Vous êtes sur la page 1sur 18

Processus aleatoires

Exercices corrig
es
Chanes de Markov discr`etes
1. Dans un certain pays, il ne fait jamais beau deux jours de suite. Si un jour il fait
beau, le lendemain il peut neiger ou pleuvoir avec autant de chances. Si un jour il pleut
ou il neige, il y a une chance sur deux quil y ait changement de temps le lendemain, et
sil y a changement, il y a une chance sur deux que ce soit pour du beau temps.
a) Former, `a partir de cel`a, une chane de Markov et en determiner sa matrice de
transition.
b) Si un jour il fait beau, quel est le temps le plus probable pour le surlendemain?
c) Si on suppose que lon a que deux etats (beau temps et mauvais temps),
determiner la matrice de transition de la nouvelle chane ainsi obtenue.
a) On a lensemble des etats suivants E = {BT, P L, N } et le temps pour un jour ne depend que
du temps du jour precedent, independamment dela periode de lann
ee egalement. On a donc bien une
0 1/2 1/2
chane de Markov, de matrice de transition P = 1/4 1/2 1/4 .
1/4 1/4 1/2

b) Pour le temps du surlendemain, il faut determiner P 2 . Mais seule la premi`ere ligne de P 2 nous
interesse car on veut determiner les probabilites `
a partir dun jour de beau temps. On a :
(2)

pBT,BT = pBT,BT pBT,BT + pBT,P L pP L,BT + pBT,N pN,BT = 0 0 +

(2)

pBT,P L = pBT,BT pBT,P L + pBT,P L pP L,P L + pBT,N pN,P L = 0

(2)

pBT,N = pBT,BT pBT,N + pBT,P L pP L,N + pBT,N pN,N = 0

2
1
1 1 1 1
+ = =
2 4 2 4
8
4

3
1 1 1 1 1
+ + =
4 2 2 2 4
8

1 1 1 1 1
3
+ + = .
4 2 4 2 2
8

Ainsi, si un jour il fait beau, le temps le plus probable pour le surlendemain est la pluie ou la neige .
c) On suppose maintenant que E 0 = {BT, M T }, ce qui est possible puisque la pluie et la neige se
comportent de la meme facon pour ce qui est des transitions. On a encore p0BT,BT = 0 mais maintenant,
1
1
p0BT,M T = pBT,P L + pBT,N = 1. Pour la deuxi`eme ligne, on a p0M T,BT = car pP L,BT = pN,BT = et
4
4
3
3
0
pM T,M T = car pP L,P L + pP L,N = pN,P L + pN,N = .
4 
4

0
1
0
Ainsi, P =
.
1/4 3/4

Exercices

2. Trois chars livrent un combat. Le char A atteint sa cible avec la probabilite 2/3,
le char B avec la probabilite 1/2 et le char C avec la probabilite 1/3. Ils tirent tous
ensembles et d`es quun char est touche, il est detruit. On consid`ere `a chaque instant,
lensemble des chars non detruits. Montrer quon obtient une chane de Markov dont on
explicitera lensemble des etats et la matrice de transition dans chacun des cas suivants :
a) Chaque char tire sur son adversaire le plus dangereux ;
b) A tire sur B ; B tire sur C et C tire sur A.

Lensemble des etats est E = {ABC, AB, AC, BC, A, B, C, }. Pour X {A, B, C}, on note encore
X levenement le char X atteint sa cible (et donc X levenement le char X rate sa cible). On a ainsi
P (A) = 2/3, P (B) = 1/2 et P (C) = 1/3. Une fois quun char est descendu, il ne peut plus revenir et
ainsi, on peut commencer par mettre un certain nombre de 0 dans la matrice de transition. Si on est
dans letat A, B, C ou , on est s
ur dy rester (plus dadversaires!).
1
1
1
a) Sil ne reste que 2 chars, par exemple A et B, on a pAB,AB = P (A)P (B) = =
(les 2
3
2
6
1
1
1
2
1
2
ratent!), pAB,B = P (A)P (B) = = (A rate, B reussit), pAB,A = P (A)P (B) = = (A
3
2
6
3
2
6
2
2 1
reussit, B rate) et pAB, = P (A)P (B) = = (les 2 reussissent). On proc`ede de meme pour AC
3 2
6
et pour BC.
Si on a les 3 chars, A tire sur B, B et C tirent sur A (et personne ne tire sur C, donc il reste au moins
2
4
112
212
C). On a alors pABC,ABC = P (A)P (B)P (C) =
=
, pABC,AC = P (A)P (B)P (C) =
=
,
3 2 3 18
323
18

1
12
4
pABC,BC = P (A)P (B C) = P (A)(1 P (B)P (C)) =
1
=
et pABC,C = P (A)P (B C) =
3
2
3
18


12
8
2
1
=
. On obtient ainsi la matrice et le graphe suivants :
P (A)(1 P (B)P (C)) =
3
23
18

1/9 0 2/9 2/9 0


0 4/9 0
0 1/6 0
0 2/6 1/6 0 2/6

0
0 2/9 0 4/9 0 1/9 2/9

0
0
0 2/6 0 2/6 1/6 1/6

P =
0
0
0
1
0
0
0
0

0
0
0
0
0
1
0
0

0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1

b) Sil ne reste que A et B, A tire sur B et B continue `


a tirer sur C donc A nest pas menace et
p0AB,A = P (A) = 2/3 alors que p0AB,AB = P (A) = 1/3. De meme avec A et C (A tire sur B, C sur A
donc C nest pas menace), p0AC,C = P (C) = 1/3 et p0AC,AC = P (C) = 2/3. Avec B et C (B tire sur C
et C sur A, donc B nest pas menace), p0BC,B = P (B) = 1/2 et p0BC,BC = P (B) = 1/2.
2
112
=
, p0
= P (A)P (B)P (C) =
Si on a les 3 chars, p0ABC,ABC = P (A)P (B)P (C) =
323
18 ABC,AB
112
2
4
1
212
111
=
, p0
=
, p0
=
,
= P (A)P (B)P (C) =
= P (A)P (B)P (C) =
323
18 ABC,AC
323
18 ABC,BC
323
18
4
1
2
1
1
2
1
1
p0ABC,A = P (A)P (B)P (C) =
=
, p0
=
, p0
= P (A)P (B)P (C) =
=
323
18 ABC,B
323
18 ABC,C
2
2
1
1
211
2
=
et p0ABC, = P (A)P (B)P (C) =
=
. On obtient ainsi la maP (A)P (B)P (C) =
323
18
323
18
trice et le graphe suivants :

