Titre :

Loi exponentielle et processus de Poisson

homogéne
Table des matières

Table des matières iii

Liste des …gures v

Introduction 1

1 Généralités sur les processus stochastiques 3

1.1 Notions sur la loi exponentielle et la loi de Poisson . . . . . . . . . . . . . . 3
1.1.1 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Notions de processus stochastique . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 Propriétés de processus stochastique . . . . . . . . . . . . . . . . . 14
1.2.2 Processus de comptage . . . . . . . . . . . . . . . . . . . . . . . . . 18

2 Processus de Poisson homogéne 21

2.1 Dé…nitions de processus de Poisson . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Distributions des temps arrivées et temps inter-arrivées . . . . . . . . . . . 27
2.3 Propriétés des processus de Poisson . . . . . . . . . . . . . . . . . . . . . . 32
2.3.1 Somme de deux processus de Poisson indépendants . . . . . . . . . 34

iii
Table des matières

2.3.2 Décmposition d’un processus de Poisson . . . . . . . . . . . . . . . 35

2.4 Lois conditionnelles des instants d’arrivées . . . . . . . . . . . . . . . . . . 36
2.4.1 Processus de Poisson et loi uniforme . . . . . . . . . . . . . . . . . 36
2.4.2 Processus de Poisson et loi binomiale . . . . . . . . . . . . . . . . . 38
2.4.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5 Comportement asymptotique et estimation . . . . . . . . . . . . . . . . . . 42
2.5.1 Comportement asymptotique . . . . . . . . . . . . . . . . . . . . . 42
2.5.2 Estimation de l’intensité d’un processus de Poisson par maximum
de vraisemblance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

Conclusion 47

Bibliographie 48

Annexe A : Logiciel R 49

Annexe B : Abréviations et Notations 52

iv
Table des …gures

1.1 Probabilite d’une (v.a) de loi de Poisson de paramètre 0:5; 2; 5 et 10: . . . . 4

1.2 Densité de loi exponentielle de paramètres 1; 5 et 10: . . . . . . . . . . . . 8
1.3 Densité de loi gamma des paramètres = 20; 15; 10 . . . . . . . . . . . . . 10
1.4 Processus aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Processus de comptage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.1 Trajectoires d’un processus de Poisson d’intensité = 1; 2; 5; 10: . . . . . . 22

2.2 Tn temps de realisation de Ia nieme occurrence. . . . . . . . . . . . . . . . . 27

v
Introduction

L
orsque l’on désire établir un modèle mathématique d’un phénomène réel, il est
souvent nécessaire de faire de nombreuses hypothèses simpli…catrices pour rendre
le modèle tractable du point de vue calculatoire. Une hypothèse simpli…catrice souvent
émise en pratique est que certaines variables aléatoires suivent une loi exponentielle. Ceci
se justi…e du fait de la simplicité de calcul liée à la cette loi mais aussi du fait qu’elle
constitue souvent une bonne approximation du phénomène réel. La loi exponentielle est
la loi de la durée de vie d’un matériel qui ne s’use pas au cours du temps. Un tel matériel
possède un taux de destruction (taux de panne) constant dans le temps.
Les processus de Poisson (du nom du mathématicien français Siméon Denis Poisson
(1781-1840)) sont bien adaptés pour expliquer des processus d’arrivées. Des exemples de
ces processus sont larges : appels téléphoniques à un standard, arrivé d’un client à un
guichet, sinistres subis par une compagnie d’assurance, panne sur une machine. . .
Les processus de Poisson que j’ai étudiés sont des processus temporels, mais il est bon de
savoir qu’il existe des processus de Poisson dans d’autres espaces. Les processus de Poisson
temporels se divisent en trois types : les processus de Poisson homogènes, les processus de
Poisson non homogènes et les processus composés. Nous nous contenterons d’approfondir
ceux dits homogènes, c’est-à-dire de paramètre constant.
Le but de notre travail est de présenter le processus de Poisson homogène ainsi que ces
propriétés fondamentales, et estimer l’intensité par la méthode de maximum de vrai-
semblance. De plus utilisée le logiciel statistique R pour présenter la notion de trajectoire

1
Introduction

de ce processus.
Ce mémoire est constitué de deux chapitres,
Dans le premier chapitre, on cible deux importantes notions dans la modélisation. La pre-
mière est la loi exponentielle qui est la seul loi de probabilité qui possède la propriété
d’absence de mémoire, la deuxième est le processus stochastique. On s’intéresse à des pro-
cessus dit de comptage. La description d’un phénomène par des valeurs discrètes conduit
à des processus de comptage dont le plus simple est le processus de Poisson utilisé dans
la théorie des …les d’attente.
Ensuite le deuxième chapitre consiste à dé…nir de façon rigoureuse le plus connu et le
plus simple d’entre eux, appelé ici processus de Poisson homogène, ainsi que d’en chercher
les caractéristiques principales. Nous découvrirons que le processus de Poisson possède des
liens étroits avec la loi exponentielle.
Nous terminera ce travail avec une conclusion.

Siméon Denis Poisson (21 juin 1781 à Pithiviers - 25 avril 1840 à Sceaux) ;né et mort
en France, est un mathématicien, géomètre et physicien franç[Link]é pour transfor-
mée de Fourier, théorie des probabilité ( loi de Poisson).

2
Chapitre 1

Généralités sur les processus

stochastiques

Nous commeçons par rappeler quelques lois de probabilité usuelles qui joueront un rôle
important dans la suite.

1.1 Notions sur la loi exponentielle et la loi de Poisson

Un premier loi important dans notre travaille est la loi de Poisson.

1.1.1 Loi de Poisson

Cette loi est en général utilisée des évènements rares comme le nombre d’accidents de
voiture, Le nombre de clients se présentant à un guichet automatique d’une banque en
une heure,.... En fait, la loi de Poisson a été introduite en 1838 par Siméon-Denis Poisson.

Dé…nition 1.1.1 On dit que la variable aléatoire (v.a) X suit une loi de Poisson de
paramètre > 0, et on note X P( ), si elle prend des valeurs entières non-négatives,
avec probabilité
k
P (X = k) = exp ( ), k = 0; 1; 2::: . (1.1)
k!

