Académique Documents
Professionnel Documents
Culture Documents
I- PR
ESENTATION
De nombreux phenom`enes aleatoires se manifestent par des arrivees survenant une
par une `a des instants aleatoires successifs.
Exemples :
arrivees dappels `a un central telephonique ;
impacts de micrometeorites sur un satellite ;
passage de vehicules `a un peage dautoroute ;
arrivees de clients `a un guichet, occurrence daccidents dans une ville, pannes de
machines dans une usine...
De tels phenom`enes peuvent se denir par la famille (S
n
)
nIN
:
T
1
= S
1
et T
n
= S
n
S
n1
pour tout n 2.
Ainsi, la connaissance de la famille (S
n
)
nIN
.
26 Processus de Poisson
Dautre part, S
n
t signie que le n-i`eme evenement a eu lieu `a linstant t ou avant,
cest-`a-dire qu`a linstant t, au moins n evenements ont eu lieu, cest-`a-dire que N
t
n.
Ainsi
F
Sn
(t) = P([S
n
t]) = P([N
t
n]) = 1
n1
k=0
P([N
t
= k])
et
P([N
t
= n]) = P([N
t
n]) P([N
t
n + 1]) = P([S
n
t]) P([S
n+1
t]).
Par consequent, la connaissance de (N
t
)
tIR+
equivaut `a celle de la famille (S
n
)
nIN
.
II- D
et pour tous t
1
, , t
n
tels que t
1
< t
2
< t
n
,
les accroissements N
t
1
N
0
, N
t
2
N
t
1
, , N
tn
N
t
n1
sont des variables aleatoires
independantes.
Les processus veriant cette hypoth`ese sont assez nombreux : il semble en eet assez
naturel que les arrivees se produisant dans des intervalles disjoints ne soient pas liees entre
elles.
Denition 3 : Le processus est dit stationnaire (ou homog`ene dans le temps), si pour
tout s et pour tout t, laccroissement N
t+s
N
s
a meme loi que N
t
.
Remarque : Cette propriete est semblable `a laxiome dhomogeneite pour les chanes
de Markov : seule la duree ecoulee entre deux instants (et non pas les deux instants eux-
memes) compte pour determiner la loi de laccroissement.
Si cette propriete semble relativement naturelle pour certains types darrivees, comme
par exemple pour les pannes survenant dans un parc de machines qui fonctionnent en
continu et toujours de la meme facon, elle ne sera certainement pas realisee pour des pro-
cessus representant des arrivees `a pics saisonniers (par exemple le nombre de passages
de vehicules au peage autoroutier de Bandol du 14 juillet au 15 ao ut ne suit pas la meme
loi que celui des vehicules du 17 octobre au 18 novembre).
Processus aleatoires et modelisation 27
Denition 4 : Un processus `a accroissements independants stationnaire (N
t
)
tIR+
est
dit `a evenements rares si lim
h0+
P([N
h
> 0]) = 0 et si lim
h0+
P([N
h
>1])
P([N
h
=1])
= 0.
Remarque : La deuxi`eme propriete traduit limprobabilite darrivees simultanees.
Si on pose f(t) = P([N
t
= 0]) ( et donc f(0) = 1), la premi`ere hypoth`ese traduit la
continuite de f en 0, car P([N
h
> 0]) = 1 f(h) et donc lim
h0+
f(h) = f(0).
Denition 5 :Un processus de comptage (N
t
)
tIR+
tel que N
0
= 0 est un processus de
Poisson si :
C1 : (N
t
)
tIR+
est stationnaire
C2 : (N
t
)
tIR+
est un processus `a accroissements independants ;
C3 : (N
t
)
tIR+
est un processus `a evenements rares .
Le nom donne au processus de Poisson sexplique par ce qui suit :
Proriete : Un processus de comptage (N
t
)
tIR+
tel que N
0
= 0 est un processus de
Poisson si et seulement si :
C1 : (N
t
)
tIR+
est stationnaire ;
C2 : (N
t
)
tIR+
est un processus `a accroissements independants ;
C3 : il existe > 0 tel que, pour tout t 0, la variable aleatoire N
t
suive la loi de
Poisson de param`etre t.
