiques obtenues de la loi des services, la moyenne et la variance, concernent non
seulement le bureau étudié mais les centres payeurs en général.
Enfin, en intégrant la valeur corrigée du taux de service µ dans les formules donnant les
mesures de performance du système M/M/S (temps moyen d’attente et longueur moyenne
de la file) pour différentes valeurs de la cadence d’arrivée et en représentant sous forme de
courbes les résultats des calculs on obtient une vision claire et imagée de la variation de la
qualité du service suivant la cadence des arrivées et le nombre de postes mis en service.
RECOMMANDATIONS
L’étude montre que le phénomène d’attente dans un centre payeur s’apprête bien à
l’application de la technique des files d’attente. Cela dit, plusieurs simplifications on était
nécessaires pour aboutir à la solution adoptée, car la structure réelle du système d’attente dans
un centre payeur est assez compliquée ; plusieurs services y sont offerts avec pour certains un
« parcours » particulier et/ou une discipline d’attentes particulière. Heureusement ces
complications ont pu être considérées - à juste titre estimons nous - comme des exceptions à
une règle générale. Dans la pratique, en des situations trop compliquées, on fait plus volontiers
recours à la méthode de simulation.
On peut donc d’après cette étude, appliquer pour représenter le système d’attente dans
un centre payeur quelconque le modèle M/M/S où S désigne le nombre de « postes » dans le
bureau.
La cadence des arrivées doit être mesurée pendant les périodes de forte affluence de
clients, à savoir les principales dates de payement des salariés ou des pensionnaires. Le taux de
service du poste (1,21 clients par minute) peut être significativement amélioré si en veillait à
ce que chaque agent de payement soit constamment doté d’une machine à compter les billets.
103
Conclusion
Ce taux dépend également des catégories disponibles de billets, mais il est plus difficile
d’intervenir sur ce facteur, le problème étant lié à la composition même de la masse monétaire
du pays (on ne peut exiger de la banque d’approvisionner le bureau uniquement de billets de
mille DA ou de cinq cents DA).
La valeur 1,21 est obtenue après correction. Celle-ci doit être elle aussi calculée à partir
des heures de trafic intense, car la composition de la demande (en PAV, VAC, etc.) n’est pas
la même durant les différentes périodes du mois. En effet, les demandes autres que le PAV
sont plus importantes en dehors des dates de payement. La grille « COMI » permet de
visualiser à tout moment le nombre d’opérations effectuées de chacune des services cités, cela
permet de calculer le pourcentage des opérations PAV et VAC, et d’en conclure le coefficient
à utiliser pour la correction.
En intégrant les valeurs obtenues de λ et de  dans les formules appropriées au modèle
on obtiendra les grandeurs caractéristiques de la qualité du service, soit le nombre moyen de
clients en attente dans le système, le temps moyen d’attente, le temps moyen passé dans le
bureau, etc. On peut ensuite changer autant de fois que nécessaire la valeur de λ et refaire les
mêmes calculs à l’aide d’un tableur (logiciel informatique de calcul) pour obtenir la courbe
représentant la variation de la qualité du service en fonction de la cadence des arrivées et voir
quelle affluence maximum peut supporter un système à un nombre donné de postes en termes
d’attente moyenne et en termes de capacité d’accueil de la salle d’attente.
L’étude a permis, par ailleurs, de localiser les périodes pendant lesquelles le problème de
la qualité est posé avec le plus d’acuité, il s’agit des échéances de payement des différentes
catégories de salariés, pensionnaires et étudiants. Elle a confirmé également que la deuxième
quinzaine est plus concernée par le problème des files d’attente. Cette limitation et localisations
du problème donne à penser à améliorer la qualité du service par des mesures pas trop
coûteuses, à savoir un déploiement temporaire de moyens humains supplémentaires pendant
ces périodes de pointe. Ces mesures nécessitent évidemment bien plus de réflexion que ne le
permet le cadre de cette étude.
Pour un bureau ordinaire, un bureau qui offre les différents services et non spécialement
les services CCP, on a montré comment mesurer la qualité de service en appliquant
séparément un modèle M/M/1 à chaque guichet.
PERSPECTIVES
On aurait souhaité compléter ce travail par une étude statistique supplémentaire visant
à tester la conformité du modèle choisi à la réalité. Une telle étude consisterait à mesurer, un
nombre suffisant de fois, la cadence des arrivées et la longueur de la file qu’elle a réellement
provoqué afin de la comparer à la file d’attente que prévoit le modèle pour une telle cadence.
On pourrait également examiner plus profondément comment modéliser la structure
particulière observée parfois au bureau par l’adjonction d’un deuxième agent de payement au
poste, de sorte qu’un seul agent de saisie travaille avec deux agents de caisse simultanément.
Dans le même ordre d’idée, il est souhaitable qu’une étude puisse être consacrée à la
modélisation du phénomène d’attente cette fois par la méthode de simulation.

Il y a également des abaques et des programmes en langage évolué spécialement conçus pour ces calculs, on les trouve
dans des ouvrages spécialisés tels que ceux notés dans la bibliographie.
104
Conclusion
Bien de problèmes quotidiens au niveau du secteur des postes, peuvent faire l’objet
d’études universitaires intéressantes. Les techniques de la Recherche Opérationnelle peuvent
y apporter un grand concours. On peut citer l’exemple de l’application de la technique du
« problème de stock » au problème de la limitation de la réserve en numéraire des bureaux de
poste, un problème presque stratégique si on se rappelle que la Poste est le plus grand
organisme détenteur de liquidité dans le pays. On pense aussi à l’application de la Théorie des
Graphes pour l’élaboration des plans d’acheminement du courrier...
L’auteur serait heureux si ce travail pouvait raviver l’intérêt des universitaires et des
responsables du secteur des postes pour l’application des techniques scientifiques aux divers
problèmes de décision dans la gestion des services à la clientèle.
105
TABLE DES TABLEAUX
TABLEAU 1(REPRODUCTION PARTIELLE) : IMPORTANCE RELATIVE DE CHAQUE TYPE DE DEMANDES. ECHANTILLON RELEVÉ
AU CENTRE PAYEUR. ......................................................................................................................... 26
TABLEAU 2 VALEURS DE P0 EN FONCTION DE SΨ = Λ/µ DANS UN SYSTÈME M/M/S. ............................................ 52
TABLEAU 3 DROITS SUR LES VERSEMENTS ACCÉLÉRÉS PAR TRIMESTRE, ET CALCULS DES MOYENNES. ....................... 58
TABLEAU 4 MOYENNES MENSUELLES DU NOMBRE D’OPÉRATION PAV ET VAC EFFECTUÉES.................................. 64
TABLEAU 5 CALCUL DU SEUIL MAXIMAL. ...................................................................................................... 66
TABLEAU6 TABLE DE 100 NOMBRES ALÉATOIRES TRIÉS PAR ORDRE CROISSANT. ................................................. 67
TABLEAU7 CALCUL DE LA DISTANCE Χ² ........................................................................................................ 68
TABLEAU8 CONVERSION DES NOMBRES ALÉATOIRES EN DATES DE COMPTAGE : UNE PARTIE DES CALCULS FAITES SUR
FEUILLE DE CALCUL D’UN TABLEUR. ..................................................................................................... 69
TABLEAU 9 VALEURS DE LA VARIABLE N : NOMBRE D’ARRIVÉES EN 10 MIN. ...................................................... 71
TABLEAU12 DONNÉES GROUPÉES DE LA VARIABLE T DES INTER ARRIVÉES AU BUREAU. ........................................ 73
TABLEAU13 CALCUL DE DN....................................................................................................................... 74
TABLEAU 14 PARTIE DES CALCULS DE LA SOMME CUMULÉE RI.......................................................................... 77
TABLEAU15 CHANGEMENTS SURVENUS DANS LA MOYENNE DE LA SÉRIE DE DONNÉES. ........................................ 79
TABLEAU16 COMPTAGE DES INTER ARRIVÉES ET LEUR RAPPROCHEMENT À UNE LOI EXPONENTIELLE . ..................... 92
TABLEAU 17 RAPPROCHEMENT DU TEMPS DE SERVICE DU GUICHET DE PAIEMENT À UNE LOI EXPONENTIELLE . ......... 95
TABLEAU 18 IMPORTANCE RELATIVE DES TYPES DE DEMANDE. ......................................................................... 96
TABLEAU 19 MOYENS À PRÉVOIR EN TERMES DE GUICHETS ET SALLE D’ATTENTE EN FONCTION DE LA CADENCE D’ARRIVÉE
(µ SUPPOSÉ ÉGALE À 1,21). ............................................................................................................ 100
TABLE DES ANNEXES