Processus aleatoires

P =

2/18 2/18 4/18 1/18 4/18 1/18 2/18 2/18


0
1/3
0
0
2/3
0
0
0

0
0
2/3
0
0
0
1/3
0

0
0
0
1/2
0
1/2
0
0

0
0
0
0
1
0
0
0

0
0
0
0
0
1
0
0

0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1

3. On consid`ere 5 points equirepartis sur un cercle. Un promeneur saute `a chaque instant, dun point `a lun de ses voisins avec la probabilite 1/2 pour chaque voisin. Determiner
le graphe et la matrice de transition de la chane ainsi obtenue. Quelle est la periode de
ses etats?
Lensemble des etats est E = {1, 2, 3, 4, 5}.
On a pi,i+1 = pi,i1 = 1/2 pour i {2, 3, 4}, p1,2 = p1,5 = 1/2 et p5,1 = p5,4 = 1/2, ce qui donne la
matrice :

0 1/2 0
0 1/2
1/2 0 1/2 0
0

et le graphe :
0
1/2
0
1/2
0
P =

0
0 1/2 0 1/2
1/2 0
0 1/2 0
La chane est irreductible (tous les etats communiquent) et finie donc recurrente positive. Comme
(n)
tous les etats sont dans la meme classe, leur periode est la meme. On a d(1) = pgcd{n 1 ; p1,1 > 0}.
1
1
(2)
(5)
a 2 et `
a5
Or p1,1 p1,2 p2,1 = > 0 et p1,1 p1,2 p2,3 p3,4 p4,5 p5,1 = 5 > 0. Or le seul diviseur commun `
4
2
est 1. On a donc d = d(1) = 1 : cette chane est donc aperiodique .

4. On dispose de 2 machines identiques fonctionnant independamment et pouvan1


t tomber en panne au cours dune journee avec la probabilite q = . On note Xn le
4
nombre de machines en panne au debut de la n-i`eme journee.
a) On suppose que, si une machine est tombee en panne un jour, elle est reparee
la nuit suivante et quon ne peut reparer quune machine dans la nuit. Montrer que lon
peut definir ainsi une chane de Markov dont on determinera le graphe, la matrice de
transition et eventuellement les distributions stationnaires.
b) Meme question en supposant quune machine en panne nest reparee que le
lendemain, le reparateur ne pouvant toujours reparer quune machine dans la journee.
c) Le reparateur, de plus en plus paresseux, met maintenant 2 jours pour reparer
une seule machine. Montrer que (Xn ) nest plus une chane de Markov, mais que lon
peut construire un espace de 5 etats permettant de decrire le processus par une chane de
Markov dont on donnera le graphe des transitions. Calculer la probabilite que les 2 machines fonctionnent apr`es n jours (n = 1, n = 2 et n = 3) si elles fonctionnent initialement.
a) Lensemble des etats est E = {0, 1} car si le soir il y a une ou aucune machine en panne, le
lendemain matin, il y en aura 0 ; et si le soir, il y en a 2, le lendemain matin, il y en aura une seule.
Le nombre de machines en panne le matin ne depend que de celui de la veille au matin et de ce quil

Exercices

sest passe dans la journee, ceci independamment de la periode de lannee. On a donc bien une chane de
Markov dont il faut determiner la matrice de transition.
On a p0,1 = q 2 (les 2 machines tombent en panne dans la journee et ces pannes sont independantes
a aucune panne dans la journee et
entre elles) et p0,0 = (1 q)2 + 2q(1 q) = 1 q 2 ((1 q)2 correspond `
2q(1 q) `
a une seule panne qui peut provenir dune machine ou de lautre.). On a egalement p1,0 = 1 q
(la machine en panne est reparee et lautre fonctionne toujours), et p1,1 = q (la machine en panne est
repar
ee et lautre est
 tombee en panne). Ainsi, on a la matrice :

1 q2 q2
et le graphe :
P =
1q q


1 q2 q2
Pour la distribution stationnaire, on resout (0 , 1 ) = (0 , 1 )
, soit 1 = q 2 0 + q1 ,
1q q


q2
q2
1q
0 et avec 0 + 1 = 1, on obtient 0 1 +
= 1, soit 0 =
do`
u 1 =
et
1q
1q
1 q + q2
q2
1
12
1
et 1 =
. Avec q = , on a alors 0 =
.
1 =
1 q + q2
4
13
13
b) On a maintenant E 0 = {0, 1, 2} car aucune machine nest reparee la nuit ; p00,0 = (1 q)2 (aucune
panne dans la journee), p00,1 = 2q(1 q) (une des 2 machines est tombee en panne) et p00,2 = q 2 (les 2
machines sont tombees en panne) ; p01,0 = 1 q (la machine qui fonctionne ne tombe pas en panne),
p01,1 = q (la machine qui fonctionne tombe en panne, lautre est reparee), p01,2 = 0 (la machine en panne
est sure de remarcher le lendemain) ; de meme, p02,1 = 1 (une seule des 2 machines en panne est reparee).
Ainsi, on a la matrice:

(1 q)2 2q(1 q) q 2
P = 1q
q
0 et le graphe :
0
1
0

(1 q)2 2q(1 q) q 2
Pour la distribution stationnaire, on resout (0 , 1 , 2 ) = (0 , 1 , 2 ) 1 q
q
0 ,
0
1
0
2
2q

q
soit 0 = (1 q)2 0 + (1 q)1 , do`
0 et 2 = q 2 0 , do`
u 1 =
u avec 0 + 1 + 2 = 1, on obtient
1q


2
2
2q q
1q
2q q
q2 q3
1
0 1 + q 2 +
= 1, soit 0 =
,

=
et

=
. Avec q = , on a
1
2
3
3
3
1q
1+qq
1+qq
1+qq
4
48
28
3
, 1 =
et 2 =
alors 0 =
.
79
79
79

c) Si on garde lensemble des etats E 0 , on na pas une chane de markov car, lorque lon a 2 machines
en panne par exemple, on ne peut pas savoir si le lendemain, on en aura 1 ou 2 en panne : tout depend si
cest le premier jour de reparation ou le second. On est donc amene `
a introduire 2 etats supplementaires :
10 (1 machine en panne dont cest le deuxi`eme jour de reparation) et 20 (2 machines en panne et deuxi`eme
jour de reparation pour la premi`ere). On a alors p000,0 = (1 q)2 , p000,1 = 2q(1 q), p000,2 = q 2 ; p001,10 = 1 q,
p001,20 = q, p0010 ,0 = 1 q, p0010 ,1 = q, p002,20 = 1, p0020 ,1 = 1, les autres probabilites etant nulles. On a le graphe :

Processus aleatoires

On a alors p000,0 = (1 p)2 , p000,0 (2) = p000,0 p000,0 = (1 q)4 , p000,0 (3) = p000,0 p000,0 p000,0 + p000,1 p001,10 p0010 ,0 =
(1 q)6 + 2q(1 q)3 .