3
Chapitre 1.Généralités sur les processus stochastiques

La …gure (1:1) représente la probabilité d’une variable aléatoire de loi de Poisson des pa-
ramètres 0:5; 2; 5; 10. Ils ont été obtenus dans le logiciel R par la commande rpois().

Fig. 1.1 –Probabilite d’une (v.a) de loi de Poisson de paramètre 0:5; 2; 5 et 10:

Dé…nition 1.1.2 La fonction génératrice des moments G (t) de la (v.a) X est dé-
…nie pour toutes les valeurs t par

8 X
>
> exp (tx) P (X = k) ; si X est discrét.
>
>
< x
GX (t) = E [exp (tX)] = Z+1
>
>
>
> exp (tx) f (x) dx; si X est continue.
:
1

On appelle GX (t) la fonction génératrice des moments car tous les moments de X peuvent
être obtenus en di¤érenciant successivement GX (t). Par exemple,

0 d d
GX (t) = E [exp (tX)] = E exp (tX) = E [X exp (tX)] :
dt dt

Par conséquent,
0
GX (0) = E [X] : (1.2)

4
Chapitre 1.Généralités sur les processus stochastiques

De même,

00 d 0 d
GX (t) = GX (t) = E (X exp (tX)) = E X 2 exp (tX) :
dt dt

Et donc
00
GX (0) = E X 2 : (1.3)

En général,

GnX (0) = E [X n ] ; n 1:

Mentionnons quelques propriétés de base de cette loi

Proposition 1.1.1 1. La fonction génératrice des moments d’une variable aléa-

toire de Poisson est donnée par

GX (t) = E [exp (tX)] = exp [ (exp (t) 1)] : (1.4)

2. Si X suit une loi de Poisson de paramètre , alors

E (X) = Var (X) = :

3. Si X et Y sont indépendantes, et suiventdes lois de Poisson de parametre et

respectivement, alors X + Y suit une loi de Poisson de paramètre + .

5
Chapitre 1.Généralités sur les processus stochastiques

Preuve.

1. On a
X
1 k
GX (t) = E [exp (tX)] = exp (tk) exp ( )
k=0
k!
X1
( exp (t))k
= exp ( )
k=0
k!

= exp ( ) exp ( exp (t))

= exp [ (exp (t) 1)] :

2. On calcule les dérivées de la fonction génératrice

0
GX (t) = exp (t) exp [ (exp (t) 1)] ;

00
GX (t) = ( exp (t))2 exp [ (exp (t) 1)] + exp (t) exp [ (exp (t) 1)] ;

En utilisant successivement les formules (1:1) et (1:2), on obtient

0 00
E (X) = GX (0) = ; E [X 2 ] = GX (0) = 2
+ ;

et
Var (X) = E X 2 (E (X))2 = :

Ainsi, à la fois l’espérance et la variance de X, égales à :

3. Pour démontrer cette proposition le plus rapide, nous utilisons la fonction génératrice
de X + Y .

GX+Y (t) = E [exp (t (X + Y ))] = E [exp (tX)] E [exp (tY )]

Par indépendance de X et Y:
(1.5)
= GX (t) GY (t) :

6
Chapitre 1.Généralités sur les processus stochastiques

Ainsi
GX+Y (t) = exp [ (exp (t) 1)] exp [ (exp (t) 1)]
= exp [( + ) (exp (t) 1)] :

Qui est la fonction génératrice de la loi P( + ):

On déduit que X + Y a pour loi P( + ):
La somme de n variables indépendantes de loi de Poisson suit encore une loi de Poisson.

Proposition 1.1.2 Soient X1 ; X2 ; :::; Xn des variables indépendantes de loi respective

P( i ), alors !
X
n X
n
Xi P i :
i=1 i=1

Preuve. Soit
X
n
Z= Xi ;
i=1

où X1 ; X2 ; :::; Xn ; 8n 2 N sont des (v.a) indépendantes ; alors

" !#
X
n
GZ (t) = E [exp (tZ)] = E exp t Xi
i=1
" #
Y
n
= E exp (tXi )
i=1

Y
n
= E [exp (tXi )] (1.6)
i=1
car Xi sont indépendantes

Y
n
= exp [( i ) (exp (t) 1)]
i=1
" ! #
X
n
= exp i (exp (t) 1) :
i=1

!
X
n
Qui est la fonction génératrice de la loi P i .
i=1!
X
n X
n
On déduit que Z = Xi a pour loi P i :
i=1 i=1

7
Chapitre 1.Généralités sur les processus stochastiques

Une deuxième loi importante dans cet section est la loi exponentielle.

1.1.2 Loi exponentielle

Dé…nition 1.1.3 On dit que la (v.a) X suit une loi exponentielle de paramètre > 0, et
on note X Exp ( ), si elle satisfait

P (X > t) = e t
; pour tout t 0: (1.7)

Sa fonction de répartition est donc

8
>
< 1 exp( t) si t 0
FX (t) = ;
>
: 0 si non

et sa densité 8
>
< exp( t) si t 0
fX (t) = :
>
: 0 si non

Regardons à nouveau l’e¤et du paramètre sur la distribution de la variable avec les

quelques graphiques. La commande à taper dans R est dexp().

Fig. 1.2 –Densité de loi exponentielle de paramètres 1; 5 et 10:

8
Chapitre 1.Généralités sur les processus stochastiques

Proposition 1.1.3 1. La fonction génératrice des moments d’une (v.a) expo-

nentielle est donnée par

GX (t) = E [exp (tX)] = , t< : (1.8)

t

2. Si X suit une loi exponentielle de paramètre , alors

1 1
E (X) = et Var (X) = : (1.9)
2

Preuve.

1. On peut calculer facilement la fonction génératrice des moments de la (v.a) X

Exp ( ),
Z+1
GX (t) = E [exp (tX)] = exp (tx) f (x) dx
0
Z+1
= exp (tx) exp ( x) dx
0
Z+1
= exp ( ( t) x) dx:
0

Pour t , la fonction n’est pas intégrable en l’in…ni, tandis que pour t < , on a

GX (t) = :
t

2. Nous notons par la dérivation précédente que, pour la distribution exponentielle, GX (t)
n’est dé…ni que pour des valeurs de t inférieures à :

0 00 2
GX (t) = 2; et GX (t) = :
( t) ( t)3

9
Chapitre 1.Généralités sur les processus stochastiques

On obtient,

0 1 00 2
E (X) = GX (0) = ; et E [X 2 ] = GX (0) = 2
:

Alors
1
Var (X) = E X 2 (E (X))2 = 2
:

La somme de n variables indépendantes de loi exponentielle de même paramètre suit la

loi Gamma (n; ).