ANNEXE1 NOMBRE D’OPÉRATIONS PAV (PAYEMENT À VUE) EFFECTUÉES JOURNELLEMENT DURANT 12 MOIS. ......................... 111
ANNEXE2 NOMBRE D’OPÉRATIONS VAC (VERSEMENTS ACCÉLÉRÉS) EFFECTUÉES JOURNELLEMENT DURANT 12 MOIS (SUITE ET FIN).
................................................................................................................................................................... 112
ANNEXE3 TABLE DE NOMBRES ALÉATOIRES DONNÉE PAR UN PROGRAMME Q-BASIC............................................................. 113
ANNEXE4 DATES ET RÉSULTAT DU COMPTAGE DE LA CADENCE DES ARRIVÉES, (N : NOMBRE D’ARRIVÉES EN DIX MINUTES) ; PÉRIODE
D’OBSERVATION : DU 21/12/2002 AU 16/1/2003. ........................................................................................... 114
ANNEXE5 VALEURS DE LA VARIABLE INTER-ARRIVÉES EXPRIMÉES EN CENTIÈMES DE SECONDES. COMPTAGE RELEVÉ PENDANT UNE
PÉRIODE DE QUATRE SEMAINES (VOIR TABLEAU 12). .............................................................................................. 115
ANNEXE6 TABLEAU REPRÉSENTANT LE 1ER COMPTAGE DE LA VARIABLE T DES INTERS ARRIVÉS EN RÉGIME PERMANENT EN DATE DU 23
JUILLET À 10H : 15 ET TEST DE RAPPROCHEMENT À UNE LOI EXPONENTIELLE. .............................................................. 116
ANNEXE7 COMPTAGE DU TEMPS DE SERVICE DU GUICHET DE PAYEMENT (UNITÉ : MINUTE). .................................................. 117
ANNEXE8 RÉSULTAT DU COMPTAGE DU TEMPS DE SERVICE DU GUICHET DE SAISIE. ECHANTILLON RELEVÉ AU BUREAU DE M’SILA
HODNA. ....................................................................................................................................................... 118
ANNEXE 9 VALEURS DE P0 EN FONCTION DE SΨ = Λ/µ DANS UN SYSTÈME M/M/S. ............................................................... 119
ANNEXE 10 TABLE STATISTIQUE DONNANT LES VALEURS DE LA DISTANCE DE KOLMOGOROV-SMIRNOV DΑ POUR Α DONNÉE. ........ 119
106
TABLE DES FIGURES
FIGURE 1. PROCESSUS DE NAISSANCE ............................................................................................................ 20
FIGURE 2. PROCESSUS DE POISSON ............................................................................................................... 22
FIGURE 3. PROCESSUS DE NAISSANCE ET DE MORT. .......................................................................................... 28
FIGURE4 VARIATION DU NOMBRE MOYEN DE CLIENTS DANS UN SYSTÈME M/M/1 EN FONCTION DU COEFFICIENT
D’UTILISATION, Ψ. ............................................................................................................................. 44
FIGURE 5 VARIATION DU TEMPS MOYEN PASSÉ PAR CHAQUE CLIENT DANS UN SYSTÈME M/M/1 EN FONCTION DU
COEFFICIENT D’UTILISATION, Ψ. ........................................................................................................... 44
FIGURE6 CENTRE DE SERVICE À SERVEUR UNIQUE. .......................................................................................... 45
FIGURE7 CENTRE DE SERVICE À DEUX SERVEURS. ............................................................................................ 45
FIGURE 8 CENTRE DE SERVICE HYPEREXPONENTIEL ........................................................................................... 48
FIGURE 9 LOI DU TEMPS D’ATTENTE .............................................................................................................. 55
FIGURE 10 VARIATION DU TRAFIC EN PAV PENDANT LE MOIS. ........................................................................... 61
FIGURE11 DIAGRAMMES REPRÉSENTANT LA VARIATION EN CHAQUE MOIS DU NOMBRE D’OPÉRATIONS DE VAC ET PAV
DE AOÛT 2001 À JUILLET 2002. .......................................................................................................... 63
FIGURE 12 TENDANCE PENDANT 12 MOIS DU TRAFIC EN PAIEMENT A VUE (PAV) AU CENTRE PAYEUR. ..................... 64
FIGURE13 REPRÉSENTATION GRAPHIQUE DES RÉSULTATS DE COMPTAGE DE LA CADENCE D’ARRIVÉES AU COURS DU
MOIS. .............................................................................................................................................. 76
FIGURE 14 DIAGRAMME DES SOMMES CUMULEES DES ECARTS PAR RAPPORT A LA VALEUR 12. LES COMPTAGES SONT
REPARTIS ALEATOIREMENT SUR UNE PERIODE DE QUATRE SEMAINES CONSECUTIVES. .................................... 78
FIGURE15 DIAGRAMME DE MANHATTAN : CHANGEMENTS SURVENANT SUR LA CADENCE MOYENNE DES ARRIVEES AU
COURS DU MOIS ................................................................................................................................ 80
FIGURE 16 STRUCTURE RÉELLE DU SYSTÈME D’ATTENTE AU CENTRE PAYEUR. ....................................................... 84
FIGURE17 STRUCTURE SIMPLIFIÉE DU SYSTÈME D’ATTENTE DANS LE CENTRE PAYEUR. ........................................... 86
FIGURE 18 DÉPENDANCE ENTRE TAUX DE SERVICE DES SERVEURS ....................................................................... 87
FIGURE19 STRUCTURE SIMPLIFIÉE DU SYSTÈME D’ATTENTE (2) ......................................................................... 88
FIGURE20 QUATRE CAS DE LA VARIATION DE  ............................................................................................... 90
FIGURE21 VARIATION DE LA QUALITÉ DE SERVICE EN TERMES DE TEMPS D’ATTENTE EN FONCTION DE LA CADENCE DES
ARRIVÉES, POUR DES SYSTÈMES DE 1, 2, 3, ET 4 GUICHETS DE PAYEMENT. .................................................. 98
FIGURE 22 VARIATION DE LA QUALITE DU SERVICE EN TERMES DE NOMBRE MOYEN DE CLIENTS DANS LA FILE EN
FONCTION DE LA CADENCE DES ARRIVEES, POUR DES SYSTEMES DE 1, 2, 3, ET 4 GUICHETS DE PAYEMENT CHACUN
ASSOCIE A UN GUICHET DE SAISIE. ........................................................... ERROR! BOOKMARK NOT DEFINED.
107
BIBLIOGRAPHIE
Revues
1. AFÊCHE Philipp., -Delay performance in stochastic processing networks with priority service, Operation
Research Letters, Sep. 2003, Vol. 31, P. 390-400.
2. EICHELSBACHER Peter and GANESH Ayalvadi, -Bayesian inference for Markov chains, Journal of
Applied Probability, Vol. 39, Number 1, March 2002, P. 91-99.
3. FOLEY Robert D. and PARK Byung Chum, -Optimal allocation of buffers and customers in a two-node
cyclic network with multiple servers, Operation Research Letters, Vol. 30, 2002. P. 19-2.
4. GIRAULT M., -Remarques sur le processus de Poisson et sur quelques généralités, Rev, SOFRO, III, n°12,
Dunod.
5. KHAROUFEH Jeffrey P., -Explicit results for wear processes in a Markovian environment, Operation
Research Letters, Vol. 31, May 2003, P. 237-244.
6. KINK Roelof and TIELEMANS Peter F. J., -Analysis of expected queuing delays for decision making in
production planning, European Journal for Operational Research, Vol. 110. Nov 1998, P. 658-681.
7. MIASKIEVISCZ L., - Etude des files d’attente dans un magasin d’outillage, Rev. SOFRO, I, N°4, Dunod.
8. STIDTHAM, S., Jr., -A Last Word on L = λW, Operation Research, 22, 417-421, 1974.
Ouvrages et thèses
9. BAYNAT B., -Théorie des files d’attente : Des chaînes de Markov aux réseaux à forme produit,
coll. Réseaux et télécommunications, 2000.
10. BAYNAT, -Théorie des files d’attente, Hermès sciences publications, 1970.
11. BELAID R., –Analyse du phénomène d’attente dans un système d’accostage- essai sur un secteur du port d’Alger,
Mémoire de Magister, Directeur de recherche Alexandre LAPCO, INPS, Alger, Juin 1986.
