deutsch     english    français     Imprimer

 

8.4 TEMPS MOYEN D‘ATTENTE

 

 

INTRODUCTION

 

De nombreux systèmes présentent un comportement temporel qui peut être décrit par des transitions d’un état à l’autre. La transition d’un état système Zi à un état suivant Zk est déterminée par la probabilité pik. Dans l’exemple suivant, on jette un dé et l’on considère le nombre de faces du dé différentes déjà survenues comme une variable d’état:

Z0: Encore aucun jet effectué
Z1: Un jet effectué
Z2: Deux faces différentes sont déjà survenues
etc.

On peut illustrer la transition entre les états dans le schéma suivant o chaîne de Markov 

Les probabilités sont interprétées de la manière suivante : si l’on a déjà obtenu n faces différentes, la probabilité d’obtenir à nouveau une de ces faces vaut n/6 tandis que la probabilité d’obtenir une face encore jamais survenue vaut (6-n)/6. Vous pouvez essayer de déterminer combien de fois il faut relancer le dé en moyenne pour que toutes les faces apparaissent au moins une fois.

CONCEPTS DE PROGRAMMATION:
chaine de Markov, temps d’attente, paradoxe du temps d’attente.

 

 

TEMPS MOYEN D’ATTENTE

 

Si l’on jette le dé à intervalles de temps réguliers, la question précédente revient à déterminer le temps nécessaire pour que toutes les faces surviennent au moins une fois. On appelle ceci le temps moyen d’attente. On peut déterminer ce temps en faisant la réflexion suivante : le temps moyen pour passer de Z0 à Z6correspond à la somme des temps d’attente pour l’ensemble des transitions. Mais que vaut alors le temps d’attente de chaque transition individuelle?

Notre premier programme met en évidence la propriété la plus essentielle des problèmes de temps d’attente:

Si p est la probabilité de passer de Z1 à Z2le temps d’attente s’élève environ à u = 1/p (dans une unité appropriée).

Dans la simulation suivante, on cherche à déterminer le temps d’attente nécessaire pour obtenir une certaine face, par exemple un 6. Dans le cas présent, une étape de la simulation ne consiste pas en un unique jet de dé. En effet, on lance le dé aussi souvent que nécessaire jusqu’à l’obtention d’un 6 au sein de la fonction sim() qui retourne le nombre de jets qui ont été nécessaires. On répète l’expérience 10'000 fois et on calcule le nombre moyen de jets nécessaires.

Parallèlement, on affiche le nombre de jets nécessaires pour obtenir un 6 dans un diagramme de fréquences avec k = 1, 2, 3,...  (on s’arrête à k = 50).

 


from gpanel import *
from random import randint
n = 10000
p = 1/6

def sim():
    k = 1
    r = randint(1, 6)
    while r != 6:
        r = randint(1, 6)
        k += 1
    return k

makeGPanel(-5, 55, -200, 2200)
drawGrid(0, 50, 0, 2000)
title("Waiting on a 6")
h = [0] * 51
lineWidth(5)
count = 0
repeat n:
    k = sim()
    count += k
    if k <= 50:
        h[k] += 1
        line(k, 0, k, h[k])
mean_exp = count / n

lineWidth(1)
setColor("red")
count = 0
for k in range(1, 1000):
    pk = (1 - p)**(k - 1) * p
    nk = n * pk
    count += nk * k
    if k <=50:
        line(k, 0, k, nk)
mean_theory = count / n
title("Experiment: " + str(mean_exp) + "Theory: " + str(mean_theory))
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

 

 

MEMENTO

 

Le résultat est intuitivement évident : puisque la probabilité d’obtenir une des faces du dé vaut p=1/6, il faut en moyenne u = 1 / p = 6 jets pour obtenir cette face.

Il est également instructif d’afficher la valeur théorique des fréquences comme une ligne rouge. Pour ce faire, il faut tenir compte des considérations suivantes en ce qui concerne la probabilité d’obtenir un 6:

  • Un 6 lors du premier jet: p1 = p
  • Pas de 6 dans le premier jet, mais 6 au second jet:  p2 = (1 - p) * p
  • Pas de 6 lors des deux premiers jets, mais 6 lors du troisième:  p3 = (1 - p) * (1 - p) * p 
  • Pas de 6 lors des (k-1) premiers jets, mais 6 au k-ième jet::  pk = (1 - p)k-1 * p

Pour obtenir les fréquences théoriques, on multiplie ces probabilités par le nombre n d’essais [plus... Avec un peu d'algèbre, on peut montrer que l’espérance du temps d’attente qui est la somme des pk * k vaut exactement 1/p ].

