PROCESSUS DE NAISSANCE ET DE MORT

Utilises plus particuli`erement en biologie, demographie, physique, sociologie, pour ren-

dre compte de levolution de la taille dune population, les processus de naissance et de
mort sont des processus de Markov continus (T = IR
+
), `a valeurs dans E = IN tels que
les seules transitions non negligeables possibles `a partir de n soient vers n + 1 ou vers
n 1. Le generateur innitesimal du processus est donc une matrice dite tridiagonale
A = (a
i,j
)
i,jIN
veriant a
i,j
= 0 si |i j| 2.
On posera a
n,n+1
=
n
et a
n,n1
=
n
pour n 1 ( et a
0,1
=
0
) :
n
represente le
taux de naissance `a partir de letat n et
n
le taux de mort `a partir de letat n.
Les les dattente de type Markovien (M/M) sont des cas particuliers tr`es importants
de processus de naissance et de mort. Leur etude compl`ete sera eectuee ulterieurement.
A =
_
_
_
_
_
_
_
_
_

0

0
(0)

1
(
1
+
1
)
1

2
(
2
+
2
)
2

3
.
.
.
.
.
.
(0)
.
.
.
.
.
.
.
.
.
_
_
_
_
_
_
_
_
_
de graphe des taux :
Le graphe des taux de transition est constitue de boudins, les arcs vers la droite
representant les taux de naissance, et ceux vers la gauche les taux de mort. Ces proces-
sus sont lanalogue des chemins aleatoires dans le cas o` u lechelle des temps est continue.
I-

ETUDE G

EN

ERALE
1. Regime transitoire
On rappelle que si P(t) = (p
i,j
(t)), o` u p
i,j
(t) = P([X
u+t
= j]/[X
u
= i]), alors
P(t) = e
At
=
+

k=0
t
k
k
A
k
.
40 Processus de naissance et de mort
La loi de X
t
est alors donnee, en theorie, par
(t)
=
(0)
P(t). (On notera ici, par
commodite decriture,
(t)
= p(t) = (p
n
(t))
nIN
, avec p
n
(t) = P([X
t
= n]).
Malheureusement, le calcul de e
At
sav`ere bien souvent tr`es complique (puissances de
matrice, puis serie `a sommer!). On pref`erera, en general, garder lexpression dierentielle,
meme si celle-ci est souvent tout aussi dicile `a resoudre.

Equations de Kolmogorov : On a p(t) = p(0)P(t) qui redonne, en derivant,

p

(t) = p(0)P

(t) = p(0)P(t)A = p(t)A,

et donc p

j
(t) =

i
p
i
(t)a
i,j
, qui donne ici le syst`eme suivant, dit dequations de Kol-
mogorov :
_
p

0
(t) =
0
p
0
(t) +
1
p
1
(t)
p

n
(t) =
n1
p
n1
(t) (
n
+
n
)p
n
(t) +
n+1
p
n+1
(t) pour n 1
.
2- Regime permanent
Lorsque, quand t +, les limites p
n
= lim
t+
p
n
(t) existent et sont independantes de
letat initial du processus, on a alors p

= 0 et pA = 0 i.e. p est distribution stationnaire

du processus si le regime permanent existe. Ceci se traduit par les equations dites de
balance :
_
0 =
0
p
0
+
1
p
1
0 =
n1
p
n1
(
n
+
n
)p
n
+
n+1
p
n+1
pour n 1
que lon retrouve en ecrivant en chaque etat legalite du ux entrant et du ux sortant :
etat 0 :
1
p
1
=
0
p
0
;
etat 1 :
2
p
2
+
0
p
0
=
1
p
1
+
1
p
1
;
.
.
.
etat n :
n+1
p
n+1
+
n1
p
n1
=
n
p
n
+
n
p
n
;
.
.
.
auxquelles il faut ajouter lequation
+

n=0
p
n
= 1 pour que p denisse bien une probabilite.
Ces equations se simplient successivement pour donner nalement des egalites boudins
par boudins :
_