Preuve : Un processus qui verie C3 verie egalement C3.
En eet, si on a C3, alors
P([N
h
= 0]) = e
h
= 1 h + o(h)
do` u P([N
h
> 0]) = h+o(h) et lim
h0
P([N
h
> 0]) = 0. De plus, P([N
h
= 1]) = e
h
h = h+o(h) h
et
P([N
h
> 1]) = 1 P([N
h
= 0]) P([N
h
= 1]) = o(h)
et donc lim
h0+
P([Nh>1])
P([Nh=1])
= 0.
On va maintenant montrer que, pour un processus de Poisson, laxiome C3 est verie.
P([N
t+s
= k]) =
k
i=0
P([N
t+s
= k] [N
t
= i]) (1)
=
k
i=0
P([N
t
= i] [N
t+s
N
t
= k i]) (2)
=
k
i=0
P([N
t
= i])P([N
t+s
N
t
= k i]) (3)
=
k
i=0
P([N
t
= i])P([N
s
= k i]) (4)
(On passe de (2) `a (3) en utilisant C2 et de (3) `a (4) en utilisant C1.)
28 Processus de Poisson
On pose alors P([N
t
= k]) = p
k
(t) et on va etablir que p
k
(t) = e
t
(t)
k
k!
par recurrence sur k.
Etude pour k = 0 : p
0
(t) = f(t) avec f qui verie
f(t +s) = f(t)f(s) ()
f est continue sur IR
+
car lim
h0
(f(t +h) f(t)) = lim
h0
f(t)(f(h) 1) = 0.
Or, les seules solutions continues de (), `a valeurs dans IR
+
, sont les fonctions de la forme f(t) = e
at
.
(En eet, = lnf verie (s + t) = (t) + (s). En particulier, (nt) = n(t), puis, avec t =
1
n
,
_
1
n
_
=
1
n
(1), puis
_
m
n
_
=
m
n
(1). On a alors (r) = r(1) pour tout r Q et on conclut que
(x) = x(1) par densite de Q dans IR (x = limr
n
) et grace `a la continuite de f (f(x) = limf(r
n
)).
Ainsi f(x) = e
(x)
= e
x(1)
).
Ici f est `a valeurs dans [0, 1], non identiquement nulle, donc a 0. Le cas a = 0 na pas dinteret car
alors on aurait P([N
t
= 0]) = 1 pour tout t. Donc, a < 0 et il existe = a tel que
f(t) = p
0
(t) = P([N
t
= 0]) = e
t
.
Recurrence sur k : On suppose maintenant que p
i
(t) = e
t
(t)
i
i!
pour tout t 0 et pour tout i k et
on va montrer que p
k+1
(t) = e
t
(t)
k+1
(k+1)!
.
Pour cela on va etablir une equation dierentielle du premier ordre veriee par p
k+1
(t) : on regarde
combien darrivees se sont produites jusqu`a linstant t +h en faisant intervenir le nombre darrivees qui
se sont produites jusqu`a linstant t.
[N
t+h
= k + 1] =
k+1
_
i=0
[N
t
= i] [N
t+h
N
t
= k + 1 i]
et donc, toujours en utilisant C2 puis C1, il vient
P([N
t+h
= k + 1]) =
k+1
i=0
P([N
t
= i])P([N
t+h
N
t
= k + 1 i]) =
k+1
i=0
P([N
t
= i])P([N
h
= k + 1 i])
soit, avec la notation introduite ici
p
k+1
(t + h) =
k+1
i=0
p
i
(t)p
k+1i
(h)
Or, pour i k 1, on a k + 1 i 2 ; do` u P([N
h
= k + 1 i]) = p
k+1i
(h) = o(p
1
(h)) car
lim
h0
P([Nh>1])
P([Nh=1])
= 0 et
p
k+1
(t + h) =
k1
i=0
p
i
(t)p
k+1i
(h) + p
1
(h)p
k
(t) + p
0
(t)p
k+1
(h) = p
1
(h)p
k
(t) + p
0
(h)p
k+1
(t) + o(p
1
(h)).