5. Determiner la matrice de transition des chanes suivantes :


a) N boules noires et N boules blanches sont placees dans 2 urnes de telle facon
` chaque instant on choisit au hasard une boule
que chaque urne contienne N boules. A
` linstant n, letat du syst`eme est le
dans chaque urne et on echange les deux boules. A
nombre de boules blanches de la premi`ere urne.
` chaque instant,
b) N boules numerotees de 1 `a N sont reparties dans une urne. A
`
on tire un numero i au hasard entre 1 et N et la boule de numero i est change durne. A
linstant n, letat du syst`eme est le nombre de boules dans la premi`ere urne.
c) Determiner la distribution stationnaire de la chane au b). (On montrera quil
sagit de la loi binomiale de param`etres N et 1/2). Determiner lesperance du nombre
de tirages necessaires pour revenir `a letat initial dans les cas N = 2M, X0 = M et
N = 2M, X0 = 2M. Donner un equivalent lorsque M est grand et une valeur approchee
pour N = 10.
a) Le syst`eme est dans letat k lorsque lon a k boules blanches dans A et N k dans B (et donc
aussi N k boules noires dans A et k dans B).
Si Xn = 0, toutes les boules blanches sont dans B `
a linstant n, donc les boules choisies seront
necessairement une noire dans A et une blanche dans B et Xn+1 = 1.
De meme, si Xn = N , alors necessairement Xn+1 = N 1 (car la boule choisie dans A est
blanche et celle choisie dans B est noire).
Si Xn = k, avec k {1, , N 1}, on aura Xn+1 = k 1 si la boule choisie dans A est
k
k
blanche (probabilite ) et la boule choisie dans B est noire (probabilite ), Xn+1 = k + 1 si la boule
N
N
N k
N k
choisie dans A est noire (probabilite
) et celle choisie dans B est blanche (probabilite
).
N
N
N k
Enfin, Xn+1 = k si la boule choisie dans A est noire (probabilite
) et celle choisie dans B est noire
N
k
k
) ou bien si la boule choisie dans A est blanche (probabilite
) et celle choisie dans B
(probabilite
N
N
N k
est blanche (probabilite
). Ainsi, la probabilite doccupation dun etat ne depend que de letat
N
precedent et on a bien une chane de Markov de matrice de transition et de graphe :

r0 p0
q1 r1 p1

(0)

q
r
p
2
2
2

.
.
.
.. .. ..

P =

pk
qk rk

..
..
..

.
.
.

(0)
qN 1 rN 1 pN 1
qN
rN
2
k
2k(N k)
(N k)2
,
p
=
pour 1 k N 1, r0 = rN = 0, p0 = qN = 1.
avec qk = 2 , rk =
k
N
N2
N2
b) Le syst`eme est dans letat k lorsque lon a k boules dans A et N k dans B.
Si Xn = 0, toutes les boules sont dans B `
a linstant n, donc la boule choisie sera necessairement
dans B et Xn+1 = 1.
De meme, si Xn = N , alors necessairement Xn+1 = N 1 (car la boule est choisie dans A).

Exercices

Si Xn = k, avec k {1, , N 1}, on aura Xn+1 = k 1 si la boule est choisie dans A


N k
k
).
(probabilite ), et Xn+1 = k + 1 si elle est choisie dans B (probabilite
N
N
Ainsi, la probabilite doccupation dun etat ne depend que de letat precedent et on a bien une chane
de Markov de matrice de transition et de graphe :

0
1
1

N 1

0
(0)
N

2
N 2

N
N

.
.
.
..
..
..

P =

N k
k

N
N

..
..
..

.
.
.

1
N 1

0
(0)

N
N
1
0
c) La chane est irreductible finie donc recurrente positive. Elle admet donc une unique distribution
stationnaire, probabilit
e solution du syst`eme = P .

=
r0 0 + q1 1

=
p0 0 + r1 1 + q2 2

..

.
o`
u pk + qk + rk = 1, q0 = pN = 0.
k = pk1 k1 + rk k + qk+1 k+1
= P donne

= pN 2 N 2 + rN 1 N 1 + qN N

N 1
N = pN 1 N 1 + rN N
La ligne 0 donne (1 r0 )0 = q1 1 , soit p0 0 = q1 1 . En remplacant p0 0 par q1 1 dans la ligne
1, on obtient (1 q1 r1 )1 = q2 2 , soit p1 1 = q2 2 . Ainsi, par recurrence, si pk1 k1 = qk k , en
reportant dans la ligne k on obtient (1 qk rk )k = qk+1 k+1 , soit pk k = qk+1 k+1 , et la ligne N
redonne (1 qN )N = rN N .

p0
0
q
p10 p1
p0 0 = q1 1
2 =
0
p1 1 = q2 2
q1 q2
..
..
N
X
.
.
On a donc
, do`
u
et
k = 1 donne 0 .
p0 pk1
pk1 k1 = qk k

0
k =

k=0

..
1
k

..

pN 1 N 1 = qN N

p pN 1

N = 0
0
q1 qN
2
2


N (N 1) (N k + 1)
N!
k 2
Pour a) on obtient alors k =
0 =
0 = (CN
) 0 .
12k
k!(N k)!
!
N
X
C k C N k
k 2
N
On a alors 0
= 0 C2N
(CN )
= 1 donc k = N NN
pour 0 k N . (Cest la loi hyperC2N
k=0
geometrique, distribution qui correspond `
a une repartition initiale des boules au hasard, `
a raison de N
par urne).
N
N 1 N k+1
N (N 1) (N k + 1)
k
N
Pour b), on obtient k = N 1 N 2
0 = CN
0 =
0 .
k
k!

N
N
N
!
 k  N k
N
X
1
1
k
k 1
k
CN = 2N 0 = 1 donc k = CN
=
C
pour 0 k N .
On a alors 0
N
N
2
2
2

k=0

1 =

Processus aleatoires



1
Ainsi, = B N,
. (Cest la distribution qui correspond `
a une repartition initiale des boules au
2
hasard dans les 2 urnes).