12. BOSE, SANJAYK, - An introduction to queuing systems, 1st edition, 2001.
13. BOUAZIZ R., -Application de la technique des files d’attente aux problèmes de gestion de l’aéroport de Houari
Boumediene, Mémoire de Magister, Directeur de recherche Paul DE MOUNTER, DR, SC. INPS,
Alger, 1986.
14. CARTON D., -Processus aléatoires utilisés en recherche opérationnelle, Masson, Paris, 1975.
15. CEHESSAT R., Exercices commentés de statistiques et informatiques appliquées, 2ème édition, Dunod, Paris,
1976.
16. CULLMANN G., -Recherche opérationnelle, Masson, Paris, 1970.
17. DESBAZEILLE G., -Exercices et problèmes de Recherche Opérationnelle, 2ème édition, Dunod, Paris, 1976.
18. FAURE R., -Précis de Recherche Opérationnelle, 4ème édition, Dunod, Paris 1979.
19. FELLER W., -An Introduction to Probability Theory and its Applications, Vol. 1, Wiley & Sons, 1950.
20. FELLER W., -An Introduction to Probability Theory and its Applications, Vol. 2, Wiley & Sons, 1966.
21. FITZIMMONS J. A. and SULLIVAN R. S., -Service Operations Management, McGraw-Hill, 1982.
22. GELEMBE., -Introduction aux réseaux de files d’attente, 1985.
23. GELEMBE., - Réseaux de files d’attente : modélisation et traitement numérique, 1980.
24. GIRAULT M., - Initiation aux processus aléatoires, Dunod, Paris, 1959.
25. GROSS D. and HARRIS C. M., -Fundamental of Queuing Theory, J. Wiley and sons, New York, 1974.
108
26. HAWARD, R. A., -Dynamic Probabilistic Systems, Vol. I (Markov Models) and Vol. II (Semi-Markov
and Decision Processes), Wiley, New York, 1971.
27. HENRY-LABORDERE A., GROJNOWSKI M., -Recherche opérationnelle (exercices et problèmes avancés),
Masson, Paris, 1976.
28. HEYMAN D. P. and SOBEL M. J., -Stochastic Models in Operations Research, Vol. I, McGraw Hill,
1982.
29. HILLIER and LIBERMANN, -Initiation to operation research. Holden-Day, Inc, 3rd edition, 1980.
30. HOWARD R. A., -Dynamic programming and Markov processes, I. Wiley, New York, 1960.
31. IDA M. FLYNN; ANN ACLVER MCHOES; LYNN, -Understanding Operating Systems, 1997.
32. KARLIN S., -A first course in stochastic processes, Academic Press, New York- London, 1960.
33. KAUFMANN A et CRUON R., -Les phénomènes d’attente, Dunod, Paris, 1961, Réédité en 1962.
34. KAUFMANN A., FAURE R., -Invitation à la recherche opérationnelle, 2ème édition, nouveau tirage, Dunod,
Paris, 1976.
35. KAUFMANN A., -Méthodes et modèles de la Recherche Opérationnelle (les mathématiques de l’entreprise),
Tome 1, 2ème édition, Dunod, Paris, 1970.
36. KLEINROCK L., -Queuing systems, Vol. I (Theory), Vol. II (Computer Applications), I. Wiley. N. Y.
1975.
37. LIPSCHUTZ S., -Probabilités cours et problèmes, 12ème tirage, McGraw Hill, Paris, 1985.
38. LECOUTRE J. P., -Statistique et probabilités, Dunod, Paris, 1998.
39. MEDHI JYOTIPRASAD, -Stochastic Models in Queuing Theory, 2002.
40. MONOGRAPHIES I.C.I., –Mathématiques et statistiques pour l’industrie, Sous la direction de M.
VERHOUST, Entreprise Moderne d’Edition, Paris, 1970.
41. MOOD A. M. et GRABILL F. A., -Introduction à la statistique théorique, Dunod, Paris, 1973.
42. PISKOUNOV N., -Calcul différentiel et intégral, Tome 1, 7ème édition, Editions MIR, Moscou, 1976.
43. PELLAUMAIL. J., -Graphes, simulation, L-matrices : Application aux files d’attente, Coll. Traité des
nouvelle technologies, Série: Mathématiques Appliquées, 1992.
44. PELLAUMAIL. J., -Probabilités statistiques, files d’attente : cours et exercices résolus, 1986.
45. POLLARD J. H., -A hand book of numerical and statistical techniques, Cambridge University Press, 1977.
46. QUITTARD P., -Processus stochastiques et file d’attente, OPU, Algérie, 1983.
47. ROBERT P., -Réseaux de files d’attente méthodes probabilistes, SPRINGER VERLAG, Collection
MATHEMATIQUES ET APPLICATIONS (SMAI), France, 2000.
48. ROSS. M., -Introduction to Probability Models, Academic Press, 1989.
49. SAATY T. L., -Element of queuing theory, McGraw H. B. Cy, New York- Toronto-London, 1961.
50. SALVATORE D., -Econométrie et Statistiques Appliquées, Trad. LOUDIERE G. McGraw Hill, Paris,
1985.
51. SENNOTT, LINN I., -Stochastic Dynamic Programming and the Control of Queuing Systems, 1st edition,
1998.
52. SPIEGEL M., -Probabilité et Statistique, Trad. JACOUD Romain, 5ème tirage, McGraw-Hill, Paris, 1985.
53. THEIL L.- Recherche opérationnelle et management des entreprises, Col. Exercice et cas, ECONOMICA,
Paris, 1990.
54. TAHA H. A., -Operations Research: An Introduction, 5th edition, McMillan Publishing Company, 1992.
55. TAKACS L., -Processus stochastiques, problèmes et Solutions, Dunod, Paris, 1964.
109
‫‪56. TANNER M., -Practical Queuing Analysis, 1st edition, 1995.‬‬
‫‪57. TRIVEDI, K. S., -Probability and Statistics with Reliability, Queuing, and Computer Science Applications,‬‬
‫‪Prentice Hall, 1982.‬‬
‫‪Références bibliographiques en langue arabe‬‬
‫البكري حممد صونيا‪ ،‬استخدام األساليب الكمية يف اإلدارة‪ ،‬الدار اجلامعية‪ ،‬اإلسكندرية‪.1997 ،‬‬ ‫‪-1‬‬
‫برونسون ريتشارد‪ ،‬نظرايت ومسائل يف حبوث العمليات‪ ،‬ترمجة أ‪ .‬د‪ .‬حسن حسين الغبارى‪ ،‬مراجعة أ‪ .‬د‪ .‬حممد إبراهيم يونس‪،‬‬ ‫‪-2‬‬
‫دار ماكجراو هيل للنشر‪ ،‬الدار الدولية للنشر والتوزيع‪ ،‬الطبعة األجنبية ‪ ،1982‬الطبعة العربية األوىل‪ ،‬القاهرة‪.1988 ،‬‬
‫السلمى على‪ ،‬إدارة اجلودة الشاملة ومتطلبات التأهيل لإليزو‪ ،‬دار غريب للطباعة والنشر والتوزيع‪- ،‬بدون ذكر البلد والسنة‪.‬‬ ‫‪-3‬‬
‫ماضي حممد توفيق‪ ،‬األساليب الكمية يف جمال اإلدارة‪ ،‬الدار اجلامعية‪ ،‬اإلسكندرية‪.1998 ،‬‬ ‫‪-4‬‬
‫طايل مظهر‪ ،‬الكمبيوتر لغة وأداء‪ ،‬اجلزء األول‪ ،‬ابسيك‪ ،‬شركة منشورات دار الراتب اجلامعية‪ ،1984 ،‬بدون ذكر البلد‪.‬‬ ‫‪-5‬‬
‫زين الدين فريد عبد الفتاح‪ ،‬املنهج العلمي لتطبيق إدارة اجلودة الشاملة يف املؤسسات العربية‪ ،‬دار الكتاب العريب‪ ،‬القاهرة‪،‬‬ ‫‪-6‬‬
‫‪.1996‬‬
‫‪110‬‬
ANNEXES
Annexe1 Nombre d’opérations PAV (payement à vue)
effectuées journellement durant 12 mois.
août-01 Sept.-01 oct.-01 nov.-01 déc.-01 janv.-02 févr.-02 mars-02 avr.-02 mai-02 juin-02 juil.-02
309 314 417 317 505 318 363 221 262 183 328 211
502 199 360 506 453 242 274 190 155 219 274 243
532 483 520 535 478 229 273 219 193 163 232 158
581 561 296 419 408 184 201 152 165 146 437 120
445 261 431 499 376 196 213 367 182 300 466 299
329 660 459 273 211 159 170 294 512 212 241 345
213 516 280 227 421 166 603 479 350 117 288 265
298 424 367 368 365 190 348 341 168 163 218 244
138 429 291 264 278 277 323 246 201 170 196 220
431 364 403 210 502 370 247 197 145 188 158 153
289 201 268 373 723 270 578 600 189 143 191 188
332 334 259 228 443 277 310 214 135 667 275 214
229 291 311 295 651 390 675 275 242 311 595 204
467 280 327 421 465 737 538 406 177 535 317 1
360 392 365 337 295 534 614 292 644 388 262 208
382 300 440 309 436 500 409 339 153 536 405 224
288 266 304 223 403 501 433 353 419 535 256 538
278 378 256 374 367 419 205 159 387 455 378 476
302 288 434 245 494 265 313 495 342 53 427 364
505 326 357 299 336 447 244 288 505 532 399 165
406 588 256 419 447 290 318 362 349 395 255 491
266 384 436 233 261 254 290 289 212 480 284 140
361 198 337 123 276 248 190 224 342 359 300 390
282 314 282 565 320 177 287 274 20 344 373
192 275 216 341 244 224 227 298 414
279 195 258
330 219
349 361 344 336 410 315 354 301 274 303 313 264
0,32 0,33 0,22 0,33 0,28 0,44 0,42 0,36 0,48 0,58 0,31 0,48
NOTA : Les deux dernières lignes représentent les moyennes mensuelles et les coefficients de
variation.
Les données sont relevées des extraits journaliers « CH 500 » du bureau M’sila Hodna.
111
Annexes
Annexe2 Nombre d’opérations VAC (versements