Proposition 1.1.4 Soient X1 ; X2 ; :::; Xn des variables indépendantes de loi exponentielle

Exp ( ), alors
X
n
Xi (n; ) ;
i=1

où (n; ) est la loi Gamma de paramètre n et :

Ces graphiques ont été obtenus dans R avec la commande dgamma(x; n; ).

Fig. 1.3 –Densité de loi gamma des paramètres = 20; 15; 10

10
Chapitre 1.Généralités sur les processus stochastiques

Proposition 1.1.5 1. Sa densité est donnée par

n
f (t) = tn 1
exp ( t) 1t 0 (t) : (1.10)
(n 1)!

2. L’espérance et la variance d’une variable Y suit la loi Gamma ( (n; ))

n n
E (Y ) = et Var (Y ) = 2
:

3. La fonction génératrice des moments d’une (v.a) Y de loi Gamma est donnée
par
n
GY (t) = E [exp (tY )] = , t< :
t

Rappel : Si X admet comme fonction de densité fX et Y admet comme fonction de

densité fY , avec X et Y indépendantes, la fonction de densité de X + Y est le produit
de convolution
Z+1
ffX ? fY g (t) = fX (u) fY (t u) du:
1

Preuve.

1. On va montrer que la fonction de densité de la variable

X
n
Sn = Xi ;
i=1

est
n
fSn (t) = tn 1
exp ( t) 1t 0 (t) : (1.11)
(n 1)!

Simple récurrence, en utillisant le rappel, la fonction de densité de S1 = X1 est bien

1
fS1 (t) = t0 exp ( t) 1t 0 (t) ;
0!

11
Chapitre 1.Généralités sur les processus stochastiques

et pour n + 1, 8t > 0

Z+1
fSn ? fXn+1 (t) = fSn (u) fXn+1 (t u) du
1

Zt n
= un 1
exp ( u) exp ( (t u)) du
(n 1)!
0

n+1 Zt n+1
exp ( t) exp ( t) tn
= un 1 du = :
(n 1)! (n)!
0

2. On note
X
n
Y = Xi ;
i=1

où X1 ; X2 ; :::; Xn des (v.a) indépendantes alors

!
X
n X
n
n
E (Y ) = E Xi = E (Xi ) = nE (X1 ) = ;
i=1 i=1 car Xi sont indépendant

et !
X
n X
n
n
Var (Y ) = Var Xi = Var (Xi ) = nVar (X1 ) = 2
:
i=1 i=1

3. Facilement en utilisant successivement les formules (1:5) et (1:7), on obtient

Y
n
GY (t) = E [exp (tY )] = E [exp tXi ]
i=1

Y
n i
=
i=1
t
n
= ; t< :
t

12
Chapitre 1.Généralités sur les processus stochastiques

Une propriété caractéristique de la loi exponentielle est la propriété dite d’absence de

mémoire.

Proposition 1.1.6 Supposons que X Exp ( ) ; pour tous s; t 0, on a

P [X > s + tjX > s] = P [X > t] : (1.12)

Preuve. Par la formule (1:6), on peut écrire

P [X > s + t; X > s]
P [X > s + tjX > s] =
P [X > s]
P [X > s + t]
=
P [X > s]

exp ( (s + t))
=
exp ( s)

= exp ( t) = P [X > t] :

Remarque 1.1.1 Dans la suite, on va utiliser des variables aléatoires de loi exponentielle
pour modéliser le temps écouler entre deux occurence d’un évènement.

1.2 Notions de processus stochastique

Les processus aléatoires ou stochastiques ont été conçus pour modéliser l’évolution
temporelle de phénomènes aléatoires. Ils sont d’écrits par des familles discret ou continues
de variables ou de vecteurs aléatoires (Xt )t2T , ou T est l’ensemble des temps d’observation
des états du processus.

Dé…nition 1.2.1 Un processus stochastiques est une famille de (v.a) fXt ; t 2 Tg,
indexée par l’ensemble T et dé…nie sur un même espace de probabilité ( ; A; P) à valeur
dans un espace mésurable (E; E).

13
Chapitre 1.Généralités sur les processus stochastiques

T est l’espace des paramètres, ou espace des temps dénombrable ou continue,

car le paramètre t 2 T est souvent un paramètre temporel.

E est l’espace des valeurs des (v.a) Xt , appelé espace d’états.

Si T est dénombrable, on parle de processus stochastique à temps discret et si T est

une partie de R, on parle alors de processus stochastique à temps continue.

De même pour l’espace E ; on parle de processus stochastique discret ou continu.

Un processus dépend de deux paramètres : Xt (!) dépend de t (en général le temps) et

de l’aléatoire ! 2 :

Fig. 1.4 –Processus aléatoire

1.2.1 Propriétés de processus stochastique

Loi de processus

La loi d’un processus stochastique est donnée par ces lois …ni-dimensionnelles.

Dé…nition 1.2.2 Les distributions à dimensions …nies du processus stochastique

(Xt )t2T sont les distributions de vecteur (Xt1 ; :::; Xtn ), t1 ; t2 ; :::; tn 2 T à dimensions …nies.

14
Chapitre 1.Généralités sur les processus stochastiques

Alors la famille des lois des variables aléatoires (Xt1 ; :::; Xtn ) s’appelle la famille des lois
…ni dimensionnelles ou famille de répartition …nie de (Xt )t2T . Cette fonction est donnée
par

FXt1 ;:::;Xtn (x1 ; : : : ; xn ) = P fXt1 xn ; : : : ; Xtn xn g ; pour t1 ; t2 ; :::; tn 2 T.

Dans la suite nous nous intéressons souvent aux deux propriétés suivantes des processus
stochastiques.

Dé…nition 1.2.3 Soit un processus stochastique (Xt )t2T indexé dans un ensemble T R.
La (v.a) (Xti Xtj ) où ti < tj est l’accroissement du processus sur l’intervalle [ti ; tj [:

Dé…nition 1.2.4 Un processus stochastique (Xt )t2T à accroissements stationnaires

si 8h > 0 la loi accroissements (Xt+h Xt ) ne dépend pas de t:

Dé…nition 1.2.5 Un processus stochastique est dit à accroissement indépendant si

8n 2 N, pour tout t0 = 0 t1 t2 ::: tn < 1, les variables Xt1 Xt0 ; :::; Xtn Xtn 1

sont indépendantes.