1
p
1
=
0
p
0

2
p
2
=
1
p
1
.
.
.

n
p
n
=
n1
p
n1
.
.
.
.
On en deduit alors p
n
=

0

n1

1
n
p
0
pour n 1, avec p
0
_
1 +
+

n=1

n1

1
n
_
= 1.
Processus aleatoires et modelisation 41
II-

ETUDE DE QUELQUES CAS PARTICULIERS
On etudie ici les cas particuliers des populations o` u les taux de naissance et de mort
sont lineaires :

n
= n +
represente le taux dimmigration : arrivees venant de lexterieur. Il est suppose
constant (et donc independant du nombre dindividus dej`a presents).
represente le taux de naissance : chaque individu est susceptible de donner
naissance `a un nouvel individu avec le taux et sil y a dej`a n individus, la probabilite
quil y ait une naissance sur lintervalle [t, t +h[ est alors nh +o(h).

n
= n + si n 1
represente le taux demigration : departs vers lexterieur. Il est suppose constant
(sauf sil ny a personne, auquel cas il est nul).
represente le taux de mort : chaque individu est susceptible de mourir avec le
taux et sil y a dej`a n individus, la probabilite quil y ait une mort sur lintervalle
[t, t +h[ est alors nh +o(h).
1. Croissance pure, par immigration
Cest le cas
n
= et
n
= 0 pour tout n IN.
_
p

0
(t) = p
0
(t)
p

n
(t) = p
n1
(t) p
n
(t) pour n 1
.
On retrouve les equations veriees par le processus de Poisson (N
t
) de param`etre .
En particulier X
t
suit la loi de Poisson P(t) : p
n
(t) = e
t
(t)
n
n!
.
2. Croissance pure, par naissance
Cest le cas
n
= n et
n
= 0 pour tout n IN.
Ceci na de sens que si X
0
1. On supposera que X
0
= 1 .
_
p

0
(t) = 0
p

n
(t) = (n 1)p
n1
(t) np
n
(t) pour n 1
.
Proprietes : X
t
suit la loi geometrique G(e
t
) : p
n
(t) = e
t
(1 e
t
)
n1
.
Preuve : On peut trouver p
n
(t) par recurrence ascendante sur n (matrice A triangulaire superieure !)
p

0
(t) = 0 donc p
0
(t) = p
0
(0) = 0.
42 Processus de naissance et de mort
p

1
(t) = p
1
(t) donc p
1
(t) = Ce
t
avec C = p
1
(0) = 1.
Supposons que p
n1
(t) = e
t
(1 e
t
)
n2
pour n 2. On a
p

n
(t) + np
n
(t) = (n 1)e
t
(1 e
t
)
n2
.
Cest une equation dierentielle lineaire du premier ordre avec second membre donc, pour la resoudre,
on applique la methode de la variation de la constante.
p
n
(t) = C(t)e
nt
avec C

(t)e
nt
= (n 1)e
t
(1 e
t
)
n2
, soit
C

(t) = (n 1)e
(n1)t
(1 e
t
)
n2
= (n 1)e
t
(e
t
1)
n2
=
d
dt
_
(e
t
1)
n1
_
donc C(t) C(0) = (e
t
1)
n1
et C(0) = p
n
(0) = 0 pour n 2. Finalement,
p
n
(t) = (e
t
1)
n1
e
nt
= e
t
(1 e
t
)
n1
.
X
t
suit donc la loi geometrique de param`etre e
t
et, en particulier, IE(X
t
) = e
t
3. Decroissance pure, par dec`es
Cest le cas
n
= 0 et
n
= n pour tout n IN.
On suppose X
0
= N 1. Ce mod`ele decrit levolution dun syst`eme compose de N
dispositifs independants non reparables, dont les durees de fonctionnement obeissent `a
une meme loi exponentielle de param`etre (duree de vie moyenne 1/).
Dans ce cas, il est immediat que p
n
(t) = C
n
N
e
nt
(1 e
t
)
Nn
pour n {0, 1, , N} .
En eet, la probabilite quun dispositif de duree de vie T fonctionne encore `a linstant t
est P([T > t]) = e
t
(donc la probabilite quil ne fonctionne plus est (1e
t
)). Comme
p
n
(t) est la probabilite quil y ait exactement n dispositifs qui fonctionnent `a linstant t
et quil y a exactement C
n
N
facons de choisir les n qui fonctionnent, on a bien le resultat.
On peut le retrouver avec les equations de Kolmogorov :
_
p