accélérés) effectuées journellement durant 12 mois
(suite et fin).
août-01 Sept.-01 oct.-01 nov.-01 déc.-01 janv.-02 févr.-02 mars-02 avr.-02 mai-02 juin-02 juil.-02
8 14 21 22 18 87 37 31 4 15 21 10
21 11 17 21 28 20 145 109 49 16 32 31
12 12 24 23 20 38 163 78 18 36 25 22
12 13 5 27 36 149 145 59 105 46 28 13
17 1 11 22 30 143 167 59 25 28 23 11
12 9 13 22 8 172 21 11 103 30 14 14
4 9 5 35 36 162 34 20 96 12 13 22
16 13 19 30 29 31 121 66 98 12 33 16
7 5 5 32 16 5 97 52 17 46 27 21
20 9 19 24 23 207 101 52 18 40 23 10
9 5 20 45 11 92 2 70 40 19 18 16
13 8 17 27 17 125 3 4 46 40 17 26
8 18 14 37 16 158 11 58 35 12 20 21
13 14 12 58 1 20 91 42 40 20 25 25
14 15 13 49 8 213 64 61 5 52 17 19
17 21 21 45 21 161 68 57 32 44 18 12
20 9 27 26 13 18 59 29 43 37 18 20
13 23 21 24 17 228 6 7 36 40 22 13
7 14 21 13 13 47 35 20 45 1 39 10
19 14 22 16 31 66 48 35 51 34 21 15
18 13 9 26 47 189 81 55 7 30 40 9
10 12 22 13 16 159 82 31 15 33 17 13
13 7 19 7 107 148 16 25 32 20 9
13 21 18 21 22 20 2 21 3 23 13
3 16 18 100 212 39 36 27 15
18 13
17
13 12 17 28 27 115 72 43 40 28 23 16
0,38 0,42 0,34 0,43 0,90 0,63 0,71 0,60 0,73 0,50 0,30 0,35
NOTA : Les deux dernières lignes représentent la moyenne mensuelle les coefficients de
variation.
Les données sont relevées des extraits journaliers « CH 500 » du bureau M’sila Hodna.
112
Annexes
Annexe3Table de nombres aléatoires donnée par un