 

 

PROGRAMMER AU LIEU DE CALCULER

 

Pour résoudre le problème défini précédemment consistant à calculer le temps d’attente moyen jusqu’à ce que toutes les faces apparaissent au moins une fois, on décide d’adopter l’approche théorique. On interprète le processus comme une chaîne de Markov et l’on ajoute les temps d’attente de chaque transition individuelle:

u = 1 + 6/5 + 6/4 + 6/3 + 6/2 + 6 = 14.7

On pourrait aussi adopter une approche empirique consistant à écrire un simple programme permettant de déterminer ce nombre à l’aide d’une simulation. Pour ce faire, on procède toujours de la même manière : on définit une fonction sim() dans laquelle l’ordinateur recherche une seule solution en utilisant les nombres aléatoires. Cette fonction retourne le nombre d’étapes nécessaires. On répète ensuite cette tâche de nombreuses fois, disons 1'000 fois, et l’on détermine la valeur moyenne.

La fonction sim() utilise une liste z dans laquelle on insère les faces qui ne s’y trouvent pas déjà. Dès que cette liste possède six éléments, on sait que toutes les faces du dé sont survenues.

from random import randint

n = 10000

def sim():
    z = []
    i = 0
    while True:
        r = randint(1, 6)
        i += 1
        if not r in z:
            z.append(r)
        if len(z) == 6:
            return i

count = 0
repeat n:
    count += sim()

print("Mean waiting time:", count / n)
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

 

 

MEMENTO

 

La simulation informatique livre la valeur 14,68 qui fluctue légèrement d’une fois à l’autre mais qui correspond à la prédiction théorique. On remarque donc que l’ordinateur peut être utilisé pour vérifier rapidement l’exactitude d’un résultat théorique. 

Cependant, la détermination théorique du temps d’attente peut devenir très complexe pour des problèmes pourtant relativement simples. Si, par exemple, on essaie de déterminer le temps moyen d’attente jusqu’à l’obtention d’une certaine somme des nombres, le problème est extrêmement simple à résoudre à l’aide d’une simulation informatique.

from random import randint

n = 10000
s = 7  # rolled count of the die numbers

def sim():
    i = 0
    total =  0
    while True:
        i += 1
        r = randint(1, 6)
        total += r
        if total >= s:
            break
    return i

count = 0
repeat n:
    count += sim()

print("Mean waiting time:", count / n)
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

 

 

MEMENTO

 

On obtient un temps moyen d’attente d’environ 2.52 jets pour obtenir une somme de 7. Ce résultat est assez surprenant puisque l’espérance pour chaque jet vaut 3.5. De ce fait, on peut admettre qu’il faut lancer le dé en moyenne deux fois pour obtenir une somme de points supérieure ou égale à 7. Le calcul théorique, au contraire de la simulation, peut facilement prendre des heures. Voici le résultat théorique : 117 577 / 46'656 = 2.5008.

De ce fait, même les mathématiciens utilisent l’ordinateur pour éprouver rapidement un résultat théorique et vérifier leurs hypothèses.

 

 

PROPAGATION D’UNE MALADIE

 

Bien qu’elle soit fictive, admettons l’histoire suivante puisqu’elle comporte certains parallèles avec le vécu réel de certaines communautés d’êtres vivants:

"100 personnes vivent sur une île des Caraïbes coupée du reste du monde. Un vieillard est touché par une maladie qu’il a contractée en mangeant de manière inconsidérée un oiseau migrateur malade. Lorsqu’un individu malade rencontre un individu en bonne santé, ce dernier tombe malade rapidement. Toutes les deux heures, deux personnes se rencontrent au hasard."

On veut déterminer par une simulation informatique la manière dont la maladie se répand. Pour ce faire, on détermine le nombre de personnes infectées en fonction du temps.
 