Dé…nition 1.2.6 Deux processus stochatisques fXt ; t 2 Tg et fYt ; t 2 Tg sont dits

indépendants si tout événement dé…ni à partir du premier est indépendant de tout évé-
nement dé…ni à partir du second, c’est-à-dire si pour tout n 2 N et tout ensemble de n
éléments t1 ; :::; tn de T , les vecteurs aléatoires (Xt1 ; :::; Xtn ) et (Yt1 ; :::; Ytn ) sont indépen-
dants.

Une notion importante est celle de trajectoire, à mettre en parallèle avec celle de réali-
sation pour une (v.a).

Dé…nition 1.2.7 À éventualité ! 2 …xée, la trajectoire ou !-trajectoire du processus

Xt est la courbe suivante
t 2 T 7 !Xt 2 R.

15
Chapitre 1.Généralités sur les processus stochastiques

Exemple 1.2.1 On considère un processus de Bernoulli, il s’agit d’une suite d’épreuves

indépendantes de Bernoulli (Ym )m2N pouvant prendre deux valeurs, par exemple 0 et 1 avec

P(Ym = 1) = p et P(Ym = 0) = 1 p:

Continuité des processus

Dé…nition 1.2.8 Un processus stochastique (Xt )t2T est continue en probabilité au

point t si

P ( jXt+h Xt j > ) !0 si h ! 0:

Dé…nition 1.2.9 On dit qu’un processus stochastique est localement continu en pro-
babilité, si pour tout t 0 ; on a

lim P(Xt+h Xt 1) =0:

h!0

16
Chapitre 1.Généralités sur les processus stochastiques

Dé…nition 1.2.10 Le processus stochastique (Xt )t2T est dit continu à droite avec limite
à gauche (càdlàg) s’il a des trajectoires continues à droite et ont des limites à gauche
presque sûres.

Quantités importantes

Voici quelques concepts utiles en théorie des processus stochastiques, ce sont les fonctions
moyenne, corrélation et covariance.

Dé…nition 1.2.11 Soit (Xt )t2T un processus stochastique.

Fonction moyenne d’un processus stochastique est donné par

X (t) = E[Xt ]:

Variance d’un processus stochastique Xt est donné par

2
Var(Xt ) = t = E[Xt E[Xt ]]2 .

Fonction de covariance,

(t; s) = Cov(Xt ; Xs ) = E[(Xt E(Xt ))(Xs E(Xs )].

Fonction d’autocorrélation

Cov(Xt ; Xs )
Corr (Xt ; Xs ) = p .
Var(Xt )Var(Xs )

Remarque 1.2.1 Un processus X = (Xt )t2T est centré, si 8t 2 T la (v.a) Xt est inté-
grable et E[Xt ] = 0:

17
Chapitre 1.Généralités sur les processus stochastiques

1.2.2 Processus de comptage

La plupart des phénomènes aléatoires demandent une modélisation et étude au cours

du temps, comme les processus de comptage Nt , t 2 R+ , tq les :

Appels arrivant dans un standard téléphonique.

Arrivées de clients à un guichet.

Survenue de pannes dans un parc de machines,...

Le type de processus stochastique étudié dans la suite porte le nom de processus de

comptage.

Dé…nition 1.2.12 Un processus stochastiques fN (t) ; t 0g est appelé processus de

comptage si N (t) représente le nombre de sauts qui sont arrivés avant l’instant t, et
supposons que N (0) = 0:

Exemple 1.2.2 On peut compter le nombre de visiteurs dans un musée qui sont arrivés
avant l’instant t. Chaque saut correspond à l’arrivée d’un nouveau visiteur.

Le processus de comptage véri…e les propriétés suivantes

Propriété 1.2.1 Soit (N (t))t 0 un processus de comptage. On a

1. N (t) 0;

2. N (t) 2 N;

3. Si s < t, alors N (s) N (t);

4. Pour tout couple (s; t) s < t, N (t) N (s) représente le nombre de sauts intervenus
dans l’intervalle de temps ]s; t] :

5. Un processus de comptage N (t) est à valeurs entières positivrs , et croissante.

6. Les trajectoires t 7 ! Nt (!) sont continues à droite et limitées à gauche.

18
Chapitre 1.Généralités sur les processus stochastiques

Supposons que des événements se produisent au cours du temps et notons Tn la (v.a)

"Temps d’occurrence du nieme événement" 8n 2 N.
Le processus fTn ; n 2 Ng, appelé processus des temps d’occurrence (d’arrivées),
est continu à temps discret. Par convention, on pose T0 = 0. A partir de ce processus
des temps d’occurrence, il est possible de dé…nir le processus de comptage. Un second
processus peut être associé au processus des temps d’occurrence ; le processus des temps
d’inter_occurrence (d’inter_arrivées) fSn , n 2 Ng où 8n 2 N, la variable aléatoire
Sn est le temps d’attente entre les (n 1)ieme et nieme occurrences, c-à-d

Sn = Tn Tn 1 :

Fig. 1.5 –Processus de comptage

19
Chapitre 1.Généralités sur les processus stochastiques

Remarque 1.2.2 La connaissance du processus N (t) ou des temps d’arrivées sont équi-
valentes. On vient de voir comment N (t) dépend des Tn ; graphiquement, les Tn sont les
instants de saut des trajectoires. On peut aussi noter les égalités d’événements suivantes :

fNt ng = fTn tg et fNt = ng = fTn t < Tn+1 g :

20
Chapitre 2

Processus de Poisson homogéne

Le processus de Poisson est un processus de comptage qui modélise la répartition dans

le temps d’événements comme l’arrivée d’appels à un central téléphonique, occurrence
d’accident dans une ville, panne de machines dans une usine. . .
Dans ce chapitre, nous présentons quelques dé…nitions du processus de Poisson et discu-
tons de plusieurs propriétés ainsi que des relations avec certaines distributions de probabi-
lité bien connues, et estimer l’intensité par la méthode de maximum de vraisemblance.