n
(t) = np
n
(t) + (n + 1)p
n+1
(t) pour n {0, 1, , N 1}
p

N
(t) = Np
N
(t)
.
Proprietes : X
t
suit la loi binomiale B(N, e
t
) : p
n
(t) = C
n
N
e
nt
(1 e
t
)
Nn
.
Preuve : On peut trouver p
n
(t) par recurrence descendante sur n (matrice A triangulaire inferieure !)
p

N
(t) + Np
N
(t) = 0 donc p
N
(t) = Ce
Nt
avec C = p
N
(0) = 1.
Supposons maintenant que p
n+1
(t) = C
n+1
N
(e
t
)
n+1
(1 e
t
)
Nn1
pour n {1, , N 1}.
On a
p

n
(t) + np
n
(t) = (n + 1)C
n+1
N
(e
t
)
n+1
(1 e
t
)
Nn1
.
Processus aleatoires et modelisation 43
On applique la methode de la variation de la constante : p
n
(t) = C(t)e
nt
avec
C

(t) = e
nt
(n + 1)
N!
(n + 1)!(N n 1)!
e
(n+1)t
(1 e
t
)
Nn1
= (N n)C
n
N
e
t
(1 e
t
)
Nn1
=
d
dt
_
C
n
N
(1 e
t
)
Nn
_
donc C(t) C(0) = C
n
N
(1 e
t
)
Nn
avec C(0) = p
n
(0) = 0 pour n < N et
p
n
(t) = C
n
N
e
nt
(1 e
t
)
Nn
.
X
t
suit donc la loi binomiale B(N, e
t
) et, en particulier, IE(X
t
) = Ne
t
.
4- Processus de Yule-Ferry
Cest le cas
n
= n et
n
= n pour tout n IN.
_
p

0
(t) =
1
p
1
(t)
p

n
(t) = (n 1)p
n1
(t) n( +)p
n
(t) + (n + 1)p
n+1
(t) pour n 1
.
Dans ce cas, la matrice A nest plus triangulaire et les p
n
(t) sont plus diciles `a
determiner. On peut toutefois determiner IE(X
t
) dans un cadre un peu plus general (au-
torisant limmigration mais pas lemigration :
Proprietes : Si
n
= n + et
n
= n et si X
0
= N, alors
M(t) = IE(X
t
) =
_
t +N si =
Ne
()t
+

_
e
()t
1
_
si =
Preuve : On ecrit les equations de Kolmogorov :
_
p

0
(t) = p
0
(t) +p
1
(t)
p

n
(t) = ((n 1) +)p
n1
(t) (n( +) +)p
n
(t) + (n + 1)p
n+1
(t) pour n 1
.
On pose G(s, t) = IE(s
Xt
) =
+

n=0
s
n
p
n
(t). On a alors
2
G(s, t) =
+

n=0
s
n
p

n
(t) qui secrit ici :

2
G(s, t) = p
0
(t) +p
1
(t) +
+

n=1
s
n
[((n 1) + )p
n1
(t) (n( + ) + )p
n
(t) + (n + 1)p
n+1
(t)]
= p
0
(t) +p
1
(t) +
+

n=0
s
n+1
(n +)p
n
(t)
+

n=1
(n( +) +)s
n
p
n
(t) +
+

n=2
ns
n1
p
n
(t)
avec
+

n=0
s
n+1
(n + )p
n
(t) = s
2

n=1
ns
n1
p
n
(t) +sG(s, t) = s
2

1
G(s, t) +sG(s, t),
+

n=1
(n( +) +)s
n
p
n
(t) = s( + )
1
G(s, t) + G(s, t) p
0
(t),
44 Processus de naissance et de mort
+