Avec p
0
(h) = 1 p
1
(h) + o(p
1
(h)), on obtient alors :
p
k+1
(t + h) p
k+1
(t) = p
1
(h) [p
k
(t) p
k+1
(t)] +o(h).
Donc
pk+1(t+h)pk+1(t)
h
=
p1(h)
h
[p
k
(t) p
k+1
(t)] +
o(h)
h
et
p
k+1
(t) = lim
h0
p
1
(h)
h
[p
k
(t) p
k+1
(t)] .
Processus aleatoires et modelisation 29
Or p
1
(h) = 1 p
0
(h) + o(p
1
(h)) donc lim
h0
1p0(h)
p1(h)
= 1 = lim
h0
1p0(h)
h
h
p1(h)
et comme
lim
h0
1 p
0
(h)
h
= lim
h0
1 e
h
h
= ,
cest donc que lim
h0
p1(h)
h
= , do` u p
k+1
(t) = [p
k
(t) p
k+1
(t)], soit :
p
k+1
(t) +p
k+1
(t) = p
k
(t).
Pour resoudre cette equation dierentielle lineaire du premier ordre, on applique la methode dite de
variation de la constante.
On a donc p
k+1
(t) = C(t)e
t
avec
C
(t)e
t
= p
k
(t) = e
t
k+1
t
k
k!
.
Do` u C
(t) =
k+1
t
k
k!
et
C(t) C(0) =
_
t
0
C
(u)du =
k+1
k!
_
t
0
u
k
du =
k+1
k!
_
u
k+1
k + 1
_
t
0
=
(t)
k+1
(k + 1)!
avec p
k+1
(0) = C(0) = P([N
0
= k + 1]) = 0 car N
0
= 0. On a donc bien p
k+1
(t) = e
t
(t)
k+1
(k+1)!
. 2
Remarques :
[1] Pour tous s et t et pour tous i k :
P([N
t+s
= k] [N
s
= i]) = P([N
s
= i] [N
t+s
N
s
= k i])
= P([N
s
= i])P([N
t+s
N
s
= k i])
= P([N
s
= i])P([N
t
= k i]).
Ainsi,
P([N
t+s
= k]/[N
s
= i]) =
P([N
s
= i] [N
t+s
= k]
P([N
s
= i])
= P([N
t
= k i]) = e
t
(t)
ki
(k i)!
.
Ceci determine les probabilites de transition de i `a k entre les instants s et t +s.
[2] La loi de (N
t
1
, N
t
2
, , N
tn
) est parfaitement determinee.
En eet, si t
1
t
2
t
n
, et si k
1
k
2
k
n
alors :
[N
t
1
= k
1
] [N
tn
= k
n
] = [N
t
1
= k
1
][N
t
2
N
t
1
= k
2
k
1
] [N
tn
N
t
n1
= k
n
k
n1
]
et donc, en utilisant encore C2,puis C1, puis C3, on a alors, apr`es simplication evidente
P([N
t
1
= k
1
]) ([N
tn
= k
n
]) = e
tn
kn
t
k
1
1
(t
2
t
1
)
k
2
k
1
(t
n
t
n1
)
knk
n1
k
1
!(k
2
k
1
)! (k
n
k
n1
)!
.
30 Processus de Poisson
III- CARACT
EE
Soit S
n
linstant de la n-i`eme arrivee : S
n
= inf{t 0 ; N
t
= n} et T
n
le n-`eme temps
dattente pour n IN
: T
n
= S
n
S
n1
(en convenant S
0
= 0).
On a S
n
=
n
i=1
T
i
et N
t
= max{n 0 ; S
n
t}.