Une bonne façon de représenter cette situation consiste à travailler avec une liste de valeurs booléennes où le caractère « en bonne santé » est codé par False et « malade » est codé par True. L’avantage de cette structure de données réside dans le fait qu’au sein de la fonction pair(), l’interaction entre deux personnes peut simplement être réalisée à l’aide de la fonction logique OU (or):

1. personne avant 2. personne avant Les deux personnes après
saine (False) saine (False) saine (False)
saine (False) malade (True) maladel (True)
malade (True) saine (False) malade (True)
malade (True) malade (True) malade (True)

 

from gpanel import *
from random import randint

def pair():
    # Select two distinct inhabitants
    a = randint(0, 99)
    b = a
    while b == a:
        b = randint(0, 99)
    z[a] = z[a] or z[b]
    z[b] = z[a]

def nbInfected():
    count = 0
    for i in range(100):
        if z[i]:
            count += 1
    return count

makeGPanel(-50, 550, -10, 110)
title("The spread of an illness")
drawGrid(0, 500, 0, 100)
lineWidth(2)
setColor("blue")

z = [False] * 100
tmax =  500
t = 0
a = randint(0, 99) 
z[a] = True # random infected inhabitant
move(t, 1)

while t <= tmax:
    pair()
    infects = nbInfected()
    t += 1
    draw(t, infects)
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

 

 

MEMENTO

 

On observe un comportement temporel dans lequel la propagation de la maladie est lente au début, puis rapide, puis à nouveau lente. Ce comportement s’explique par le fait qu’au début, la probabilité qu’une personne malade rencontre une personne en bonne santé est relativement faible. Par la suite, puisque de nombreuses personnes sont malades, cette probabilité augmente fortement ce qui produit une propagation rapide de la maladie. Dans la dernière phase, comme il n’y a presque plus que des personnes malades, la probabilité qu’une personne saine et une personne malade se rencontrent devient à nouveau faible. [plus... Ce processus correspond tendanciellement à la croissance logistique d’une population].

 


Une question intéressante consiste à savoir combien il faut de temps en moyenne pour que toute la population de l’île tombe malade. On peut répondre à cette question directement à l’aide d’une simulation informatique exécutée de nombreuses fois sur une même population. On procède en comptant le nombre d’étapes de simulation nécessaires pour que tout le monde tombe malade.

from random import randint

n = 1000 # number experiment

def pair():
    # Select two distinct inhabitants
    a = randint(0, 99)
    b = a
    while b == a:
        b = randint(0, 99)
    z[a] = z[a] or z[b]
    z[b] = z[a]

def nbInfected():
    count = 0
    for i in range(100):
        if z[i]:
            count += 1
    return count

def sim():
    global z
    z = [False] * 100
    t = 0
    a = randint(0, 99) 
    z[a] = True # random infected inhabitant
    while True:
        pair()
        t += 1
        if nbInfected() == 100:
            return t

count = 0
for i in range(n):
    u = sim()
    print("Experiment #", i + 1, "Waiting time:", u)
    count += u
    
print( "Mean waiting time:", count / n)
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

On peut également illustrer la propagation de la maladie à l’aide d’une chaîne de Markov. Un état donné de la chaîne de Markov est caractérisé par le nombre de personnes infectées. Pour une population de 100 personnes, le temps nécessaire pour que tout le monde tombe malade correspond à la somme des temps d’attente pour chaque transition de k à k+1 personnes malades, pour k allant de 1 à 99. De plus, pour réaliser cette simulation, il est nécessaire de connaître la probabilité de transition pk.

La probabilité pk est la somme des probabilités de choisir en premier une personne malade et ensuite une personne saine ou vice-versa :

pk = (k)/ n * (n - k)/ n - 1 + (n - k)/   n * (  k  )/ n - 1 = 2* (k*(n - k))/ n*(n - 1)

Le programme représente également graphiquement les valeurs de pk et détermine la somme des inverses de pk.