programme Q-basic.
Valeur d'init. Du générateur de nombres aléatoires (de -32 768 à 32 767)
688 322 97 637 44 483 656 555 224 368 853 637 886 385 418 624
613 568 205 479 19 251 467 179 588 673 248 622 122 600 603 275
133 280 845 131 848 218 413 801 36 179 71 728 177 214 624 27
534 108 66 45 268 865 851 457 866 99 284 171 704 270 48 277
623 29 643 2 745 198 559 106 197 71 173 192 678 238 467 746
333 242 172 3 467 50 343 33 776 857 150 456 203 713 99 483 723
273 80 278 550 677 334 747 172 746 850 855 504 713 87 559 375
773 214 380 533 761 886 285
113
Annexes
Annexe4 Dates et résultat du comptage de la cadence

des arrivées, (N : nombre d’arrivées en dix minutes) ;
période d’observation : du 21/12/2002 au 16/1/2003.
Première semaine Deuxième semaine Troisième semaine Quatrième semaine
Jour Heure Min N Jour Heure Min N Jour Heure Min N Jour Heure Min N
0 (SAM 8 35 20 0 (SAM) 10 25 12 0 (SAM) 9 15 9 0 (SAM) 8 45 8
21/12/02) 8 45 20 11 5 4 9 25 13 10 25 9
11 25 14 13 5 8 11 5 14 14 5 7
13 45 17 13 35 17 14 5 10 15 35 7
14 5 15 1 (DIM) 8 40 16 14 45 14 1 (DIM) 9 30 13
14 45 12 9 0 28 1 (DIM) 10 30 12 10 20 13
15 15 11 9 30 18 2 (LUN) 8 45 9 14 20 6
1 (DIM) 8 50 7 9 50 4 11 25 7 14 30 10
9 0 11 10 10 0 13 15 7 2 (LUN) 11 5 9
9 30 9 10 20 10 13 55 7 11 35 8
9 50 12 10 40 18 15 25 5 3(MAR) 9 0 10
13 30 15 11 20 4 3(MAR) 11 0 15 4(MER) 9 35 14
14 20 9 2 (LUN) 10 55 34 14 0 8 10 5 13
15 50 10 13 45 24 14 30 6 10 25 12
2 (LUN) 9 15 5 13 55 11 4(MER) 8 25 7 10 35 10
10 55 15 15 25 1 9 55 20 10 55 14
11 15 13 3(MAR) 11 50 16 10 5 9 11 15 13
13 25 5 14 0 13 10 15 10 11 35 10
13 45 5 15 40 6 13 25 7 13 55 18
3(MAR) 8 20 24 4(MER) 13 35 12 14 25 6 14 5 6
9 50 22 14 25 5 5(JEU) 8 50 24 5(JEU) 9 40 15
10 10 14 11 40 12
14 0 6
4(MER) 9 45 26
9 55 20
10 5 18
10 45 14
11 5 17
14 15 10
15 5 14
15 15 6
5(JEU) 8 20 10
8 40 28
10 10 28
10 50 8
11 50 12
NOTA : Les dates de comptage sont déterminées à partir de la table de nombres aléatoires. Si un plus grand nombre de dates de
comptage se trouve à l’intérieur de la première semaine c’est uniquement parce qu’une grande quantité de nombres aléatoires est
inférieure à 225, chiffre par lequel on divise le nombre aléatoire pour obtenir la semaine. On aurait pu intervenir sur la table pour
obtenir une répartition plus cohérente sur les semaines mais on a préféré aménager une telle intervention arbitraire.
114
Annexes
Annexe5 Valeurs de la variable Inter-arrivées

exprimées en centièmes de secondes. Comptage
relevé pendant une période de quatre semaines (voir
tableau 12).
5000 8571,43 4615,38 4000 5000

12000 10000 6000 4615,38 5000
6666,67 2500 3333,33 12000 15000
4615,38 5000 10000 12000 7500
4285,71 7500 4000 2500 3529,41
6000 6666,67 3000 2727,27 3750
4285,71 8571,43 3000 4285,71 2142,86
5000 8571,43 4285,71 10000 3333,33
6666,67 4615,38 3529,41 2307,69 15000
8571,43 4615,38 4000 3000 30000
8571,43 10000 5000 3333,33 6000
8571,43 6000 5454,54 4285,71 3333,33
12000 6666,67 8571,43 3529,41 15000
4000 7500 5454,54 6000 1764,71
7500 6000 6666,67 4285,71 2500
10000 4285,71 5000 10000 5454,54
9230,77 4615,38 4000 6000 30000
3000 5000 6666,67 2142,86 3750
6666,67 6000 6000 2142,86 4615,38
6000 4285,71 12000 7500 10000
NOTA : On a choisi l’unité centième de seconde pour diminuer le nombre de chiffres après la virgule.
Exemple de calcul : 12 arrivées par 10 minutes correspond à un inter-arrivée de
10 * 60 * 100/12 = 5000 en centième de secondes.
115
Annexes
Annexe6 Tableau représentant le 1er Comptage de la

variable T des inters arrivés en régime permanent en
date du 23 juillet à 10h : 15 et test de rapprochement
à une loi exponentielle.
Temps Trie ti (en D(F*, F)= D(F, F*)=

Min Sec en sec. croissant min) F(ti) i i/n - F(ti) F(ti) - ((i-1)/n)
0 25 25 14 0,2333 0,2255543 1 -0,196983 0,2255543
0 48 23 17 0,2833 0,2668323 2 -0,209689 0,2382609
1 2 14 23 0,3833 0,3429052 3 -0,257191 0,2857623
1 19 17 25 0,4167 0,3664665 4 -0,252181 0,2807522
1 44 104 28 0,4667 0,4002338 5 -0,257377 0,2859481
2 27 43 32 0,5333 0,442474 6 -0,271045 0,2996169
4 10 43 33 0,55 0,4525608 7 -0,252561 0,2811322
4 25 75 35 0,5833 0,4721902 8 -0,243619 0,2721902
4 26 61 36 0,6 0,4817394 9 -0,224597 0,2531679
7 50 84 36 0,6 0,4817394 10 -0,196025 0,2245965
8 26 36 37 0,6167 0,4911157 11 -0,17683 0,2054015
9 11 45 42 0,7 0,5355137 12 -0,192657 0,221228
10 39 88 43 0,7167 0,5439172 13 -0,172489 0,20106
12 52 73 43 0,7167 0,5439172 14 -0,143917 0,1724886
14 20 28 45 0,75 0,5602708 15 -0,131699 0,1602708
15 18 58 53 0,8833 0,620028 16 -0,162885 0,1914566
15 27 69 53 0,8833 0,620028 17 -0,134314 0,1628852
15 36 69 58 0,9667 0,6531789 18 -0,138893 0,1674646
17 34 58 58 0,9667 0,6531789 19 -0,110322 0,1388932
19 57 83 58 0,9667 0,6531789 20 -0,08175 0,1103218
21 30 33 61 1,0167 0,6716645 21 -0,071665 0,1002359
22 6 36 63 1,05 0,6834375 22 -0,054866 0,0834375
22 25 79 69 1,15 0,7162838 23 -0,059141 0,0877124
23 18 53 69 1,15 0,7162838 24 -0,03057 0,059141
24 31 73 73 1,2167 0,7362653 25 -0,02198 0,050551
24 47 76 73 1,2167 0,7362653 26 0,006592 0,0219796
28 19 32 73 1,2167 0,7362653 27 0,035163 -0,0065918
0 35 35 75 1,25 0,745722 28 0,054278 -0,0257066
3 33 58 76 1,2667 0,7503224 29 0,078249 -0,0496776
4 46 73 78 1,3 0,759275 30 0,097868 -0,0692964
6 49 63 79 1,3167 0,7636302 31 0,122084 -0,0935126
8 42 53 83 1,3833 0,7802772 32 0,134008 -0,1054371
10 19 37 84 1,4 0,7842525 33 0,158605 -0,1300333
11 1 42 88 1,4667 0,7994471 34 0,171981 -0,1434101
14 19 78 104 1,7333 0,8502518 35 0,149748 -0,1211767
Moyenne 0,9129 0,171981 0,2996169
écart type 0,3711
116
Annexes
Annexe7Comptage du temps de service du guichet