6. Dans Zk , on a k directions, et dans chaque direction, on a 2 sens. Un point de Zk


a donc 2k voisins. Un promeneur oisif saute `a chaque instant dun point de Zk `a lun de

ses voisins avec la meme probabilite. Etudier


la recurrence des chanes de Markov ainsi
obtenues. (On distinguera les cas k = 1, k = 2 et k 3).
a) E = Z. Pour etre de nouveau au point de depart apr`es n etapes, il faut avoir fait autant de pas
vers la droite que vers la gauche : ainsi, n doit etre pair (n = 2m). Il y a autant de trajets possi 2m
1
m
bles que de 2m u-plets avec m d et m g, soit C2m
, et ils sont tous de probabilite
. Ainsi,
2
 2m
1
(2m)
m
px,x = C2m
(et p(2m+1)
= 0).
x,x
2
Pour la nature de la serie, on utilise un equivalent gr
ace `
a Stirling :
p(2m)
=
xx

Ainsi, p(2m)
xx

(2m)!
(m!)2

 2m

2
(2m)2m
1
1
1
em

2m
2m =
.
2m
m
2
e
2
m
m
2m

1
terme general dune serie divergente donc la chane est recurrente.
m

b) E = Z2 . Pour etre de nouveau au point de depart apr`es n etapes, il faut avoir fait dans chacune
des 2 directions autant de pas dans un sens que dans lautre : ainsi, n doit etre pair (n = 2m). Si il y a
2k pas verticaux (et donc 2m 2k pas horizontaux), alors il doit y avoir k pas vers le haut, k pas vers le
mk
2k
k
bas, m k pas vers la gauche et m k pas vers la droite. Ainsi, dans ces cas-l`
a, il y a C2m
C2k
C2m2k
2k
k
trajets possibles (on a C2m
facons de choisir les pas verticaux, puis, parmi ceux-ci, on en choisit C2k
vers
mk
le haut et, parmi les 2m 2k horizontaux on choisit les C2m2k vers la droite par exemple), et ils sont
 2m
1
tous de probabilite
. Mais, comme k peut prendre toutes les valeurs de 0 `
a m, il vient
4
(2m)
pxx

 2m
(2m)!
(2k)! (2m 2k)! 1
(2k)!(2m 2k)! (k!)2 ((m k)!)2 4
k=0
! "
 2m X
 2m #2
m
1
1
1
m
k 2
m
= C2m
= C2m
(Cm )

4
2
m
=

m
X

k=0

car

m
X
k=0

k 2
(Cm
) =

m
X

k
mk
m
Cm
Cm
= C2m
(on peut par exemple developper (1 + x)2m = (1 + x)m (1 + x)m des

k=0

2 facons et identifier le coefficient de xm dans chacune des expressions).


Ainsi, p(2m)

xx

1
terme general dune serie divergente donc la chane est recurrente.
m

c) E = Z3 . Pour etre de nouveau au point de depart apr`es n etapes, il faut avoir fait dans chacune des
3 directions autant de pas dans un sens que dans lautre : ainsi, n doit etre pair (n = 2m). Si il y a 2k1
pas dans la direction 1, 2k2 pas dans la direction 2 (et donc 2m 2k1 2k2 pas dans la direction 3), alors
il doit y avoir k1 pas dans chaque sens de la direction 1, k2 dans ceux de la direction 2 et m k1 k2 dans
2k1
2k2
k1
k2
mk1 k2
C2m2k
C2k
C2k
C2(mk
trajets
ceux de la direction 3. Ainsi, dans ces cas-l`
a, il y a C2m
1
1
2
1 k2 )

Exercices

possibles et ils sont tous de probabilite

 2m
1
(3 directions et 2 sens dans chacune, donc 6 possibilites
6

a chaque pas). Il vient alors


`

p(2m)
xx

(2m)!
(2m 2k1 )!
(2k1 )! (2k2 )! (2m 2k1 2k2 )!
=
(2k1 )!(2m 2k1 )! (2k2 )!(2m 2k1 2k2 )! (k1 !)2 (k2 !)2 ((m k1 k2 )!)2
k1 ,k2
 2m
X
1
(2m)!
=
2
2
2
(k1 !) (k2 !) ((m k1 k2 )!)
6

 2m
1
6

k1 ,k2

On pourrait montrer que lon peut majorer cette expression par un terme equivalent `
a
p(2m)
est le terme general dune serie convergente donc la chane est transitoire.
xx

K3
. Ainsi
m3/2

7. Soit (Xn )nN une chane de Markov de matrice de transition

P =

1
2
0

1
1
4
0

0
1
2
0
1
2
0

0
1
2
0
1
4
0

0
3
4
0

0
1
2
0

0
1
2
0

0
0

1
2
0

0
0

0
1
2
1
2
0

0
1
4
0

0
0
1
4
1
1
4
0

0
0
0

.
0

0
0

a) Representer le graphe de cette chane. Determiner les classes de communication,


leur nature, leur periodicite et eventuellement les sous-classes cycliques.
b) Calculer les probabilites dabsorption des etats transitoires par les classes recurrentes.
c) Determiner les distributions stationnaires de la chane et le temps moyen de
retour pour les etats recurrents. Existe-t-il une distribution limite ?
a) On represente le graphe de la chane.

Processus aleatoires

On a une chane finie donc essentiel equivaut `


a recurrent positif et non essentiel equivaut `
a transitoire.
On a 2 classes recurrentes R1 = {1, 6, 8} aperiodique, R2 = {4, 7, 10} de periode 2, de sous-classes cycliques {4, 10} et {7} et 3 classes transitoires T1 = {9} aperiodique, T2 = {2} de periode 0 et T3 = {3, 5}
aperiodique.
b) On note ak (resp. a0k ) la probabilite dabsorption de letat k par la classe R1 (resp. R2 ) pour
k T = {2, 3, 5, 9}. Si a designe le vecteur colonne des ak , on sait que a = a(1) + PT a avec a9 (1) =
1
a2 (1) = a3 (1) = 0, a5 (1) = p58 = , soit
2