Theor`eme : (N
t
)
tIR+
est un processus de Poisson de param`etre si et seulement si les
variables aleatoires T
n
sont independantes de meme loi exponentielle E() (de densite
f
Tn
(t) = e
t
1I
]0,+[
(t)).
Preuve :
P([T
1
> t]) = P([N
t
= 0]) = e
t
= 1 F
1
(t)
o` u F
1
est la fonction de repartition de T
1
. On a donc bien T
1
qui suit la loi exponentielle E().
P
[T1=t1]
([T
2
> t]) = P([N
t1+t
= 1]/[N
t1
= 1] [N
s
= 0 pour tout s < t
1
])
= P([N
t1+t
N
t1
= 0]/[N
t1
= 1] [N
s
= 0 pour tout s < t
1
])
= P([N
t1+t
N
t1
= 0])
dapr`es lindependance des accroissements.
Or P([N
t1+t
N
t1
= 0]) = P([N
t1+tt1
= 0]) = P([N
t
= 0]) dapr`es la stationnarite ; et cest aussi
e
t
car N
t
suit la loi de Poisson P(t).
Donc T
2
est bien independante de T
1
et de meme loi exponentielle E().
De facon plus generale,
P([T
k
> t]/[T
1
= t
1
] [T
k1
= t
k1
]) = P([N
tk1+t
N
tk1
= 0])
= P([N
t
= 0]) = e
t
.
Donc T
k
est independante de T
1
, , T
k1
et de meme loi exponentielle E().
La reciproque sera admise. 2
Consequence : Les variables aleatoires S
n
suivent la loi Gamma (, n) (ou loi dErlang),
de densite denie par
f
Sn
(t) =
n
(n 1)!
e
t
t
n1
1I
]0,+[
(t).
Propriete : Si (N
t
)
tIR+
est un processus de Poisson de param`etre , le temps aleatoire
U qui separe un instant du prochain evenement et le temps aleatoire V qui separe du
dernier evenement suivent la loi exponentielle E().
Preuve :
P([U > x]) = P([N
+x
N
= 0] = P([N
x
= 0]) = e
x
Processus aleatoires et modelisation 31
car [U > x] signie que pendant la duree x qui suit , il ny a aucune arrivee. De meme,
P([V > x]) = P([N
N
x
= 0] = P([N
x
= 0]) = e
x
car [V > x] signie que pendant la duree x qui precedait , il ny a eu aucune arrivee. 2
Remarque : On a alors IE(U + V ) = IE(U) + IE(V ) =
2
pour tout n IN
. Cest
donc que U +V = T
N
na pas meme loi que les T
n
alors que sur [N
= n], on a T
N
= T
n
.
On peut terminer ce paragraphe en remarquant que IE(N
1
) = et IE(T
n
) =
1
.
Ainsi, plus est grand, plus le nombre moyen darrivees par unite de temps est im-
portant, et plus lintervalle entre 2 arrivees est court, ce qui semblait a priori evident.
Pour cette raison, on appelle egalement le param`etre lintensite du processus.
IV- PROPRI
ET
ES SUPPL
EMENTAIRES
1- Decomposition, superposition
On peut decomposer en deux un processus de Poisson suivant un certain crit`ere.
Exemples :
Compteur `a fonctionnement aleatoire : Des particules arrivant vers un compteur for-
ment un processus de Poisson de param`etre = 6 part/mn. Chaque particule a la
probabilite 2/3 detre enregistree par le compteur. Les particules enregistrees forment un
processus de Poisson de param`etre = 4 part/mn.
De meme,
les voitures qui passent devant une station service forment un processus de Poisson de
param`etre . Chaque voiture a la probabilite p de sarreter `a la station. Alors, les voitures
qui sarretent `a la station forment un processus de Poisson de param`etre p et les voitures
qui passent devant la station sans sarreter forment un processus de Poisson de param`etre
(1 p). De plus, ces deux processus sont independants.
Preuve : Ici, on va simplement montrer la propriete C3 pour le processus
_
N
(1)
t
_
t0
des voitures qui
sarretent `a la station.