2.1 Dé…nitions de processus de Poisson

Dé…nition 2.1.1 Un processus de comptage fNt ; t 0g est un processus de Poisson

d’intensité ; > 0, s’il véri…e les propriétés suivantes :

(i) N (0) = 0 ;

(ii) (Nt )t 0 est à accroissements indépendants ;

(iii) Le nombre d’occurrences dans un intervalle de temps quelconque de longueur t suit

la loi de Poisson de paramètre t, c’est-à-dire,8s; t 0, on a

( t)n
P fNs+t Ns = ng = exp ( t) (n 0) :
n!

21
Chapitre 2. Processus de Poisson homogéne

Fig. 2.1 –Trajectoires d’un processus de Poisson d’intensité = 1; 2; 5; 10:

Une autre façon de dé…nir un processus de Poisson est la suivante.

Dé…nition 2.1.2 Le processus de comptage fNt ; t 0g est un processus de Poisson

d’intensité , > 0, si

(a) N (0) = 0 ;

(b) Le processus est à accroissements indépendants et stationnaires ;

(c) P fNh = 1g = h + o(h), pour h ! 0 ;

(d) P fNh 2g = o(h), pour h ! 0.

Rappel : o(:) est une fonction, tell que

o (h)
lim = 0:
h!0 h

22
Chapitre 2. Processus de Poisson homogéne

Théorème 2.1.1 Les dé…nitions (2:1:1) et (2:1:2) sont équivalentes.

Preuve. Soit fNt ; t 0g, nous montrons que la dé…nition (2:1:1) implique la dé…nition
(2:1:2) :

(a) C’est (i).

(b) On sait que le processus est à accoroissements indépendants par (ii), et le processus est
à accoroissements stationnaires car on voit bien que seule la longueur de l’intervalle
t intervient dans (iii) :

(c) On fait un développement limité pour h ! 0

P fNh = 1g = h exp ( h)d’aprés (iii)

= h (1 + o (1))développement limité de exp( h) pour h!0:

= h + o (h) :

(d) On a, pour h au voisinage de 0

X
P fNh 2g = P fNh = kg
k 2
X ( h)k
= exp ( h)
k 2
k! d’aprés (iii)
!
X ( h)k
= exp ( h) 1 h
k 0
k!
on somme sur N puis on retire les deux premiers termes.

= exp ( h) (exp ( h) 1 h)
= 1 exp ( h) (1 + h)
= 1 (1 h + o (h)) (1 + h)par D.L
= 1 1 h + h + o (h)
= o (h) :

Réciproquement, nous montrons que la dé…nition (2:1:2) implique la dé…nition (2:1:1) :

(i) C’est (a).

23
Chapitre 2. Processus de Poisson homogéne

(ii) C’est (b).

(iii) Pour montrer qu’une (v.a) Nt véri…ant la dé…nition (2:1:2) suit une loi de Poisson,
nous utiliserons le fait que la transformée de Laplace caractérise la loi.

Tout d’abord, calculons la transformée de Laplace d’une loi de Poisson.

Soit X une (v.a) réelle suivant une loi de Poisson de paramètre t > 0. On a alors 8u 0

X
E [exp ( uX)] = exp ( un) P (X = n)
n2N
X ( t)n
= exp ( un) exp ( t)
n2N
n!

X ( t exp ( u))n
= exp ( t)
n2N
n!

= exp ( t) exp ( t exp ( u))

= exp ( t (exp ( u) 1)) :

Soit Nt véri…ant la dé…nition (2:1:2) : Calculons sa transformée de Laplace

…xons u 0 et dé…nissons
g (t) = E [exp ( uN (t))] :

8h > 0 on calcule

g (t + h) = E [exp ( uN (t + h))]

= E [exp ( uN (t)) exp ( u (N (t + h) N (t)))]

= E [exp ( uN (t))] E [exp ( u (N (t + h) N (t)))]accroissements indépendants

= g (t) E [exp ( u (N (h) N (0)))]accroissements stationnaires

= g (t) E [exp ( uN (h))]car (N (0)=0):

24
Chapitre 2. Processus de Poisson homogéne

D’après (c) et (d), on obtient

P fN (h) = 0g = 1 P fN (h) 1g
= 1 [P fN (h) = 1g + P fN (h) 2g]
= 1 h + o (h) :

Ainsi on obtient

X
E [exp ( uN (h))] = exp ( un) P (N (h) = n)
n 0

= P (N (h) = 0) + exp ( u) P (N (h) = 1)

X
+ exp ( un) P (N (h) = n) :
n 2

Or
X
8n 2; P fN (h) 2g = P (N (h) = k) P (N (h) = n) :
k 2

D’où on a

E [exp ( uN (h))] 1 h + o (h) + exp ( u ( h + o (h)))

!
X
+ exp ( un) P fN (h) 2g
n 0

= 1 h + o (h) + exp ( u ( h + o (h)))

!
X
+ exp ( un) o (h)
n 0

= 1 h (1 exp ( u)) + o (h) :

Ainsi on a

g (t + h) = g (t) [1 h (1 exp ( u)) + o (h)] :

Impliquant que, 8h 2 R

g (t + h) g (t) o (h)
= g (t) (exp ( u) 1) + ;
h h

25
Chapitre 2. Processus de Poisson homogéne

donc la limite existe quand h ! 0. Ainsi g est dérivable, donc

g 0 (t) = g (t) (exp ( u) 1) :

En outre,
g 0 (t)
8t 0, g (t) > 0, = (exp ( u) 1) :
g (t)

C’est à dire en intégrant, et l’utilisation de g (0) = 1

log (g (t)) = t (exp ( u) 1) :

Or

g (t) = exp f t (exp ( u) 1)g :

Autrement dit, la transformée de Laplace de N (t) évaluée en u est f t (exp ( u) 1)g :

comme il s’agit également de la transformée de Laplace d’une (v.a) de Poisson avec la
moyenne t, le résultat découle du fait que la distribution d’une variable aléatoire non
négatif est uniquement déterminée par sa transformée de Laplace, d’où (iii).