0 0 1 0
a5

1
1 1
a2
a2
0

0
0
a3

a3 2 a3 + 4 a5
2
4

= 1 +

1
a5
a5 = 1 + 1 a3
0
0 0

2
3 4

32 41
a9
a9
1
0
0 0
a2 + a9
4
4
4
4


1
1
2
4
a3 = , soit a3 = et a2 = a5 = a9 = .
Ainsi a2 = a5 = a9 = 2a3 et 2
4
2
7
7

a
0
0
1
0
5
0
0
0
1 1 0

1 0
1 1
a2
a2

1 0

0
a03

a03 4 + 2 a3 + 4 a5
2
4

donne a02 = a05 =

1
1 1 0
De meme, 0 = 1 +

a05 =
a5
0 0
+ a3
0

4 4
0

3 4
4
a09
a
1
3 0
1 0
9
0
0 0
a2 + a9
4
4
4
4
1 0
1
1 0
3
5
1
1
3
1
0
0
0
0
0
0
0
a9 , a3 =
+ a5 et a5 =
+ + a5 , soit a2 = a5 = a9 = et a3 = +
=
(et on a bien
2
2
4
8
8
7
2 14
7
ak + a0k = 1).
c) On a dej`
a 2 = 3 = 5 = 9 = 0 (etats transitoires) et = 1 (1) + 2 (2) o`
u (i) est lunique
distribution stationnaire de la chane
a Ri ,
i 0 et 1 + 2 = 1. On a
restreinte `
!
0 1/2 1/2
(1)
(1)
(1)
(1)
(1)
(1)

(1)
(1)
(1)
(1)
(1)
(1)
6
8
1
8
1
6
1/2 0 1/2 =
(1 , 6 , 8 ) = (1 , 6 , 8 )
,
,
avec
2
2
2
1/2 1/2 0
1
(1)
(1)
(1)
(1)
(1)
(1)
1 + 6 + 8 = 1. On a donc 1 = 6 = 8 =
et 1 = 6 = 8 = 3 . De meme,
3



0 1 0
1 (2) (2)
(2)
(2)
(2)
(2)
(2)
(2)
(2) 1 (2)
(2)
(2)

1/2 0 1/2
=
avec 4 + 7 +
, 4 + 10 , 7
(4 , 7 , 10 ) = (4 , 7 , 10 )
2 7
2
0 1 0
1 (2)
1 (2)
1
(2)
(2)
(2)
(2)
(2)
10 = 1. On a donc 4 = 10 = 7 do`
u 7 = , 4 = 10 = ; 4 = 10 = 4, 7 = 2 .
2
2
4


2
1 2 1
2
1
, 0, 0, , 0, , , , 0,
, i 0 et 1 + 2 = 1 .
Finalement =
3
4
3 2 3
4

Processus de Poisson
8. Calculer la loi du n-i`eme temps darrivee dun processus de Poisson de deux facons :
a) En utilisant [Sn t] = [Nt n] ;
b) En utilisant Sn = T1 + T2 + + Tn .

10

Exercices

a) FSn (t) = P ([Sn t]) = P ([Nt n]) = 1 P ([Nt n 1]) pour n 1 (S0 = 0), soit
n1
X (t)k
t
FSn (t) = 1 e
pour n 1 et t > 0. On a alors,
k!
k=0

fSn (t) = FS0 n (t)

n1
X

k=0

et finalement fSn (t) =

n1

X k ktk1
(t)k
et
k!
k!
k=0
k=1
#
"n1
X k+1 tk n1
X k tk1
t

= e
k!
(k 1)!
k=0
k=1
"n1
#
X k+1 tk n2
X k+1 tk
= et

k!
k!

= et

k=0

n
et tn1 I]0,+[ (t) : on reconnait la densite de la loi gamma Ga(n, ).
(n 1)!

b) Par recurrence,
S1 = T1 donc S1 suit la loi E() = Ga(1, ).
Si Sn suit la loi Ga(n, ), comme Sn+1 = Sn + Tn+1 et que Sn = T1 + T2 + + Tn est independante
de Tn+1 , on a :
fSn+1 (t)

fSn (u)fTn+1 (t u) du

n
eu un1 I]0,+[ (u) e(tu) I]0,+[ (t u) du
(n 1)!
Z
n+1 t
un1 I]0,+[ (u)I]0,+[ (t u) du
e
(n 1)!

avec I]0,+[ (u)I]0,+[ (t u) = 1 si u > 0 et t u > 0, cest-`


a-dire 0 < u < t, soit t > 0 et u ]0, t[. On a
donc
Z t
n+1 t
n+1 t
tn
fSn+1 (t) =
e I]0,+[ (t)
e I]0,+[ (t)
un1 du =
(n 1)!
(n 1)!
n
0
soit fSn+1 (t) =

n+1 t n
e
t I]0,+[ (t) et Sn+1 suit donc bien la loi gamma Ga(n + 1, ).
n!

9. Un radar est place sur une route o`


u il passe en moyenne 5 vehicules en exc`es de
vitesse par heure. On admet que ces vehicules forment un Processus de Poisson. Quelle
est la probabilite quau bout dune demi-heure, une voiture exactement se soit arretee
sachant que :
a) dans le premier quart dheure, aucune voiture na ete prise et dans la premi`ere
heure, deux voitures ont ete prises ;
b) la premi`ere heure, deux voitures ont ete prises et dans les deux premi`eres heures,
trois voitures ont ete prises ;
c) dans les dix premi`eres minutes, aucune voiture na ete prise et dans le premier
quart dheure, une voiture a ete prise.

Processus aleatoires

P ([Nu = k]/[Ns = i] [Nt = j]) =

11

P ([Nu = k] [Ns = i] [Nt = j])


avec
P ([Ns = i] [Nt = j])

P ([Ns = i] [Nt = j])

= P ([Ns = i] [Nt Ns = j i])


= P ([Ns = i])P ([Nt Ns = j i])
= P ([Ns = i])P ([Nts = j i])
(s)i (ts) ((t s))ji
= es
e
i!
(j i)!
j i
ji
s (t s)
= et
i!(j i)!

a) Cas s u t. Pour i k j, on a :
P ([Nu = k] [Ns = i] [Nt = j])

= P ([Ns = i] [Nu Ns = k i] [Nt Nu = j k])


= P ([Ns = i])P ([Nu Ns = k i])P ([Nt Nu = j k])
= P ([Ns = i])P ([Nus = k i])P ([Ntu = j k])

On a donc
P ([Nu = k]/[Ns = i] [Nt = j])

P ([Nus = k i])P ([Ntu = j k])


P ([Nts = j i])

e(us)
=

ki
soit P ([Nu = k]/[Ns = i] [Nt = j]) = Cji

((us))ki (tu) ((tu))jk


e
(ki)!
(jk)!
((ts))ji
(ts)
e
(ji)!