n=2
ns
n1
p
n
(t) =
1
G(s, t)
1
p
1
(t)
do` u nalement
2
G(s, t) = (s
2
s( + ) + )
1
G(s, t) + (s 1)G(s, t) .
Cette equation se resout grace `a la theorie des equations aux derivees partielles mais letude de ce
type de probl`emes nest pas `a lordre du jour et on va ici se contenter den deduire la taille moyenne de
la population `a linstant t :M(t) = IE(X
t
).
On remarque que M(t) =
+

n=1
np
n
(t) =
1
G(1

, t) et on va trouver une equation dierentielle lineaire

du premier ordre dont M est solution. Pour cela, on derive lequation precedente par rapport `a s et on
prend la limite quand s 1

2
G(s, t) = (2s ( +))
1
G(s, t) + (s
2
s( +) +)
2
1
G(s, t) + G(s, t) +(s 1)
1
G(s, t)
Or
1
G(1

, t) = M(t),
1

2
G(1

, t) =
2

1
G(1

, t) = M

(t) et G(1

, t) = 1 donnent :
M

(t) = ( )M(t) + .
Si = , M

(t) = et M(t) = t +N car M(0) = N.

Si = , lequation sans second membre a pour solution Ce
()t
et une solution particuli`ere de
lequation compl`ete est

donc M(t) = Ce
()t

avec M(0) = N = C

et nalement
M(t) = Ne
()t
+

_
e
()t
1
_
.
5- Cas logistique `a taux non lineaires
On consid`ere une population dont la taille X
t
est comprise entre 2 entiers N
1
et N
2
et
dont les taux de naissance et de mort par individu sont
= (N
2
X
t
) et = (X
t
N
1
)
(plus il y a de monde, plus le taux de naissance est faible et le taux de mort fort ; moins
il y a de monde, plus le taux de naissance est fort et le taux de mort faible : les individus
ont besoin de place pour se developper !).
On suppose que les membres de cette population agissent independamment les uns
des autres. Les taux de naissance et de mort resultant pour la population sont alors

n
= n(N
2
n) et
n
= n(n N
1
).
Proprietes : Un tel processus admet une distribution stationnaire denie par :
p
N
1
+k
=
C
N
1
+k
C
k
N
2
N
1
_

_
k
pour k {0, , N
2
N
1
}
avec C =
_
N
2
N
1

j=0
1
N
1
+j
C
j
N
2
N
1
_

_
j
_
1
.
Processus aleatoires et modelisation 45
Preuve : On pose
k
= p
N1+k
on on ecrit les equations de balance :

m1
p
m1
=
m
p
m
pour m {N
1
+ 1, , N
2
}.
Avec m = N
1
+k, on a
m
= (N
1
+k)(N
2
N
1
k) et
m
= k(N
1
+ k). Ainsi, on a :

1
=

N1(N2N1)
1(N1+1)

0

2
=
_

_
N1(N1+1)(N2N1)(N2N11)
1.2.(N1+1)(N1+2)

0
=
_

_
2
N1
N1+2
C
2
N2N1

0
.
.
.

k
=
_

_
k
N1(N1+1)(N1+k1)(N2N1)(N2N1k+1)
k!(N1+1)(N1+k)

0
=
_

_
k
N1
N1+k
C
k
N2N1

0
puis on determine
0
en utilisant
0
+
1
+ +
N2N1
= 1.
III- PROBL
`
EME DEXTINCTION DE LESP
`
ECE
Lorsque lon etudie une population telle que
0
= 0 (quand il ny a plus personne,
cest denitif !), on peut chercher la probabilite quelle a de disparatre un jour, et, si
elle doit disparatre, le temps quelle va mettre pour disparatre. On est donc conduit `a
considerer les probabilites :
a
k
: probabilite dextinction de lesp`ece si la taille initiale est k ;
ainsi que les variables aleatoires :
T
k
: temps ecoule jusqu`a lextinction de lesp`ece si la taille initiale est k.
On est dans le cas, o` u, si X
t
= 0, alors X