P([N
(1)
t
= k] =
+
n=k
P
_
[N
(1)
t
= k]/[N
t
= n]
_
P([N
t
= n])
=
+
n=k
C
k
n
p
k
(1 p)
nk
e
t
(t)
n
n!
= e
t
+
n=k
p
k
(1 p)
nk
(t)
n
k!(n k)!
= e
t
p
k
k!
+
m=0
(t)
m+k
(1 p)
m
m!
( en posant m = n k ) ;
= e
t
(pt)
k
k!
e
(1p)t
= e
pt
(pt)
k
k!
.
2
32 Processus de Poisson
Inversement, on pourrait montrer que
la somme de deux processus de Poisson independants de param`etres respectifs
1
et
2
est un processus de Poisson de param`etre
1
+
2
.
On a alors :
Propriete : Si
_
N
(1)
t
_
t0
et
_
N
(2)
t
_
t0
sont deux processus de Poisson independants de
param`etres respectifs
1
et
2
, alors la loi conditionnelle de N
(1)
t
sachant [N
(1)
t
+N
(2)
t
= n]
est la loi binomiale B
_
n,
1
1
+
2
_
.
Preuve :
P
_
[N
(1)
t
= k]/[N
(1)
t
+N
(2)
t
= n]
_
=
P
_
[N
(1)
t
= k] [N
(2)
t
= n k]
_
P([N
(1)
t
+N
(2)
t
= n])
=
P([N
(1)
t
= k])P([N
(2)
t
= n k])
P([N
(1)
t
+ N
(2)
t
= n])
=
e
1t
(1t)
k
k!
e
2t
(2t)
nk
(nk)!
e
(1+2)t
((1+2)t)
n
n!
= C
k
n
k
1
nk
2
(
1
+
2
)
n
.
2
2- Processus de Poisson et loi binomiale.
Propriete : Pour s t, la loi conditionnelle de N
s
sachant [N
t
= n] est la loi binomiale
B
_
n,
s
t
_
.
Preuve :
P
[Nt=n]
([N
s
= k]) =
P([N
s
= k] [N
t
= n])
P([N
t
= n])
=
P([N
s
= k] [N
t
N
s
= n k])
P([N
t
= n])
=
P([N
s
= k])P([N
t
N
s
= n k])
P([N
t
= n])
=
P([N
s
= k])P([N
ts
= n k])
P([N
t
= n])
=
e
s
(s)
k
k!
e
(ts)
((ts))
nk
(nk)!
e
t
(t)
n
n!
= C
k
n
_
s
t
_
k
_
1
s
t
_
nk
.
2
3- Processus de Poisson et loi uniforme
La loi de (S
1
, S
2
, , S
n
) sachant [N
t
= n] est celle de (U
1
, U
2
, , U
n
) ; U
i
etant
la i-`eme plus petite valeur parmi les U
1
, U
2
, , U
n
, variables aleatoires independantes de
meme loi uniforme sur [0, t]. ( En particulier U
1
= min(U
1
, , U
n
) et U
n
= max(U
1
, , U
n
)).
Cette loi a pour densite f
denie par :
f
(s
1
, s
2
, , s
n
) =
_
n!
t
n
si 0 s
1
s
2
s
n
t ;
0 sinon.
Processus aleatoires et modelisation 33
Ainsi, pour simuler les n premiers temps darrivee dun processus de Poisson sachant
que [N
t
= n], il sut de tirer n nombres au hasard entre 0 et 1 (touche random de
la calculatrice), de les ranger par ordre croissant, puis de les multiplier par t en faisant
eventuellement les conversions en format horaire adequat (heures, minutes, seconde).
IV- PROCESSUS DE POISSON COMPOS
ES
Pour un processus de Poisson, la condition C3 entrane limpossibilite dune realisation
simultanee de deux evenements ou plus. Si on supprime cette condition, les evenements
peuvent se produire par grappes, leectif de la grappe etant lui-meme aleatoire.