(u s)ki (t u)jk
.
(t s)ji

Pour u = 1/2, k = 1, = 1h1 , s = 1/4, t = 1, i = 0 et j = 2, on a u s =


k i = 1, j k = 1, j i = 2 et pa = 2

11
42
 ,
3 2
4

soit p1 =

1
3
1
, tu = , ts = ,
4
2
4

4
0, 44 .
9

b) Cas u s t. Pour k i j, on a :
P ([Nu = k] [Ns = i] [Nt = j])

= P ([Nu = k] [Ns Nu = i k] [Nt Ns = j i])


= P ([Nu = k])P ([Ns Nu = i k])P ([Nt Ns = j i])
= P ([Nu = k])P ([Nsu = i k])P ([Nts = j i])

On a donc
P ([Nu = k]/[Ns = i] [Nt = j])

P ([Nu = k])P ([Nsu = i k])


P ([Ns = i])
eu

(u)k (su) ((su))ik


k! e
(ik)!
(s)i
s
e
i!

uk (s u)ik
.
si
uk (s u)ik
.
soit P ([Nu = k]/[Ns = i] [Nt = j]) = Cik
si

On a donc P ([Nu = k]/[Ns = i] [Nt = j]) = Cik

Pour u = 1/2, k = 1, = 1h1 , s = 1, t = 2, i = 2 et j = 3, on a s u =


soit pb =

1
= 0, 5 .
2

3
11
, i k = 1 et pb = 2
,
4
22

12

Exercices

c) Cas s t u. Pour i j k, on a :
P ([Nu = k] [Ns = i] [Nt = j])

= P ([Ns = i] [Nt Ns = j i] [Nu Nt = k j])


= P ([Ns = i])P ([Nt Ns = j i])P ([Nu Nt = k j])
= P ([Ns = i])P ([Nts = j i])P ([Nut = k j])

On a donc P ([Nu = k]/[Ns = i] [Nt = j]) = P ([Nut = k j]) = e(ut)

((u t))kj
.
(k j)!

Pour u = 1/2, k = 1, = 1h1 , s = 1/6, t = 1/4, i = 0 et j = 1, on a u t = 1/4, k j = 0 et


pc = e1/4 0, 56 .

10. Les arrivees dautobus `a une station forment un processus de Poisson dintensite .
Chaque autobus sarrete un temps fixe `a la station. Un passager qui arrive `a un instant
t0 monte dans le bus si celui-ci est l`a, attend pendant un temps 0 , puis, si lautobus nest
pas arrive pendant le temps 0 , quitte la station et sen va `a pied.
Determiner la probabilite que le passager prenne lautobus.
Le passager repart `
a pied si lorsquil arrive `
a linstant t0 , il ny a plus de bus, donc le dernier est arrive
avant t0 (sinon, il serait encore l`
a), et si `
a linstant t0 + 0 , le suivant nest toujours pas arrive. Il ne doit
y avoir aucune arrivee de bus entre t0 et t0 + 0 , soit, pendant une duree t0 + 0 (t0 ) = + 0 . Ainsi,
0
la probabilite que le passager reparte `
a pied est P ([Nt0 + 0 Nt0 = 0]) = P ([N + 0 = 0]) = e( + )
et la probabilite que le passager prenne lautobus est 1 e( +

11. Sur une route `a sens unique, lecoulement des voitures peut etre decrit par un
1
processus de Poisson dintensite = s1 . Un pieton qui veut traverser la route a besoin
6
dun intervalle dau moins 4s entre 2 voitures successives. Calculer :
a) la probabilite pour quil doive attendre ;
b) la duree moyenne des intervalles qui lui permettent de traverser la route ;
c) le nombre moyen de voitures quil voit passer avant de pouvoir traverser la route.
a) Le pieton ayant besoin dau moins 4s pour traverser, il devra attendre si U 4.
Z 4

4
Or P ([U 4]) =
eu du = eu 0 = 1 e4 car on a vu `
a lexercice 3 que U suit la loi
0

exponentielle E(). Comme = 1/6, P ([U 4]) = 1 e4/6 .


La probabilite pour quil doive attendre est donc 1 e2/3 0, 487 .
Z
[U >4]
b) On cherche E[U >4] (U ) cest-`
a-dire ufU
(u) du. On a
[U >4]

FU

(u)

P ([U u] [U > 4])


= P [U >4] ([U u]) =
P ([U > 4])

0
si u 4

P ([4 < U u])


FU (u) FU (4)
=
=
si u > 4

P ([U > 4])


P ([U > 4])

Processus aleatoires

13

fU (u)
I]4,+[ (u) = e(u4) I]4,+[ (u) puis
P ([U > 4])
Z +
Z +
E[U >4] (U ) =
u e(u4) du =
(v + 4) ev dv
v=u4 0
4
Z +
Z +
1
v ev dv + 4
ev dv = + 4
=

0
0
Z +
Z +
v ev dv est lesperance dune v.a.r. de loi exponentielle E() et
ev dv lintegrale de
car
[U >4]

et donc fU

(u) =

sa densite.
Ainsi, il faut en moyenne 6 + 4 = 10s pour que le pieton puisse traverser .
c) Soit N le nombre moyen de voitures que voit passer le pieton avant de pouvoir traverser la route.
On a
[N = 0] = [U > 4], o`
u U est le temps entre larrivee du pieton et la prochaine voiture ;
[N = 1] = [U 4] [U1 > 4] o`
u U1 est le temps entre la premi`ere et la deuxi`eme voiture qui se
presentent apr`es larrivee du pieton.
Plus generalement, [N = k] = [U 4] [U1 4] [Uk1 4] [Uk > 4] o`
u Uk est le temps
entre la k-i`eme et la (k + 1)-i`eme voiture qui se presentent apr`es larrivee du pieton.
Les v.a.r. U , U1 , , Uk etant toutes independantes et de meme loi exponentielle E() on a P ([N = 0]) =
P ([U > 4]) = e4 et
P ([N = k])

= P ([U 4])P ([U1 4]) P ([Uk1 4])P ([Uk > 4])


= e4 (1 e4 )k = e2/3 (1 e2/3 )k

(valable aussi pour k = 0). On reconnait la loi geometrique G(e2/3 ) sur N.