 

 


from gpanel import *

n  = 100

def p(k):
    return 2 * k * (n - k) / n / (n - 1)

makeGPanel(-10, 110, -0.1, 1.1)
drawGrid(0, 100, 0, 1.0)

count = 0
for k in range(1, n - 1):
    if k == 1:
        move(k, p(k))
    else:
        draw(k, p(k))
    count += 1 / p(k)

title("Time until everyone is ill: " + str(count))
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

 

 

MEMENTO

 

En utilisant la théorie des chaines de Markov, on obtient donc un temps d’attente moyen de 463 heures jusqu’à ce que toutes les personnes de l’île soient infectées, ce qui correspond à environ 20 jours.

 

 

RECHERCHE DE PARTENAIRE À L’AIDE D’UN PROGRAMME

 

Une question intéressante en pratique concerne la stratégie optimale de recherche d’un partenaire de vie. On fait en l’occurrence l’hypothèse que cent partenaires possèdent des niveaux de qualification croissants. Ils seront présentés dans un ordre aléatoire et, dans une phase d’apprentissage, on a la possibilité de les ordonner correctement par niveau croissant de compétences en se basant sur les évaluations précédentes. Cependant, on ne connait pas le niveau de compétence maximal. Lors de chaque présentation, on doit décider si l’on accepte ou si l’on rejette le partenaire. Quelle est la meilleure stratégie pour s’assurer de choisir le meilleur partenaire avec une grande probabilité?

Pour cette simulation, on crée dans la fonction sim(x) une liste t de 100 niveaux de compétences de 0 à 99 ordonnés aléatoirement à l’aide de la fonction shuffle().

Ensuite, on passe à la phase de sélection débutant par une phase d’apprentissage de longueur x fixe lors de laquelle on détermine l’indice du partenaire ayant le niveau de compétence le plus élevé.

On simule ensuite ce processus 1000 fois en utilisant une valeur de x bien précise et l’on détermine la probabilité de choisir le meilleur partenaire pour cette valeur de x. On représente ensuite cette probabilité graphiquement en fonction de la longueur x de la phase d’apprentissage. 

 

 

 

from random import shuffle
from gpanel import *

n = 1000 # Number of simulations
a = 100 # Number of partners

def sim(x):
    # Random permutation [0..99]
    t = [0] * 100
    for i in range(0, 100):
        t[i] = i
    shuffle(t)
    best = max(t[0:x])
    for i in range(x, 100):
        if  t[i] > best:
            return [i, t[i]]    
    return [99, t[99]]

makeGPanel(-10, 110, -0.1, 1.1)
title("The probability of finding the best partner from  100")
drawGrid(0, 100, 0, 1.0)

for x in range(1, 100):
    count = 0
    repeat n:
        z = sim(x)
        if z[1] == 99:  # best score
            count += 1
    p = count / n
    if x == 1:
        move(x, p)    
    else:
        draw(x, p)    
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

 

 

MEMENTO

 

Apparemment, on a les meilleures chances de choisir le meilleur partenaire après une phase d’apprentissage de longueur 37 [plus... La valeur théorique est donnée par 100 / e].

 

 
On peut cependant aussi optimiser passablement la méthode d’échantillonnage en utilisant un critère d’optimalité qui ne recherche pas le meilleur partenaire absolu mais qui se contente d’un niveau aussi élevé que possible. Pour se faire, on examine à l’aide d’une simulation similaire le niveau de qualification moyen du partenaire sélectionné pour une longueur x de la phase d’apprentissage.
 

from random import shuffle
from gpanel import *

n = 1000 # Number of simulations

def sim(x):
    # Random permutation [0..99]
    t = [0] * 100
    for i in range(0, 100):
        t[i] = i
    shuffle(t)
    best = max(t[0:x])
    for i in range(x, 100):
        if  t[i] > best:
            return [i, t[i]]    
    return [99, t[99]]

makeGPanel(-10, 110, -10, 110)
title("Mean qualification after waiting for a  partner")
drawGrid(0, 100, 0, 100)

for x in range(1, 99):
    count = 0
    repeat n:
        u = sim(x)
        count += u[1]
    y = count / n
    if x == 1:
       move(x, y)
    else:
       draw(x, y)
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

 

 

MEMENTO

 

Ce deuxième critère d’optimalité livre un résultat complètement différent : il faut choisir le prochain partenaire ayant les meilleures compétences déjà après une phase d’apprentissage d’environ 10 présentations.

On peut également effectuer la simulation pour un nombre de partenaires plus réaliste et observer que la phase d’apprentissage optimale demeure relativement courte.