Exemples :
Arrivees davions dans un aeroport : chaque avion transporte un certain nombre
de passagers ;
Trac routier : chaque accident engendre un certain nombre de blesses...
Les instants doccurrence des grappes devenements sont les S
n
dun processus de
Poisson de param`etre .
`
A chaque instant S
n
est associee une variable aleatoire Y
n
designant le nombre deve-
nements se produisant `a linstant S
n
.
On suppose les Y
n
independantes et de meme loi.
Z
t
est le nombre devenements apparus jusqu`a linstant t.
On a la relation fondamentale suivante :
Z
t
= Y
1
+Y
2
+ +Y
Nt
.
Cette relation permet, en particulier, de determiner la fonction generatrice de Z
t
et
donc son esperance et sa variance.
Propriete : G
Zt
(s) = exp(t(G
Y
(s) 1)) ; IE(Z
t
) = tIE(Y ) et var(Z
t
) = tIE(Y
2
).
Preuve : G
Zt
(s) = IE
_
IE
Nt
_
s
Zt
__
avec
IE
[Nt=n]
_
s
Zt
_
= IE
[Nt=n]
_
s
Y1++Yn
_
= (G
Y
(s))
n
car les Y
i
sont independantes entre elles et independantes de N
t
.
Donc IE
Nt
_
s
Zt
_
= (G
Y
(s))
Nt
et
IE
_
s
Zt
_
= IE
_
IE
Nt
_
s
Zt
__
= IE
_
G
Y
(s)
Nt
_
= G
Nt
(G
Y
(s)) = exp (t(G
Y
(s) 1))
car N
t
suit la loi de Poisson de param`etre t. On a alors
G
Zt
(s) = tG
Y
(s)G
Zt
(s) et G
Zt
(s) = tG
Zt
(s)
_
G
Y
(s) +t(G
Y
(s))
2
_
.
34 Processus de Poisson
En prenant la limite quand s tend vers 1, on obtient IE(Z
t
) = tIE(Y ), et
lim
s1
G
Zt
(s) = t
_
(var(Y ) IE(Y ) + IE(Y )
2
) +t(IE(Y ))
2
_
= var(Z
t
) IE(Z
t
) + (IE(Z
t
))
2
do` u var(Z
t
) = t
_
var(Y ) + IE(Y )
2
_
= tIE(Y
2
). 2
Exemple :
Le nombre daccidents par jour dans une ville suit un processus de Poisson de param`etre
2 et le nombre de personnes impliquees suit la loi geometrique de param`etre
1
2
. Quelle est
la moyenne et la variance du nombre de personnes accidentees durant une semaine ?
IE(Y ) = 2 et var(Y ) = 2 = IE(Y
2
) IE(Y )
2
do` u IE(Y
2
) = 6 et, pour t = 7, IE(Z
t
) = 2 7 2 = 28
et var(Z
t
) = 2 7 6 = 84. 2
Remarque :
On a IE(N
t
) = t, donc, par exemple, dans le cas de lavion, le nombre moyen de pas-
sagers arrives jusqu`a linstant t est egal au nombre moyen IE(N
t
) davions arrives jusqu`a
t multiplie par le nombre moyen de passagers par avion IE(Y ), ce qui parat evident.
V- COMPL
_
t
0
(u)du
_
1I
]0,+[
(t).
Remarques :
[1] Pour un processus de Poisson (X
t
) dintensite , on a
P([X
t+h
= i + 1]/[X
t
= i]) = h +o(h) et P([X
t+h
= i]/[X
t
= i]) = 1 h +o(h).
cest-`a-dire que ne depend pas de t.
[2] Le processus etudie ici est une generalisation du processus de Poisson. Pour
(t) = constant, on retrouve que X
t
suit la loi de Poisson de param`etre (t) = t et
que T
1
suit la loi exponentielle de param`etre .
Preuve : On reprend la methode utilisee pour montrer que, si (X
t
) est un processus `a accroissements
independants, stationnaire et `a evenements rares, alors X
t
suit la loi de Poisson P(t) : on pose p
n
(t) =
P([X
t
= n]) puis, en considerant p
n
(t + h) et en passant `a la limite quand h 0, on va etablir une
equation dierentielle.