Exemple 2.1.1 Le processus de comptage des voitures contrôlées à un guichet d’auto-

route, durant un intervalle de temps donné ou l’intensité est constante, est un processus
de Poisson. Supposons que Ie nombre de voitures franchissant un péage donné est décrit
par un processus de Poisson de paramètre = 300 (voitures par heure). Le nombre aléa-
toire de véhicuies franchissant Ie péage en une minute est décrit par Ia (v.a) de Poisson
N(s+ 1 ) Ns de Ioi
60

n
300
n o 300 60 exp ( 5) (5)n
8n 0; P N(s+ 1 ) Ns = n = exp = :
60 60 n! n!

26
Chapitre 2. Processus de Poisson homogéne

Graphe d’une réalisation du processus de Poisson d’intensite = 5.

Fig. 2.2 –Tn temps de realisation de Ia nieme occurrence.

2.2 Distributions des temps arrivées et temps inter-

arrivées

Dé…nition 2.2.1 Le premier événement dans un processus de Poisson (Nt )t 0 d’intensité

eme
arrive après un temps de loi exponentielle de paramètre . Le ni événement arrive
après un temps

Tn = S1 + S2 + ::: + Sn ; n 1:

Où la suite S1 ; S2 ; :::; Sn , n 1 sont des (v.a) indépendantes de loi exponentielle de para-

mètre > 0:

Dé…nition 2.2.2 Etant donné un processus ponctuel (Tn )n 0 , on dé…nit la suite (Sn )n 1

des inter-arrivées par

Sn = Tn Tn 1 ; pour n 1:

La (v.a) réelle Sn représente l’intervalle de temps entre deux arrivée de tops consécutives.

27
Chapitre 2. Processus de Poisson homogéne

Lorsque l’on observe un processus, il est naturel de s’intéresser au temps d’attente entre
les sauts ; on a alors le résultat fondamental suivante

Théorème 2.2.1 Soit

Tn = inf ft 0; N (t) ng et Sn = Tn Tn 1 ; pour n 1:

Alors

1. Les instants d’inter-arrivées (Sn )n 1 , est une suite des (v.a) i.i.d de loi Exp ( ), > 0.
La densité donnée par

n
f(S1 ;:::;Sn ) (s1 ; :::; sn ) = exp ( sn ) 10<s1 <:::<sn

2. Tn = S1 + S2 + ::: + Sn suit la loi (n; ) de densité

n
fTn (t) = tn 1
exp ( t) 1t 0 (t) :
(n 1)!

Ce résultat justi…e la place particulier de la loi exponentielle dans l’étude des modèles de
durée.
Preuve.

1. On montre que le vecteur des temps d’arrivée (T1 ; :::; Tn ) admet pour densité

n
f(T1 ;:::;Tn ) (t1 ; :::; tn ) = exp ( tn ) 10<t1 <:::<tn :

Soit n 2 N

Étape1 : changement de variable

Supposons que le vecteur aléatoire (T1 ; :::; Tn ) soit à densité, de densité ':

28
Chapitre 2. Processus de Poisson homogéne

Soit f : Rn ! R continue bornée, alors comme T1 T2 ::: Tn , par un changement

de variable tk = s1 + ::: + sk (1 k n) de jacobien 1 (la matrice jacobienne est
triangulaire), on a

E [f (S1 ; :::; Sn )] = E [10<T1 ::: Tn f (T1 ; :::; Tn Tn 1 )]

Z
= f (t1 ; :::; tn tn 1 ) ' (t1 ; :::; tn ) dt1 :::dtn
0 t1 ::: tn
Z
= f (s1 ; :::; sn ) ' (s1 ; :::; s1 + ::: + sn ) ds1 :::dsn :
0 s1 ::: sn

Donc
: (s1 ; :::; sn ) ! ' (s1 ; s1 + s2 :::; s1 + ::: + sn ) ;

est la densité de (S1 ; :::; Sn ) :

Étape2 : calcul de la densité de (T1 ; :::; Tn )

Soit l’évènement

An = fT1 2 [t1 ; t1 + h1 [ ; T2 2 [t2 ; t2 + h2 [ ; :::; Tn 2 [tn ; tn + hn [g ;

où 0 < t1 < t1 + h1 < t2 < t2 + h2 < ::: < tn < tn + hn , alors An est la réunion des
évènements :

– zéro top dans[0; t1 [ est exactement un top dans [t1 ; t1 + h1 [ ;

– zéro top dans [t1 + h1 ; t2 [ est exactement un top dans [t2 ; t2 + h2 [ ;
.
– ..
– zéro top dans [tn 1 + hn 1 ; tn [ est au moins un top dans [tn ; tn + hn [.

29
Chapitre 2. Processus de Poisson homogéne

D’où

P (An ) = P(t1 < T1 < t1 + h1 ; :::; tn < Tn < tn + hn )

= P(Nt1 = 0; Nt1 +h1 Nt1 = 1; :::; Ntn Ntn 1 +hn 1 = 0; Ntn +hn Ntn 1):

Or, le processus étant à accroissements indépendants, les (v.a) « nombre de tops » dans
des intervalles disjoints sont indépendantes de sorte que

P (An ) = P (Nt1 = 0) P (Nt1 +h1 Nt1 = 1) P (Nt2 Nt1 +h1 = 0)

P (Nt2 +h2 Nt2 = 1) ::: P Ntn Ntn 1 +hn 1 =0 P (Ntn +hn Ntn 1)

= exp ( t1 ) exp ( h1 ) h1 exp ( (t2 (t1 + h1 ))) exp ( h2 ) h2 : : :

: : : exp ( (tn (tn 1 + hn 1 ))) (1 exp ( hn ))

n 1
= exp ( tn ) (1 exp ( hn )) h1 :::hn 1 :

Pour conclure, il su¢ t de remarquer que

tZ
1 +h1 tnZ+hn
n
P (An ) = ::: 10< 1 ::: n exp ( n ) d 1 :::d n :

=t0 =tn

Ceci valant pour tous les pavés [t1 ; t1 + h1 [ ::: [tn ; tn + hn [, qui constituent une classe
stable par intersection engendrant B (Rn ) donc (T1 ; :::; Tn ) a pour densité

n
10< 1 ::: n exp ( n) :

Conclusion : Selon la première étape, la densité de (S1 ; :::; Sn ) est

n
(s1 ; :::; sn ) ! exp ( s1 ) ::: exp ( sn ) 1Rn (s1 ; :::; sn ) :

30
Chapitre 2. Processus de Poisson homogéne

En calculant les densités marginales, on constate immédiatement que

f(S1 ;:::;Sn ) (s1 ; :::; sn ) = fS1 (s1 ) :::fSn (sn ) ;

en d’autres termes, S1 ; :::; Sn sont indépendantes.