de payement (unité : minute).
1,3167 0,7667 1,4833 0,75 1 1 0,75 0,7167

13,533 0,5 0,95 1,8833 1,5167 0,5833 3,8333 1,0833
1,9 0,6167 0,9167 1,85 0,85 0,6833 0,5833 0,8667
1,2 1,0167 1,15 0,8 0,8167 0,7333 0,8 1,7167
1,0167 1 0,9833 0,85 1,05 0,6 0,5333 1
0,7 0,8333 1,6667 0,65 0,9667 0,65 0,7833 0,5667
0,85 1,0333 1,0167 1,15 0,7833 0,7667 2,1 0,6667
0,9 0,9667 1,8167 1,3333 0,95 0,5833 1,6167 0,45
0,9833 0,9333 3,4667 0,5667 1,2333 0,2 0,55 3,0333
3,3 2,0833 0,6167 0,9833 1,4333 0,6167 0,7833 1,0667
2,3 1 3,0333 1,6167 1,0667 0,8667 0,3167 2,3167
1,7333 1,35 2 0,9333 0,5167 1,7833 0,5833 0,85
0,95 1,65 1,1 1,2 1,7667 1,1 0,5833 0,5
0,7167 0,55 3,2 1,3167 2,3833 0,7333 0,6333 1,1667
1,3833 0,7667 1,2 0,5 1,8833 0,6667 1,8167 0,8333
0,95 0,6333 1,3333 3,7667 0,8833 0,7667 1,0667 0,4833
1,0167 1,8833 1,15 1,1167 0,8667 6,15 0,45 0,8833
1,4 2,3333 1,05 1,0667 2,3833 0,3167 0,9833 0,5
1,2667 1,55 1,25 0,5333 2,05 0,4 0,8333 0,5667
0,9833 1,6167 1,1 1,6 6,8333 0,5833 0,75
1,5167 0,9333 2,25 0,8 0,7667 0,55 0,7833
5,0833 1,9833 1,45 1,55 0,7 3,6667 0,2333
2,3333 1 0,95 0,8167 0,7 1,7833 0,7
0,8 1,0333 1,25 0,9167 1 1,25 1,3833
1,0667 0,75 1,4167 1,5333 1,1667 0,3167 1,25
0,8 1,6 2,15 1,6833 1,0167 0,65 2,0833
1,2 1,8167 0,8333 1,5 0,9833 0,5333 0,6167
0,95 0,65 3 0,75 0,7167 1,2667 2,1833
4,6833 3,5167 1,2333 1,4667 1,0667 1,7 0,2333
0,7333 2,15 2,5 1,0167 0,6833 5,2 0,5167
1,3333 1,1333 0,8667 4,6667 1,15 0,6667 0,4167
0,9 0,9333 1,5167 1,2167 1,0167 0,6167 0,85
0,6667 1,3167 0,3167 1,3333 0,7 1,2333 0,7667
2,1833 0,6 0,75 0,85 0,8833 0,7333 0,2
1,5833 1,0833 1,2167 0,8167 3,65 0,7 0,9167
1 1,25 0,7333 0,7667 0,7667 0,9 0,7333
1,2333 1,5833 0,9333 0,65 0,3333 0,45 0,5333
1,1 1,05 1,8833 2,4667 3,5167 1,0167 0,6167
0,9667 1,3667 0,4833 0,9667 1,1167 0,9833 0,95
0,7667 1,7167 3,45 1,4333 0,8333 1,1333 0,85
Taille de l’échantillon n = 300, Moyenne empirique m = 1,2997min, écart type des données
empiriques : 1,1527, Taux de service  = 1/m = 0,769, Moyenne et écart type estimées :
1,226min,  estimé : 0,816.
117
Annexes
Annexe8Résultat du comptage du temps de service

du guichet de saisie. Echantillon relevé au bureau
de M’sila Hodna.
5 25 30 16 16 61 15 10 34 201 30 14 45 25 28 26
33 20 27 27 29 33 24 33 18 18 22 14 23 29 16 59
13 26 20 24 17 20 12 41 23 28 28 28 97 26 16 9
12 27 22 31 31 17 26 15 48 20 17 13 39 31 10 25
13 45 13 29 37 43 30 13 14 20 14 22 37 27 60 16
13 16 26 20 13 37 26 13 12 15 27 36 30 30 61 11
10 32 63 13 17 20 20 16 37 18 12 23 68 17 27 21
37 17 36 16 18 17 36 46 17 21 15 16 41 15 22 60
24 28 16 27 43 29 30 18 27 33 23 41 23 11 30 50
15 15 24 43 21 54 22 25 44 61 16 35 94 20 12 55
18 17 19 28 48 244 25 19 19 31 23 12 65 25 13 22
32 111 20 26 21 81 12 36 23 45 30 23 27 34 36 41
30 39 11 20 29 22 24 28
Taille de l’échantillon n = 200.

Moyenne du temps du service du guichet de saisie : 29,6 secondes.
Ecart type empirique : 25,1.
118
Annexes
Valeurs de p0 en fonction de sψ = λ/µ dans

Annexe 9
un système M/M/S.
S=2 S=3 S=4 S=5 S=6 S=7 S=

S=1
0.333 0.363 0.367 0.367 0.367 0.367 0.36788
S=2
0.111 0.130 0.134 0.135 0.135 0.13534
S=3
0.037 0.046 0.049 0.049 0.04978
S=4
0.013 0.016 0.017 0.01837
Source : A. KAUFMANN., -Méthodes et modèles de la Recherche Opérationnelle (les mathématiques de

l’entreprise), Tome 1, 2ème édition, Dunod, Paris, 1970, p. 392.
Table statistique donnant les valeurs de la

Annexe 10
distance de Kolmogorov-Smirnov Dα pour α
donnée.
N Α =0,10 Α =0,05 α =0,01

5 0.509 0.563 0.669
10 0.369 0.409 0.486
15 0.304 0.338 0.404
20 0.265 0.294 0.352
25 0.238 0.264 0.317
30 0.218 0.242 0.290
35 0.202 0.224 0.269
40 0.189 0.210 0.252
n > 40 1.22/√n 1.36/√n 1.63/√n
Source : (sauf pour N = 35) : J. P LECOUTRE., -Statistique et probabilités, Dunod, Paris, 1998, p. 155.
119
LISTE DES ACRONYMS
CAR : demande carnet
CCP : compte courant postal
CH-500 : extraits de compte du bureau émanant du centre des chèques postaux comportant
les opérations effectuées sur le compte pendant la journée.
NAV : Consultation de l’avoir du compte par transaction sur un terminal CCP.
PAV : payement d’une somme d’argent contre chèque après transaction sur un terminal
CCP.
REL : demande de relevé de compte.
VAC : alimentation d’un compte courant postal par transaction sur un terminal CCP.
120
TABLE DES MATIERES
INTRODUCTION GENERALE _____________________________________________ 7