P([X
t+h
= 0]) = P([X
t
= 0] [X
t+h
X
t
= 0]) = P([X
t
= 0])(1 (t)h + o(h)), soit
p
0
(t + h) p
0
(t) = (t)hp
0
(t) + o(h).
Processus aleatoires et modelisation 35
Dautre part, pour n 1,
P([X
t+h
= n]) =
k
P([X
t
= k] [X
t+h
X
t
= n k])
= P([X
t
= n])(1 (t)h) +P([X
t
= n 1])(t)h +o(h)
soit p
n
(t+h)p
n
(t) = ((t)p
n
(t)+(t)p
n1
(t))h+o(h). On a donc, en divisant par h et en faisant h 0 :
_
p
0
(t) +(t)p
0
(t) = 0
p
n
(t) +(t)p
n
(t) = (t)p
n1
(t)
avec p
0
(0) = 1 et p
n
(0) = 0 pour n 1.
On resout alors, soit en utilisant les equations dierentielles du premier ordre (et la methode de
variation de la constante), soit `a laide de la fonction generatrice de X
t
:
G(z, t) =
+
n=0
z
n
p
n
(t).
Premi`ere methode :
p
0
(t)
p
0
(t)
= [ln(p
0
(t))]
= (t) et ln(p
0
(t)) ln(p
0
(0)) =
_
t
0
(u)du.
Ainsi, p
0
(t) = P([X
t
= 0]) = exp((t)). Dautre part, par la methode de variation de la constante,
p
n
(t) = C(t) exp((t)) avec C
(t) = (t)
((t))
n1
(n1)!
et,
comme C(0) = 0 (p
n
(0) = 0 pour n 1), on a alors C(t) =
((t))
n
n!
et on a bien :
P([X
t
= n]) = p
n
(t) = exp((t))
((t))
n
n!
.
Deuxi`eme methode : On a
G
t
(z, t)+(t)G(z, t) = (t)
+
n=1
z
n
p
n1
(t) = (t)zG(z, t), soit
G
G
= (z1) et,
comme G(0) = p
0
(0) = 1, G(z, t) = exp
_
(z 1)
_
t
0
(u)du
_
. On reconnat bien l`a la fonction generatrice
de la loi de Poisson de param`etre (t) =
_
t
0
(u)du.
Pour la loi de T
1
, P([T
1
> t]) = P([X
t
= 0]) = exp((t)) = 1 F
T1
(t) pour t > 0. On a donc bien
f
T1
(t) = (t) exp((t)) pour t > 0 .
36 Processus de Poisson
Quelques exercices
15 Les arrivees dautobus `a une station forment un processus de Poisson dintensite .
Chaque autobus sarrete un temps xe `a la station. Un passager qui arrive `a un instant
t
0
monte dans le bus si celui-ci est l`a, attend pendant un temps
(t) =
_
(t) (t )e
_
et en deduire par
recurrence sur n que (t) = e
t
_
1 +
n
k=1
k
k!
(t (k 1))
k
_
pour t [(n 1), n[.
c) A.N. : Si le bateau commence `a 10h, quelle est la probabilite quil nait rate
personne `a 10h40 ? `a 11h20 ?
22 Les hommes (resp. les femmes) se presentent `a lentree dune grande surface suivant
un processus de Poisson dintensite 2/mn (resp. 4/mn)
a) Quelle est la probabilite quau moins 3 hommes entrent pendant un intervalle
de 2mn ?
b) Quelle est la probabilite quau moins 2 hommes soient entres lorsque la troisi`eme
femme se presente ? (On utilisera les probabilites totales continues et, sans la redemontrer,
legalite
_
+
0
e
t
t
k
dt =
k!
k+1
).
c) Si 12 personnes se sont presentees pendant 2mn, quelle est la probabilite que 4
soient des hommes ?