La loi de Tn est donc (n; ) en vertu du la proposition (1:4) dans le 1ere chapiter.

Remarque 2.2.1 Il résulte du précédent théorème que

1
E [Sn ] = E [Tn Tn 1 ] = :

L’intensité est encore l’inverse de l’espérance mathématique de l’intervalle de temps

séparant deux tops consécutifs.
Une autre dé…nition du processus de Poisson à l’aide des temps inter-arrivées.

Dé…nition 2.2.3 Considèrons (Sn )n 1 une suite de variables indépendantes, de loi expo-
nentielle de paramètre . On pose

Tn = S1 + S2 + ::: + Sn ; T0 = 0:

Alors le processus fN (t); t 0g dé…nit par

X
1
N (t) = 1Tn t = maxfn 0 : Tn tg:
n=1

est un processus de Poisson d’intensité :

31
Chapitre 2. Processus de Poisson homogéne

2.3 Propriétés des processus de Poisson

Il y a un lien trés étroit entre le processus de Poisson et la loi de Poisson comme le montre
la proposition suivante.

Proposition 2.3.1 (Loi de N (t)) Pour tout t > 0, la (v.a) Nt représentant le nombre
de sauts intervenus dans l’intervalle de temps [0; t] suit la loi de Poisson de paramètre t.

Preuve. Pour montrer que Nt P( t), 8t > 0.

Soit n 2 N. Le lien entre les variables Nt et Tn donne que

P [Nt = n] = P [Nt n] P [Nt n + 1]

= P [Tn t] P [Tn+1 t] :

On a

Zt n Zt n+1
n 1
P [Nt = n] = x exp ( x) dx xn exp ( x) dx
(n 1)! n!
0 0

Zt n n+1
= xn 1
exp ( x) xn exp ( x) dx
(n 1)! n!
0

Zt
( x)n ( t)n
= d exp ( x) = exp ( t) :
n! n!
0

Voici l’expression des fonctions moyenne et covariance du processus.

Proposition 2.3.2 Soit un processus de Poisson (Nt )t 0 , d’intensité , 8t; s 0

E[Nt ] = Var [Nt ] = t et Cov[Nt ; Ns ] = min(s; t):

32
Chapitre 2. Processus de Poisson homogéne

Preuve. Le résultat de l’espérance et variance est immédiat car Nt P( t):

Pour le reste du calcul, la relation suivante est nécessaire

(Nt )2 + (Ns )2 (Nt Ns )2 (F)

Nt Ns = ; 8s < t
2

Prenons alors s < t

Cov [Nt ; Nt ] = E [(Nt E (Nt )) (Ns E (Ns ))]

= E [(Nt t) (Ns s)]
2
= E [Nt Ns ] tE (Ns ) sE (Nt ) + ts par linéarité de l’espérance

E (Nt )2 + E (Ns )2 E (Nt Ns )2 2

= ts en utilisant (F)
2
Var [Nt ] + (E [(Nt )])2 + Var [Ns ] + (E [(Ns )])2
=
2
Var [Nt Ns ] E (Nt Ns )2 2
ts
2
t + ( t)2 + s + ( s)2 (t s) 2
(t s)2 2
= ts par stationnarite
2
= s= min (s; t) :

Remarque 2.3.1 Ce paramètre est appelé l’intensité du processus de Poisson fNt ; t

0g. Il est égal au nombre moyen d’événements qui se produisent pendant un intervalle de
temps de longueur unité,
E[Nt+1 Nt ] =

Proposition 2.3.3 Un processus de Poisson est localement continu en probabilité,

c’est-à-dire, 8t 0;

P fNt+h Nt 1g tend vers 0 avec h ! 0:

33
Chapitre 2. Processus de Poisson homogéne

Preuve. Puisque un processus de Poisson est à accoroissements stationnaire, on a

P fNt+h Nt 1g = P fNh N0 1g
= P fNh 1g carN (0)=0

= 1 P fNh = 0g
= 1 exp ( h) ! 0 lorsque h!0:

2.3.1 Somme de deux processus de Poisson indépendants

On considère deux processus de Poisson indépendants et on cherche la loi de la somme de

ces deux processus.

Proposition 2.3.4 Soient deux processus de Poisson (Nt )t 0 et (Mt )t 0 indépendants

d’intensité respective 1 et 2. Alors le processus (Xt )t 0 dé…ni par

Xt = Nt + Mt ; pour t 0;

est un processus de Poisson d’intensité 1 + 2.

Remarque 2.3.2 Le résultat se généralise à la somme de n processus de Poisson.

Preuve. Soit le processus

Xt = Nt + Mt :

On a X(0) = 0: Par ailleurs, si t; s > 0, alors

X(t + s) X(s) = (N (t + s) N (s)) + (M (t + s) M (s)):

N est un processus de Poisson, par conséquent N (t + s) N (s) suit la loi P( 1 t) et

indépendant de N (s). De même M (t + s) M (s) suit la loi P( 2 t) et indépendant de

34
Chapitre 2. Processus de Poisson homogéne

M (s). Les processus N et M étant indépendants, on obtient que X(t + s) X(s) suit une
loi de Poisson P( 1 t + 2 t) et est indépendant de X(s) = N (s) + M (s):

2.3.2 Décmposition d’un processus de Poisson

On va maintenant voir que si on décompose un processus de Poisson selon des classes, on

obtient alors plusieurs processus de Poisson.

Proposition 2.3.5 Soit (X(t))t 0 un processus de Poisson de paramètre permettant

de comptabiliser une population divisée en deux classes. La proportion d’individus dans
la première classe est égale à p et la proportion d’individus dans la seconde classes est
(1 p). Les processus (N (t))t 0 et (M (t))t 0 obtenu en séparant les sauts par rapport
à chaque classe sont des processus de Poisson indépendants d’intensité respective p et
(1 p) :

Remarque 2.3.3 Cette proposition se généralise facilement lorsque qu’on découpe la po-!
X
k
pulation en k sous groupes qui sont distribués selon les proportions p1 ; p2 ; :::; pk pi = 1 :
i=1

Exemple 2.3.1 Comme exemple, on peut considérer le nombre de catastrophe naturelle

survenu en une année dans une région quelconque, qui se réalise selon un processus de
Poisson. Puis de le décomposer en deux études :
celle des catastrophes causé par l’homme et celle des catastrophes naturelles, qui se réa-
lisent selon deux autres Processus. Ou bien de considérer le nombre de secousse sismique,
d’inondations et d’orages et qui se réalisent, chacun selon un processus de Poisson di¤é-
rent, et de les ramener à l’étude des catastrophes naturelles.