Chapitre 1. GENERALITES SUR LES PROCESSUS STOCHASTIQUES _________ 15
Section I. Définition et présentation générale _________________________________ 15
Section II. Notion de processus stochastiques, Chaînes stochastiques et Chaînes de Markov
16
II. a) Processus stochastique et chaîne stochastique ___________________________ 16
II. b) Chaînes de Markov _________________________________________________ 16
Section III. Notion de stationnarité _________________________________________ 17
III. a) Equations régissant la chaîne stochastique _____________________________ 17
III. b) Equations régissant la chaîne stochastique stationnaire __________________ 17
III. c) Régime permanent _________________________________________________ 18
Section IV. Notions de processus de naissance, processus de Poisson, processus de naissance
et de mort 20
IV. a) Processus de naissance ______________________________________________ 20
IV.a.1) Définition ______________________________________________________________ 20
IV.a.2) Equations régissant le système d’un processus de naissance ______________________ 20
IV. b) Processus de Poisson _______________________________________________ 22
IV.b.1) Définition______________________________________________________________ 22
IV.b.2) Loi de Poisson __________________________________________________________ 23
IV.b.3) Loi exponentielle ________________________________________________________ 24
IV.b.4) Cas de processus de Poisson dans les bureaux de poste __________________________ 25
IV. c) Processus de Naissance et de Mort ____________________________________ 27
IV.c.1) Définition ______________________________________________________________ 27
IV.c.2) Equation régissant l’évolution du système_____________________________________ 28
IV.c.3) Processus stationnaire de Poisson comme cas particulier de processus de naissance et de mort :
____________________________________________________________________________ 28
IV.c.4) Etude du régime permanent éventuel du processus de naissance et de mort (calcul de pn) 29
Section V. Application au problème des coupures de connexion du réseau CCP ______ 31
V. A. Loi et moyenne du nombre de terminaux en panne en régime permanent ____ 31
Chapitre 2. GENERALITES SUR LES FILES D’ATTENTE______________________ 34
Section I. Présentation ___________________________________________________ 34
I. a) Définition __________________________________________________________ 34
I. b) Caractéristiques et notation ___________________________________________ 35
I.b.1) Phénomènes d’impatience __________________________________________________ 35
I. c) Mesures de performance______________________________________________ 36
I. d) Fonction économique ________________________________________________ 37
I. e) Système d’attente à arrivées poissoniennes et service exponentiel ____________ 37
Section II. Système M/M/1 (Un seul guichet) _________________________________ 37
II. a) Présentation _______________________________________________________ 37
121
II. b) Quantités caractéristiques du système d’attente M/M/1 ___________________ 39
II.b.1) Probabilité d’attente zéro – Probabilité d’attente non nulle ________________________ 39
II.b.2) Probabilité d’une attente supérieure à x _______________________________________ 39
II.b.3) Nombre moyen de clients dans le système _____________________________________ 40
II.b.4) Nombre moyen de clients dans la file _________________________________________ 40
II.b.5) Temps moyen de séjour dans le système ______________________________________ 41
II.b.6) Temps moyen d’attente ____________________________________________________ 42
II. c) Variation des mesures de la qualité en fonction du facteur d’utilisation  ____ 43
Section III. Distributions non poissoniennes __________________________________ 44
III. a) Temps de service à distribution d’Erlang ______________________________ 45
III. b) Temps de service à distribution hyperexponentielle ______________________ 47
III. c) Arrivées poissoniennes - Service selon une loi quelconque _________________ 49
Section IV. Système M/M/S (Généralisation à S guichets) _______________________ 49
IV. a) Présentation _____________________________________________________ 49
IV. b) Quantités caractéristiques du système d’attente M/M/S _________________ 52
IV.b.1) Nombre moyen de clients en attente _________________________________________ 52
IV.b.2) Nombre moyen de guichets occupés – Nombre moyen de guichets inoccupés _________ 52
IV.b.3) Nombre moyen de clients dans le système ____________________________________ 53
IV.b.4) Temps moyen de séjour dans le système ______________________________________ 53
IV.b.5) Temps moyen d’attente ___________________________________________________ 53
IV.b.6) Probabilité d’une attente non nulle __________________________________________ 54
IV.b.7) Probabilité d’une attente supérieure à un temps x – Fonction de répartition du temps d’attente 54
Chapitre 3. OBSERVATION DU TRAFIC _________________________________ 57
Section I. Variation de la demande sur les services CCP ________________________ 57
I. a) Variation trimestrielle des VAC au niveau des bureaux de la wilaya _________ 58
Conclusions __________________________________________________________________ 59
Interprétation des résultats _______________________________________________________ 59
I. b) Variation des PAV et VAC au centre payeur ____________________________ 60
Section II. Phénomène du flux des clients : variation et tendances _________________ 65
II. a) Homogénéité du flux de clients dans le mois _____________________________ 65
Analyse des résultats ___________________________________________________________ 71
II. b) Localisation des périodes de forte affluence _____________________________ 75
Chapitre 4. MODELISATION DU PHENOMENE ___________________________ 83
Section I. Structure du système d’attente au centre payeur _______________________ 83
I. a) Structure et fonctionnement du système d’attente _________________________ 83
I. b) Modélisation du phénomène __________________________________________ 85
I. b. 1) Regroupement des catégories de demandes ____________________________________ 85
I.b.2) Dépendance entre taux de service des deux serveurs ______________________________ 87
II. a) Loi des arrivées ____________________________________________________ 89
II. b) Loi des services ____________________________________________________ 93
II.b.1) Temps de service du guichet de payement _____________________________________ 93
II.b.2) Correction à faire pour intégrer la contribution du guichet de saisie _________________ 96
IIb.2.1) Taux de service du guichet de saisie _________________________________________ 96
II.b.2.2) Correction du taux de service ______________________________________________ 96
122
Section III. Limites et fonctionnement du système ______________________________ 97
III. a) Postes à guichet de payement unique __________________________________ 97
III. b) Postes à deux guichets de payement __________________________________ 101
CONCLUSIONS : _____________________________________________________ 102
RECOMMANDATIONS _________________________________________________ 103
BIBLIOGRAPHIE _____________________________________________________ 107
ANNEXES ________________________________________________________ 111
TABLE DES MATIERES ________________________________________________ 121
123
‫ بحثت هذه الرسالة‬.‫ ظاهرة صفوف االنتظار في مكاتب البريد باتت ظاهرة مستفحلة خاصة في المكاتب الكبيرة مثل مراكز الدفع‬:‫ملخص‬
.‫في كيفية تطبيق نظرية صفوف االنتظار على هذه الظاهرة بغرض قياس مؤشرات جودة الخدمة واألداء واقتراح طرق لتخفيف هذه الظاهرة‬
‫ وذلك على مكاتب البريد عموما ومكتب بريد‬.‫ واأليام‬،‫ األشهر‬،‫تطلب البحث البدأ بإجراء دراسات إحصائية تغير الطلب بين الثالثيات‬
‫ بحيث أن التاريخ في الشهر هو المحدد األساسي في هذا التغير‬،‫ تبين من هذه الدراسات وجود موسمية يومية‬.‫"مسيلة حضنة" خصوصا‬
‫ تم بعد ذلك القيام بدراسة تحليلية‬.‫ مما يعني أنه لتمثيل الظاهرة نحتاج لدراسة التغير اليومي داخل الشهر‬، ‫وليس الشهر نفسه أو الثالثي‬
.M/M/S ‫ تمثيل الظاهرة من خالل نموذج‬،‫ بشروط وبكيفية معينة‬،‫ حيث اتضح أنه من الممكن‬،‫لهيكل نظام االنتظار بمركز الدفع المذكور‬
.‫ هما متوسط مدة االنتظار ومتوسط طول صف االنتظار‬،‫هذا التمثيل سمح بقياس قيمة وتغير مؤشرين أساسيين من مؤشرات الجودة‬
‫تناولت الرسالة أيضا ظاهرة االنتظار من زاوية أخرى هي انقطاع اتصال المطارف كما يرصدها مركز التضخيم الهرتزي على مستوى كل‬
‫ في هذا المجال اعتمدنا متوسط عدد المطارف المقطوعة عن االتصال كمؤشر للجودة وقمنا بتمثيل ظاهرة انقطاع االتصال من‬.‫والية‬
.‫خالل عملية عشوائية لميالد وموت‬
.‫ انقطاع االتصال‬،M/M/S ‫ نموذج‬،‫ جودة الخدمة‬،‫ صفوف االنتظار‬،‫ مركز الدفع‬،‫ مكتب بريد‬:‫الكلمات المفتاحية‬
Abstract: The problem of the waiting lines in the post offices is taking alarming proportions, especially
in major offices such as Payment Centers. This thesis applies Queuing Theory to measure performance
and quality parameters and suggest solutions to alleviate the problem.
We first studied statistically the variation of the traffic in the post offices in general and fluctuation of
the client’s arrival to Msila Hodna Payment Center in particular. The result showed a seasonality into
the month, meaning that the traffic variation depends on the day of the month (note the month or the
season), this means that to model the phenomenon we should study the daily fluctuation into a month.
We then analyzed the structure of the waiting system at the payment center and established that an
M/M/S model can be applied, under some conditions, to quantify the phenomenon, and hence measure -
among other - two major quality indicators, the average time of waiting and the average length of the
file. We also treated another aspect of the problem, namely the cuts of connection of terminals,
considered at C A. H. (Center of Hertzian Amplification) of the district (Wilaya). We then suggested the
average number of terminals broken down of connection as indicator of quality, and quantified this
parameter as process of birth and death.
Key-words: Post office, centers of payment, waiting system, service quality, M/M/S model, connection
cuts.
Résumé : Le problème de l’attente est en train de prendre des proportions alarmantes aux bureaux de
poste, en particulier aux grands bureaux, tels les centres de payement. Cette thèse applique la théorie
des files d’attente pour mesurer les paramètres du phénomène et proposer des solutions pour apaiser le
problème.
Dans ce but, on a d'abord étudié statistiquement la variation dans le temps du trafic dans les bureaux
de postes en générale et la cadence d’arrivée de client au centre payeur de payement de M’sila Hodna.
Cette étude a montré l’existence d’une saisonnalité journalière à l’intérieur du moi, ce qui signifie que
c’est la date du mois (et non le mois ou la saison) qui constitue le facteur majeur de variation. Cela
signifie que pour représenter le phénomène il y a lieu d’étudier la fluctuation journalière à l’intérieur
du mois. On a ensuite analysé la structure du système d'attente au centre de payement concerné. On a
alors établi que, sous quelques conditions, que le phénomène peut être représenté par un modèle M/M/S.
Cela a permet de mesurer en particulier deux indicateurs de la qualité : le temps moyen d'attente et la
longueur moyenne de la file. Concernant un autre aspect du problème, à savoir les coupures de
connexion de terminaux, considérées au C. A. H. de wilaya (Centre d'Amplification Hertzienne), on a
proposé comme indicateur de qualité le nombre moyen de terminaux en panne de connexion. Pour le
quantifier, on a considéré le phénomène aléatoire des coupures comme processus de naissance et de
mort.
Mots clés : Bureau de poste, centre de paiement, système d’attente, qualité de service, modèle M/M/S,
coupures de connexion.
View publication stats