 

 

PARADOXE DU TEMPS D’ATTENTE

 

Attendre un transport public à l’arrêt de bus ou à la gare fait partie intégrante de notre vie quotidienne. Nous allons tenter de déterminer le temps moyen d’attente à l’arrêt de bus pour une personne qui s’y rend de manière aléatoire, à savoir sans connaître l’horaire. On suppose tout d’abord qu’un transport s’arrête à la station exactement toutes les 6 minutes.

Il est clair qu’il faudra parfois attendre juste quelques secondes et parfois le temps maximal de 6 minutes. Il faut donc en moyenne attendre environ 3 minutes. Qu’en est-il par contre si les bus n’arrivent pas à intervalles réguliers mais avec une distribution uniforme de temps compris entre 2 et 10 minutes?

 

 

Puisque les transports arrivent également toutes les 6 minutes en moyenne dans cette situation, on pourrait croire que le temps d’attente moyen est également de 3 minutes. Le résultat surprenant, et donc paradoxal, est que le temps d’attente est dans ce cas supérieure à 3 minutes.

Pour s’en convaincre, on utilise une simulation animée permettant de déterminer le temps moyen d’attente sous l’hypothèse que les bus arrivent à l’arrêt de bus espacés par un intervalle de temps uniformément distribué entre 2 et 10 minutes. Dans la simulation, les minutes seront des secondes pour accélérer le processus. On peut se servir de la bibliothèque de jeux JGameGrid puisqu’elle permet de modéliser facilement des objets tels que des bus et des passagers à l’aide de sprites.

Le code du programme requiert certainement quelques explications :

Puisque l’on a affaire à des objets de type bus et passagers, ont modélise ceci à l’aide des classes Bus et Passenger. Les bus sont créés au sein d’une boucle infinie à la fin de la partie principale du programme en accord avec les implications statistiques de notre hypothèse. Lorsque la fenêtre graphique est fermée, la boucle infinie se termine puisque la méthode isDisposed() renvoie alors la valeur False, ce qui a pour effet de terminer le programme.

Les passagers doivent être générés périodiquement et affichés dans la queue. Le meilleur moyen de réaliser ceci est de définir une classe PassengerFactory qui dérive de la classe Actor. Bien que cette dernière ne possède pas d’image de sprite, sa méthode act() peut être utilisées pour générer des passagers et les insérer dans la grille de jeu GameGrid. On peut changer la période avec laquelle les objets sont générés à l’aide du compteur de cycles nbCycles (le cycle de simulation est fixé à 50 ms).

On fait avancer le bus à l’aide de la méthode act() de la classe Bus et on vérifie s’il est arrivé à l’arrêt à l’aide de ses coordonnées x. Lorsque le bus parvient à l’arrêt, on invoque la méthode board() de la classe PassengerFactory qui a pour effet de supprimer de la queue les passagers en attente. Simultanément, on change l’image de sprite du bus avec show(1) et l’on affiche le nouveau temps d’attente jusqu’à l’arrivée du prochain bus sur le panneau. On utilise la variable booléenne isBoarded pour garantir que ces actions ne soient effectuées qu’une seule fois.

Le panneau (scoreboard), qui est une instance de la classe InformationPanel constitue un gadget supplémentaire permettant d’afficher le temps jusqu’à l’arrivée du prochain bus. L’écran du panneau d’affichage sera mis à jour dans la méthode act() en sélectionnant une des 10 images de sprite (digit_0.png à digit_9.png)grâce la fonction show().

from gamegrid import *
from random import random, randint
import time

min_value = 2
max_value = 10

def random_t():
    return min_value + (max_value - min_value) * random()

# ---------------- class PassengerFactory ----------
class PassengerFactory(Actor):
    def __init__(self):
        self.nbPassenger = 0

    def board(self):
        for passenger in getActors(Passenger):
            passenger.removeSelf()
            passenger.board()
        self.nbPassenger = 0
    
    def act(self):
        if self.nbCycles % 10 == 0:
            passenger = Passenger(
            
            randint(0, 1))
            addActor(passenger, Location(400, 120 + 27 * self.nbPassenger))
            self.nbPassenger += 1