GN (s) =

+
X

sk P ([N = k]) = e2/3

k=0
2/3

+
X

(s(1 e2/3 ))k

k=0
2/3

2/3

(1 e
)
e
e
.
et G0N (s) =
1 s(1 e2/3 )
(1 s(1 e2/3 ))2
1 e2/3
= e2/3 1 0, 948.
On a alors E(N ) = G0N (1) =
e2/3
Le pieton voit donc passer en moyenne 1 voiture avant de traverser .

soit GN (s) =

12. On consid`ere un appareil de comptage, qui denombre les voitures sur une route, de
flux poissonien dintensite . Lappareil peut tomber en panne `a linstant T , o`
u T est une
variable aleatoire de loi Gamma (1, a).
Soit X le nombre de vehicules enregistres par lappareil jusqu`a ce quil tombe en
panne. Determiner la loi et lesperance de X.
P ([X = n]) =

P ([X = n]/[T = t])fT (t)dt


[T =t]

avec P ([X = n]/[T = t]) = P ([Xt = n]) (i.e. PX

= PXt ) car, `
a linstant t o`
u lappareil tombe en
n
1 t a1
(t)
et fT (t) =
e t
I]0,+[ (t).
panne, il a enregistre n passages. On sait que P ([Xt = n]) = et
n!
(a)
Donc :
Z +
Z +
n
n
1 t a1
t (t)
e t
P ([X = n]) =
e
dt =
e(+1)t ta+n1 dt
n! (a)
n!(a) 0
0
Z +
n
v a+n1
(a + n)
n
=
ev
dt
=
a+n
n+a
n!(a) 0
( + 1)
( + 1)
(a)n!

14

Exercices

La loi de X etant peu sympathique, pour calculer E(X), il est preferable de passer par E(T =t) (X) =
E(Xt ) = t. On a alors ET (X) = T et E(X) = E ET (X) = E(T ) = a.

Processus de naissance et de mort


13. 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 ?
On a un processus de Markov `
a 2 etats : etat 0 : la machine fonctionne ; etat 1 la machine est en
panne.
Si T est la duree de bon fonctionnement, on a
p0,1 (h) = P ([T < t + h]/[T > t]) =

avec P ([T > t]) =

P ([t < T < t + h])


P ([T > t])

+
x

e
t

dx = e

et P ([t < T < t + h]) =

t+h

ex dx = et e(t+h) donc
t

p0,1 (h) = 1 eh = 1 (1 h + o(h)) = h + o(h)


donc 0 = .
De meme, avec la duree de reparation, p1,0 (h) = h + o(h) donc 1 = .
On a un processus de naissance et de mort extremement simple, puisquil ny a que 2 etats (et un
seul boudin!). Ainsi, il suffit de resoudre :
0
p0 (t) = p0 (t) + p1 (t)
p0 (t) + p1 (t) = 1

p0 (0) = 0
qui equivaut `
a
0
0
p0 (t) = p0 (t) + (1 p0 (t))
p0 (t) = ( + )p0 (t) +
p0 (t) + p1 (t) = 1
p0 (t) + p1 (t) = 1
cest-`
a-dire a
`
.

p0 (0) = 0
p0 (0) = 0
On est conduit a une equation differentielle lineaire du premier ordre, dont une solution particuli`ere

est dont lequation sans second membre a pour solution Ce(+)t .


est
+

+ Ce(+)t avec p0 (0) = 1 =


+ C, donc C = 1
=
et
Ainsi p0 (t) =
+
+
+
+
finalement,

la probabilite que la machine fonctionne `


a linstant t est p0 (t) =

+
e(+)t .
+ +

Processus aleatoires

15

14. 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 effectue un pari, alors, `a ce pari, il gagne 1 euro
avec la probabilite pj ou bien il perd 1 euro avec la probabilite qj = 1 pj . On note ak la
(n)
probabilite de finir ruine avec une fortune initiale de k euro et ak la probabilite de finir
ruine en n paris.
a) Modeliser le probl`eme par une chane de Markov et faire le graphe correspondant.
b) Determiner aN et a0 .
c) Montrer que :
(1)
(n)
(n1)
a1 = q1 et a1 = p1 a2
si n 2 ;
(1)
(n)
(n1)
(n1)
pour j 2, aj = 0 et aj = pj aj+1 + qj aj1 si n 2.
d) En deduire que :
a1 = q1 + p1 a2 et aj = pj aj+1 + qj aj1 si j 2, puis
pj (aj aj+1 ) = qj (aj1 aj ) pour 1 j N 1 ;
aj aj+1 = dj (a0 a1 ) pour 1 j N 1, si on pose dj =
e) Verifier que ak =

N
1
X

(aj aj+1 ) pour 1 k N 1 et que 1 =

q1 qj
.
p1 pj
N
1
X

(aj aj+1 ),

j=0

j=k
NP
1

dj

et en deduire que ak =

j=k

1+

NP
1

.
dj

j=1

f) En deduire, en faisant N +, la probabilite de ruine du joueur.


a) Le processus est bien invariant dans le temps et la connaissance du processus `
a un instant
suffit pour determiner la probabilite doccupation dun etat `
a linstant suivant. On a bien une chane de
Markov, de matrice de transition P = (pi,j ) o`
u pi,i+1 = pi , pi,i1 = qi et pi,j = 0 si |i j| 6= 1 .
b) aN = 0 et a0 = 1 .
(1)

(n)

(n1)

c) a1 = q1 (passage de 1 `
a 0 en 1 etape) et a1 = p1 a2
si n 2 car alors, on est oblige
de commencer par un passage de 1 `
a 2 pour ne pas etre absorbe directement ; il faudra ensuite n 1
etapes pour passer de 2 `
a 0.
(1)

pour j 2, aj

= 0 car on ne peut pas passer directement de j `


a 0.

(n)

Pour determiner aj , on decompose en 2 cas suivant le premier deplacement : soit on commence par
passer de j `
a j +1 (avec la probabilite pj ), soit on commence par passer de j `
a j 1 (avec la probabilite qj )
(n)

; il restera alors n1 deplacements `


a effectuer pour se rendre en 0 et aj
d) Il faut maintenant utiliser aj =

+
X
n=1

(n)

aj

(n1)

= pj aj+1

(n1)

+ qj aj1

si n 2 .