File d’attente

Transféré par

Droits d'auteur :

Formats disponibles

File d’attente

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

File d’attente

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Application de la théorie des ﬁles d'attente pour mesurer la qualité de service

Thesis · June 2004

The user has requested enhancement of the downloaded file.

UNIVERSITE MOHAMED BOUDIAF DE M'SILA

FACULTE DES SCIENCES ECONOMIQUES, SCIENCES COMMERCIALES ET

DEPARTEMENT DES SCIENCES COMMERCIALES

En vue de l’obtention du diplôme de

APPLICATION DE LA THEORIE DES FILES D’ATTENTE POUR MESURER LA

Thèse soutenue le : 08/06/2004

M. YAGOUBI Maître de conférence Président U. M. B. de M’sila

Qu’il me soit permis de dédier ce travail à la mémoire de ma mère,

Ce travail n’aurait pu être réalisé sans le consentement et l’aimable compréhension de

Je suis également reconnaissant à Monsieur Nouredine OUKACI Coordinateur de l’Unité

INTRODUCTION GENERALE ___________________________________________ 7

▪ la consultation de l’avoir consiste à renseigner le client sur le solde de son compte

INTRODUCTION GENERALE ___________________________________________ 7

Pour étudier un phénomène d’attente on le rapporte généralement à un système décrit par

Section I. Définition et présentation générale

4 R. FAURE, -Précis de Recherche Opérationnelle, 4ème édition, Dunod, Paris, 1979, p. 1.

Section II. Notion de processus stochastiques, Chaînes stochastiques et Chaînes de

7 L. KLEINROCK, -Queuing systems, Vol. I (Theory), I. Wiley. N. Y. 1975, p. 20.

Pjk(τ) ne dépend que de τ, pour chaque couple (j, k).

Section III. Notion de stationnarité

les pnn’(i) étant données.

III. b) Equations régissant la chaîne stochastique stationnaire

pn’ (i+1) = p (i) . p

les pnn’ et les pn(0) étant données,

avec 0 ≤ pnn’ ≤ 1 (1.9)

 p00 p01 p02   

Où [1] est la matrice unité de même ordre que [T].

 p20 p21 p22 − 1   

9 A. KAUFMANN et R. CRUON, -Les phénomènes d’attente, Dunod, Paris, 1961, p. 10.

Les éléments de [D] sont notés dnn’ :

L’équation (1.11) peut s’écrire :

Limi→∞ [p(i)] = [p(∞)] = [p] (1.23)

[p(∞)] = [p(∞)] . [T] , (1.24)

ou encore : [p(∞)] . [D] = [0] (1.25)

Section IV. Notions de processus de naissance, processus de Poisson, processus de

Pour n’ < n pnn’ (t) = 0 (pas de disparition), (1.26)

IV.a.2) Equations régissant le système d’un processus de naissance

po(o) = 1 et pn(0) = 0 pour n ≥ 1. (1.28)

1–λ0Δt 1–λ1Δt 1–λ2Δt 1–λn–1Δt 1–λnΔt . . . pr. de transition

0 λ0Δt 1 λ1Δt 2 λn–2Δt n–1 λn–1Δt n λnΔt . . . États du système

Figure 1. Processus de naissance

Au graphe correspond la matrice de transition suivante :

0 1–λ0Δt λ0Δt 0 0 0 0 0 ...

Les probabilités d’état du système s’écrivent comme suit :

p0(t+Δt) = p0(t) . (1– λ0Δt) + 0

De la dernière formule nous obtenons, lorsque Δt tend vers 0, la dérivée p’n(t) :

IV. b) Processus de Poisson

1–λΔt 1–λΔt 1–λΔt 1–λΔt 1–λΔt 1–λΔt . . . pr. de transition

0 λΔt 1 λΔt 2 n-1 λΔt n λΔt n+1 λΔt États du système

Figure 2. Processus de Poisson

0 1–λΔt λΔt 0 0 0 0 0 ...

IV.b.2) Loi de Poisson

IV.b.3) Loi exponentielle

La fonction de densité de probabilité f(τ) s’obtient par la dérivée première de F(τ) :

IV.b.4) Cas de processus de Poisson dans les bureaux de poste

IV.b.4.1) Processus de Poisson à deux types d’arrivée