= 0 pour t et
P([T
k
t]) = P
[X
0
=k]
([X
t
= 0]) = P
k,0
(t).
La fonction de repartition de T
k
est donc F
T
k
: t P
k,0
(t) = p
0
(t) , o` u p
0
est determine
par les equations de Kolmogorov, avec la condition initiale p
k
(0) = 1.
De plus, a
k
= P([T
k
< +]) = lim
t+
P
[X
0
=k]
([X
t
= 0]) .
En pratique, la determination du regime transitoire est bien souvent compliquee :
ainsi, on se contentera parfois, `a defaut davoir la loi de T
k
, de determiner
k
= IE(T
k
) :
temps moyen jusqu`a lextinction, lorsque la taille initiale est k.
Pour la determination de a
k
, on consid`erera la chane de Markov induite telle quon
la denie dans le chapitre sur les processus de Markov. On a ici p
n,n+1
=
n
n+n
= p
n
et p
n,n1
=
n
n+n
= q
n
et 0 est une classe absorbante, alors que IN

constitue une classe

transitoire.
On a alors les resultats suivants :
46 Processus de naissance et de mort
Theor`eme : On pose d
j
=
q
1
q
j
p
1
p
j
=

1

j
et
j
=

1

j1

j
=
1
d
j

j
.
La probabilite dextinction `a partir de la taille initiale k est :
a
k
=
_

_
+

j=k
d
j
1+
+

j=1
d
j
si
+

j=1
d
j
converge
1 sinon
.
Le temps moyen jusqu`a lextinction est :

k
=
_

_
+

j=1

j
+
k1

i=1
d
i
+

j=i+1

j
si
+

j=1

j
converge
+ sinon
.
Preuve : Pour la probabilite dextinction, cest-`a-dire dabsorption par letat 0, voir lexercice 2.
Pour le temps moyen dabsorption, on proc`ede de meme. On rappelle que le temps moyen de sejour
dans un etat j est
1
i+i
, car la distribution de ce temps suit la loi exponentielle E(
j
+
j
).
En considerant les etats j + 1 et j 1 qui peuvent resulter de la premi`ere transition, on a alors :

j
=
1

j
+
j
+

j

j
+
j

j+1
+

j

j
+
j

j1
pour j 1 (1)
o` u par convention
0
= 0. En posant z
j
=
j

j+1
et en reordonnant (1) on obtient :
z
j
=
1

j
+

j

j
z
j1
pour j 1. (2)
En iterant cette relation, il vient
z
k
=
1

k
+

k

k
1

k1
+

k

k1

k1
z
k2

... et on termine en suivant exactement la meme demarche que dans lexercice 2.
Processus aleatoires et modelisation 47
Quelques exercices
23 La duree de bon fonctionnement dune machine est une variable aleatoire de loi
exponentielle de param`etre . En cas de panne, le temps de reparation obeit `a une loi
exponentielle de param`etre .
Quelle est la probabilite que la machine fonctionne `a linstant t si elle fonctionnait `a
linstant 0 ?
24 Un joueur decide de faire des paris jusqu`a quil soit ruine ou bien quil ait atteint
N euro. Sil dispose de j euro quand il eectue un pari, alors, `a ce pari, il gagne 1 euro
avec la probabilite p
j
ou bien il perd 1 euro avec la probabilite q
j
= 1 p
j
. On note a
k
la
probabilite de nir ruine avec une fortune initiale de k euro et a
(n)
k
la probabilite de nir
ruine en n paris.
a) Modeliser le probl`eme par une chane de Markov et faire le graphe correspondant.
b) Determiner a
N
et a
0
.
c) Montrer que :
a
(1)
1
= q
1
et a
(n)
1
= p
1
a
(n1)
2
si n 2 ;
pour j 2, a
(1)
j
= 0 et a
(n)
j
= p
j
a
(n1)
j+1
+q
j
a
(n1)
j1
si n 2.
d) En deduire que :
a
1
= q
1
+p
1
a
2
et a
j
= p
j
a
j+1
+q
j
a
j1
si j 2, puis
p
j
(a
j
a
j+1
) = q
j
(a
j1
a
j
) pour 1 j N 1 ;
a
j
a
j+1
= d
j
(a
0
a
1
) pour 1 j N 1, si on pose d
j
=
q
1
q
j
p
1
p
j
.
e) Verier que a
k
=
N1