16

Exercices

(1)

a1 = a1 +

(n)

a1

= q1 + p1

n2

(n1)

a2

, soit a1 = q1 + p1 a2 .

n2

(1)

De meme, si j 2, aj = aj +

(n)

aj

= pj

n2

(n1)

aj+1 +qj

n2

(n1)

aj1 , do`
u aj = pj aj+1 + qj aj1 si j 2 .

n2

On a alors, comme aj = (pj + qj )aj , pj (aj aj+1 ) = qj (aj1 aj ) pour 1 j N 1 (car


aj = pj aj+1 + qj aj1 est encore vrai pour j = 1 puisque a0 = 1).
qj
q1
q2 q1
(aj1 aj ) donne a1 a2 = (a1 a0 ), puis a2 a3 =
(a1 a0 ) et de proche
pj
p1
p2 p1
q1 qj
en proche, aj aj+1 = dj (a0 a1 ) pour 1 j N 1, si on pose dj =
.
p1 pj
aj aj+1 =

e)

1
N
X

(aj aj+1 ) est une somme telescopique : tout se simplifie sauf le premier et le dernier

j=k

terme qui vaut aN = 0 et donc

N
1
X

(aj aj+1 ) = ak pour 1 k N 1 .

j=k
N
1
X

Le principe reste le meme si lon part de j = 0. On a alors

(aj aj+1 ) = a0 aN = 1 .

j=0
NP
1

(aj aj+1 )

Ainsi ak =

j=k
NP
1

et, comme (aj aj+1 ) = dj (a0 a1 ) pour j 1, on a bien, en simplifiant

(aj aj+1 )

j=0
NP
1

numerateur et denominateur par (a0 a1 ), on a bien ak =

dj

j=k

1+

NP
1

.
dj

j=1

f) Si le joueur narrete que lorsquil est ruine, cela revient `


a considerer que N + et on a alors
+
P

ak =

dj
j=k
+
P

1+

si
dj

+
X

dj converge.

j=1

j=1

15. 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 facon Poissonnienne, au rythme de par
1
sil y a dej`a m taxis (0 m < K).
heure, mais ne sarretent quavec la probabilite
m+1
a) Verifier quon est en presence dun processus de naissance et de mort et en
donner le graphe (etats (n, m)n0,m{0,K} ).
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.
a) On ne peut jamais avoir en meme temps des taxis et des clients, donc les etats sont
(0, K) (0, 1), (0, 0), (1, 0), , (n, 0), ,

Processus aleatoires

17

les differentes transitions possibles correspondant `


a une arrivee dun client ou dun taxi, on a le graphe
et les equations de balance suivants :

p0,K = p0,K1
K
..
.

p0,1 = p0,0
1
p0,0 = p1,0
..
.
pn1,0 = pn,0
..
.

, p0,K1 = Kp0,K ,..., p0,0 = p0,1 = = K!K p0,K , puis p1,0 = p0,0 ,

1
1
p2,0 = 2 p0,0 ,..., pn,0 = n p0,0 ,... et p0,1 = p0,0 ,..., p0,K =
p0,0 et on obtient p0,0 en ecrivant que

K!K "
#
+
K
X
X
1
n
= 1, qui nest
+
la somme des probabilites de chaque etat vaut 1, ce qui donne p0,0
m!m
n=0
m=1
possible que si < 1. On a alors :
et donc, en posant =

p0,0

"

K
X
1
1
=
+
1 m=1 m!m

#1

, pn,0 = n p0,0 et p0,m =

1
p0,0 .
m! m

1

2
1
1
1
1
b) A.N. : K = 3, = 10, = 15. Alors = et p0,0 =
+ 2 +
+
, soit
8
3
1 23
2 49
6 27
3
1 
1

9
3 9
16
8
2
48 + 24 + 18 + 9
, p0,2 =
=
, i.e. p0,0 =
et on a alors p0,1 =
p0,0 = 3 + + +
2 8 16
16
99
33
11
1
17
. La probabilite quil y ait au moins un taxi est p0,1 + p0,2 + p0,3 =
donc
et p0,3 =
11
33
il ny a pas de taxi pendant la fraction de temps

Une personne qui arrive attend en moyenne

16
soit environ 48, 5% du temps .
33

1
n+1
si elle est seule et
si il y a dej`
a n personne (lattente

1
).

+
+
X
9
32
p0,0 X
p0,0
16
n+1
On a donc Wa =
pn =

=
h 5, 82mn :
(n + 1)n =
, soit Wa =
2

n=0
(1 )
99 15
330
n=0
de chaque taxi est en moyenne

le temps moyen dattente dun client est donc environ 5mn49s .

16. 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 exponentiel de param`etre `a lexterieur avant de rentrer. Soit Xt le nombre de ces etudiants
qui sont sur Toulouse `a linstant t. Verifier que (Xt ) est un processus de naissance et de
mort
son graphe ; etablir que la distribution stationnaire est la loi binomiale

 ; representer

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


B N,
+
1
1
= 5jours et = 2jours.

18

Exercices

Chaque etudiant passe de Toulouse `


a lexterieur avec un taux (car Ti a pour loi E() et la preuve
est la meme qu`
a lexercice 1), et passe de lexterieur `
a Toulouse avec un taux (car Te a pour loi E()).
` partir de 0, la seule transition possible (non negligeable, du moins!) est de 0 vers 1, qui correspond
A
a une entree, pouvant venir de lun des N etudiants : taux N .
`
` partir de N , la seule transition possible est de N vers N 1, qui correspond `
A
a un depart de lun
des N etudiants : taux N .
` partir de k {1, , N 1}, on peut passer `
A
a k 1 si lun des k etudiants quitte Toulouse
(taux k et on peut passer `
a k + 1 si lun des N k etudiants revient `
a Toulouse (taux (N k).
On a bien un processus de naissance et de mort dont le graphe des taux est le suivant :

Pour determiner le regime stationnaire, on ecrit les


On a donc :

N p0

(N
1)p1

..

.
(N

k
+
1)pk1

pN 1

equations de balance, boudin par boudin.


= p1
= 2p2
= kpk
= N pN

ce qui donne, en exprimant toutes les probabilites en fonction de p0 :

p0
p1 =

 2

(N 1)
N (N 1)

p1 =
p0

p2 =

2
2

..
 k
,
(N k + 1)
N (N 1) (N k + 1)

p
=
=
p
p

k
k1
0

k
k!

..

 N

N (N 1) 1

pN 1 =
p0
pN =
N
N!

"N   #
 k

N
N
N  k
X
X k
X
( + )N

k
= 1. Or
p0 et
pk = 1 donne p0
=
=
+1
soit pk = CN

N
k=0
k=0
k=0


k N k

k
et donc pk = CN
. La distribution stationnaire est donc la loi binomiale B N,
.
N
( + )
+
1

=N
.
En particulier, E(X) = N
+
1 +

2
23
1
1
5
A. N. N = 23, E(Ti ) = 5 = et E(Te ) = 2 = , donc = et E(X) =
= 23 .
2

5
2
1+ 5
Le nombre moyen detudiants sur Toulouse est donc 16 .