# ---------------- class Passenger -----------------
class Passenger(Actor):
    totalTime = 0
    totalNumber = 0

    def __init__(self, i):
        Actor.__init__(self, "sprites/pupil_" + str(i) + ".png")
        self.createTime = time.clock()

    def board(self):
        self.waitTime = time.clock() - self.createTime
        Passenger.totalTime += self.waitTime
        Passenger.totalNumber += 1
        mean = Passenger.totalTime / Passenger.totalNumber
        setStatusText("Mean waiting time: " + str(round(mean, 2)) + " s")
          
# ---------------- class Car -----------------------
class Bus(Actor):
    def __init__(self, lag):
        Actor.__init__(self, "sprites/car1.gif")
        self.lag = lag
        self.isBoarded = False

    def act(self):
        self.move()
        if self.getX() > 320 and not self.isBoarded:
            passengerFactory.board()
            self.isBoarded = True
            infoPanel.setWaitingTime(self.lag)
        if self.getX() > 1650:
            self.removeSelf()
     
# ---------------- class InformationPanel ----------
class InformationPanel(Actor):
    def __init__(self, waitingTime):
        Actor.__init__(self, "sprites/digit.png", 10)
        self.waitingTime = waitingTime

    def setWaitingTime(self, waitingTime):
        self.waitingTime = waitingTime
    
    def act(self):
        self.show(int(self.waitingTime + 0.5))
        if self.waitingTime > 0:
            self.waitingTime -= 0.1

periodic = askYesNo("Departures every 6 s?")
makeGameGrid(800, 600, 1, None, None, False)
addStatusBar(20)
setStatusText("Acquiring data...")
setBgColor(Color.white)
setSimulationPeriod(50)
show()
doRun()
if periodic:
    setTitle("Warting Time Paradoxon - Departure every 6 s")
else:
    setTitle("Waiting Time Paradoxon - Departure between 2 s and 10 s")

passengerFactory = PassengerFactory()
addActor(passengerFactory, Location(0, 0))

addActor(Actor("sprites/panel.png"), Location(500, 120))
addActor(TextActor("Next Bus"), Location(460, 110))
addActor(TextActor("s"), Location(540, 110))
infoPanel = InformationPanel(4)
infoPanel.setSlowDown(2)
addActor(infoPanel, Location(525, 110))

while not isDisposed():
    if periodic:
        lag = 6
    else:
        lag = random_t()
    bus = Bus(lag)
    addActor(bus, Location(-100, 40))
    a = time.clock()
    while time.clock() - a < lag and not isDisposed():
        delay(10)
Sélectionner le code (Ctrl+C pour copier, Ctrl+V pour coller)

 

 

MEMENTO

 

La simulation montre bien que le temps moyen d’attente se situe aux alentours de 3.5 minutes, ce qui est clairement plus long que les 3 minutes d’attente nécessaires dans le cas où les bus sont tous espacés de 6 minutes exactement. On peut expliquer cette différence de la manière suivante : il est bien plus probable d’arriver à l’arrêt de bus lorsque le panneau affiche un temps d’attente compris entre 2 et 10 minutes que lorsqu’il affiche un temps compris entre 0 et 2 minutes. De ce fait, on a de fortes chances d’attendre plus que 3 minutes.

 

 

EXERCICES

 

1.


Un enfant reçoit quotidiennement une pièce de 10, 20 ou 50 centimes avec une probabilité égale de 1/3. Combien de jours doit-il attendre en moyenne pour pouvoir s’acheter un livre qui coûte 10 francs?

2.

Une personne perdue se déplace à partir du milieu de la fenêtre en faisant des pas de 10 pixels dans une direction aléatoire (marche aléatoire = random walk). Quel est le temps moyen u jusqu’à ce que cette personne se trouve pour la première fois éloignée d’une distance r de son point de départ ? Simuler ce mouvement à l’aide d’une tortue (cachée) pour les valeurs r = 100, 200, 300. D’après vous, quelle est la relation entre r et u?


3.

Modifier le programme de simulation du paradoxe de temps d’attente à l’arrêt de bus de telle sorte que les bus arrivent soit après 2 secondes soit après 10 secondes avec une égale probabilité de ½. Déterminer le temps moyen d’attente dans ce cas de figure.