j=k
(a
j
a
j+1
) pour 1 k N 1 et que 1 =
N1

j=0
(a
j
a
j+1
),
et en deduire que a
k
=
N1

j=k
d
j
1+
N1

j=1
d
j
.
f) En deduire, en faisant N +, la probabilite de ruine du joueur.
25 On consid`ere une station de taxis comportant K places pour les taxis et une capacite
daccueil illimitee pour les clients qui se presentent, de facon Poissonnienne, au rythme
de par heure. Les taxis arrivent egalement de fa con Poissonnienne, au rythme de par
heure, mais ne sarretent quavec la probabilite
1
m+1
sil y a dej`a m taxis (0 m < K).
a) Verier quon est en presence dun processus de naissance et de mort et en
donner le graphe (etats (n, m)
n0,m{0,K}
).
48 Processus de naissance et de mort
b) A.N. : K = 3, = 10, = 15. Donner la proportion de temps pendant laquelle
il ny a pas de taxi et le temps moyen dattente dun client.
26 Dans un salon de coiure pour hommes, il y a 2 coieuses et 2 fauteuils dattente.
Les arrivees des clients suivent un processus de Poisson dintensite = 2h
1
et le service
est exponentiel de moyenne 30 mn. De plus, 20% des clients renoncent `a entrer si les 2
coieuses sont occupees et 60% renoncent sil y a dej`a un client en attente.
Determiner la loi du nombre de clients en regime stationnaire, le nombre moyen de
clients dans le salon, le debit et la proportion de clients perdus.
27 La superette de Font-Romeu na quune caisse ! Les clients se presentent suivant un
processus de Poisson de taux , la duree de service est exponentielle, de taux . Pendant
les vacances, la lle de la caissi`ere joue `a la console `a ses cotes mais `a partir de 4 clients
derri`ere la caisse, elle se decide `a aider sa m`ere, ce qui rend le service 2 fois plus rapide.
a) Montrer quon est en presence dun processus de naissance et de mort (faire
le graphe). Trouver la condition pour quil ny ait pas engorgement et determiner les
probabilites stationnaires du syst`eme.
b) Determiner le temps moyen dattente dun client, et la proportion de temps o` u
la lle joue `a sa console. A.N. = 50/h et 1/ = 2mn.
28 A la boucherie de Ramonville, 2 vendeurs sont au service de clients qui se presentent,
de facon Poissonnienne, au rythme de 12 par heure. Le service, de loi exponentielle, dure
en moyenne 10 minutes. La population est composee dune proportion p =
1
2
de gens rela-
tivement patients qui acceptent de commencer la queue, mais qui la quitteront furieux si
on ne soccupe toujours pas deux au bout dun temps exponentiel de moyenne 5 minutes.
Montrer quon a aaire `a un processus de naissance et de mort classique (faire le graphe)
et calculer les probabilites stationnaires, ainsi que le nombre moyen de clients dans la
boucherie et en attente.
29 On consid`ere N etudiants qui, chacun, lorsquils sont `a Toulouse, y restent un temps
exponentiel de param`etre avant den sortir et inversement, restent un temps exponen-
tiel de param`etre `a lexterieur avant de rentrer. Soit X
t
le nombre de ces etudiants
qui sont sur Toulouse `a linstant t. Verier que (X
t
) est un processus de naissance et
de mort ; representer son graphe ; etablir que la distribution stationnaire est la loi bino-
miale B
_
N,

+
_
et trouver le nombre moyen detudiants sur Toulouse lorsque N = 23,
1

= 5jours et
1

= 2jours.