La proportion totale de paquets perdus sur une distance de 10 mètres est donnée par l'intégrale du taux de perte de paquets $P(d) = 0.01d$ sur l'intervalle $[0, 10]$ :
$\text{Perte totale} = \int_{0}^{10} P(d) dt = \int_{0}^{10} 0.01d \, dd = 0.01 \int_{0}^{10} d \, dd$.
Primitive de $d$ est $\frac{d^2}{2}$.
$0.01 \int_{0}^{10} d \, dd = 0.01 \left[ \frac{d^2}{2} \right]_{0}^{10} = 0.01 \left( \frac{10^2}{2} - \frac{0^2}{2} \right) = 0.01 \cdot \frac{100}{2} = 0.01 \cdot 50 = 0.5$.
La proportion totale de paquets perdus sur 10 mètres est de 0.5, soit 50%.
Interprétation 1 : Le taux de perte de paquets $P(d)$ est donné en "proportion de paquets perdus par unité de distance". Puisque la distance $d$ est en mètres, l'unité de $P(d)$ est m$^{-1}$ (par mètre). Un taux de perte qui augmente linéairement avec la distance signifie que pour chaque mètre supplémentaire que l'on s'éloigne de l'émetteur, la proportion de paquets perdus augmente de manière constante. Par exemple, si $P(d) = 0.01d$, à 1 mètre, le taux de perte est de 0.01 par mètre, à 2 mètres, il est de 0.02 par mètre, et ainsi de suite.
Interprétation 2 : Une perte totale de paquets de 50% sur une distance de 10 mètres est une dégradation très significative de la qualité de service. En général, un taux de perte de paquets supérieur à 10% est considéré comme inacceptable pour la plupart des applications réseau, en particulier pour le streaming vidéo, les jeux en ligne ou les appels VoIP. Avec une perte de 50%, la communication deviendrait très peu fiable et de mauvaise qualité, voire inutilisable.
Interprétation 3 : Pour calculer une "distance moyenne sur laquelle un paquet est transmis avec succès avant d'être perdu", on peut interpréter $P(d)$ comme une densité de probabilité de perte en fonction de la distance. Cependant, tel quel, $P(d)$ n'est pas une densité de probabilité car son intégrale sur $[0, 10]$ n'est pas égale à 1, mais à 0.5. Pour simplifier, considérons que $P(d)$ représente la *probabilité de perte par mètre parcouru*. Une interprétation conceptuelle pourrait être de considérer l'inverse du taux de perte comme une indication de la "distance moyenne avant perte". Si on prend l'inverse de $P(d)$, soit $\frac{1}{P(d)} = \frac{1}{0.01d} = \frac{100}{d}$, cela ne fonctionne pas bien car tend vers l'infini quand $d \to 0$.
Une autre approche, plus intuitive mais moins rigoureuse ici, serait de considérer que la distance moyenne avant perte est liée à l'inverse du *taux de perte moyen*. Le taux de perte moyen sur 10m est $\frac{1}{10} \int_{0}^{10} 0.01d \, dd = \frac{0.5}{10} = 0.05$ m$^{-1}$. L'inverse de ce taux moyen, $\frac{1}{0.05} = 20$ mètres, pourrait *intuitivement* suggérer une échelle de distance typique avant qu'une perte devienne probable, mais ce n'est pas une distance moyenne au sens statistique strict dans ce modèle simple. Une approche plus rigoureuse nécessiterait de reformuler le problème en termes de temps avant la première perte, ou distance avant la première perte, avec une distribution de probabilité adéquate, ce qui dépasse le cadre de cet exercice introductif.
Interprétation 4 : Le modèle $P(d) = 0.01d$ est irréaliste pour de très grandes distances car il prédit que le taux de perte de paquets continuerait à augmenter linéairement avec la distance, sans limite. Pour de grandes distances, le taux de perte ne peut pas dépasser 1 (100%, perte totale). De plus, dans la réalité, l'atténuation du signal et donc le taux de perte tendent à se stabiliser à un niveau élevé après une certaine distance, au lieu de continuer à croître indéfiniment. Pour améliorer le modèle pour de grandes distances, on pourrait utiliser une fonction qui sature vers une valeur maximale (par exemple 1) à mesure que $d$ augmente. On pourrait envisager un modèle exponentiel approchant 1 asymptotiquement, ou une fonction sigmoïde, ou simplement limiter la fonction linéaire à une valeur maximale de 1 au-delà d'une certaine distance. Par exemple, on pourrait définir $P(d) = \min(0.01d, 1)$ ou utiliser une forme comme $P(d) = 1 - e^{-0.01d}$ (qui s'approche de 1 quand $d \to \infty$ et est proche de $0.01d$ pour petit $d$).
Vérification XCAS :
// Integrale de P(d) = 0.01d de 0 à 10
integrate(0.01*d, d=0..10) // Doit retourner 0.5
XCAS confirme que l'intégrale est bien 0.5.