35
Chapitre 2. Processus de Poisson homogéne

2.4 Lois conditionnelles des instants d’arrivées

Soit fNt ; t 0g un processus de Poisson avec intensité .

2.4.1 Processus de Poisson et loi uniforme

Proposition 2.4.1 (La loi de (T1 ; :::; Tn ) sachant que N (t) = n) Conditionnellement
à l’évènement fNt ; t 0g, le n uple (T1 ; :::; Tn ) a même loi de probabilité que le n uple
ordonné correspondant à n (v.a) i.i.d., de loi uniforme sur [0; t].

Preuve. Pour n = 1, on …xons t et calculons la loi conditionnelle T1 sachant que N (t) = 1;

alors pour 0 x t, on a

P [T1 x j N (t) =1] = P [Nx 1 j N (t) =1]

= P [Nx = 1 j N (t) =1] par l’identité fTn tg=fNt ng;(t>0;n 0)

P [Nx = 1 \ N (t) =1] P [Nx = 1 \ N (t) Nx =0]

= =
P [N (t) =1] P [N (t) =1]
P [Nx = 1] P [N (t) Nx =0]
=
P [N (t) =1]

exp ( x) x exp ( (t x)) x

= :
exp ( t) t t

Donc la loi conditionnelle de T1 sachant que N (t) = 1 est loi uniforme sur [0; t] :
Maintenant, calculons la fonction de répartition conjointe de (T1 ; :::; Tn ) au point (x1 ; :::; xn ) :
Soient 0 < x1 < x2 < ::: < xn < t une suite strictement croissante et h1 ; h2 ; :::; hn des
nombres strictement positifs su¢ samment petits pour que x1 x1 + h1 < x2 x2 + h2 <
::: < xn 1 xn 1 + hn 1 < xn xn + hn < t:où

An = fT1 2 [x1 ; x1 + h1 ] ; T2 2 [x2 ; x2 + h2 ] ; :::; Tn 2 [xn ; xn + hn ]g :

36
Chapitre 2. Processus de Poisson homogéne

Alors

P fAn \ N (t) = ng
P fAn j N (t) = ng =
P fN (t) = ng

P fT1 2 [x1 ; x1 + h1 ] ; :::; Tn 2 [xn ; xn + hn ] \ N (t) = ng

=
P fN (t) = ng

P fun seul top dans [xi ; xi + hi ] (i = 1; :::; n) ; 0 ailleursg

=
P fN (t) = ng

exp ( h1 ) h1 exp ( hn ) hn exp ( (t h1 hn ))

=
( t)n
exp ( t)
n!
1
= n! h1 hn :
tn

En divisant par h1 ; :::; hn et en faisant tender successivement h1 ; :::; hn vers 0;on trouve la
densité correspondante
8
< n! 1
>
si 0 < x1 < x2 < ::: < xn < t
f (x1 ; :::; xn ) = tn
>
: 0 si non

Ce résultat est utile en pratique car il fournit un moyen simple de simuler des trajectoires
d’un processus de Poisson ; en e¤et, il su¢ t de simuler une réalisation n d’une loi de
Poisson de paramètre t, puis ensuite de simuler n réalisation d’une loi uniforme sur [0; t] ;
on ordonne alors ces variables dans l’ordre croissant, ce qui donne les instants de saut du
processus.

Remarque 2.4.1 Une autre moyens de simuler un processus de Poisson est de donnée la
suite des temps d’arrivées (tirage indépendants selon la loi Exp ( ) des temps entre deux
arrivées successives).

37
Chapitre 2. Processus de Poisson homogéne

2.4.2 Processus de Poisson et loi binomiale

Proposition 2.4.2 Pour s t; la loi conditionnelle de Ns sachant [Nt = n] est la loi

s
binomiale B n; :
t

Preuve. On a

P [Ns = k \ Nt = n]
P [Ns = k j Nt = n] =
P [Nt = n]

P [[Ns = k] \ [Nt Ns = n k]]

=
P [Nt = n]
P [Ns = k] P [Nt Ns = n k]
=
P [Nt = n]

P [Ns = k] P [Nt s = n k]
=
P [Nt = n]

( s)k ( (t s))n k
exp ( s) exp ( (t s))
k! (n k)!
=
( t)k
exp ( t)
k!
s k s n k
= Cnk 1 :
t t

(1) (2)
Proposition 2.4.3 Si Nt et Nt sont deux processus de Poisson indépen-
t 0 t 0 h i
(1) (1) (2)
dants de paramètres respectifs et ; alors la loi conditionnelle de Nt sachant Nt + Nt = n

est la loi binomiale B n; :

+

38
Chapitre 2. Processus de Poisson homogéne

Preuve.
h i
(1) (2)
h i P Nt = k \ Nt = n k
(1) (1) (2)
P Nt = k j Nt + Nt =n = h i
(1) (2)
P Nt + Nt = n
h i h i
(1) (2)
P N t = k P Nt = n k
= h i
(1) (2)
P Nt + Nt = n

( t)k ( t)n k
exp ( t) exp ( t)
k! (n k)!
=
(( + ) t)n
exp ( ( + ) t)
n!
k n k
= Cnk :
( + )n

2.4.3 Exemple

Exemple 2.4.1 Les admissions à l’urgence d’un hôpital se font selon un processus de
Poisson (ici, l’événement est l’arrivée d’un patient). Nous savons qu’en moyenne un pa-
tient se présente l’urgence à toutes les 12 minutes.
Modélisons cette situation :
Nous commençons l’observation du processus disons au début du quart de travail de 7
heures du matin, aujourd’hui. Le temps sera exprimé en heures.

N (t) = le nombre de patients s’étant présentés à l’urgence au temps t depuis le moment

où nous avons commencé l’observation du processus

Question 1.
Quelle est l’intensité du processus de Poisson impliqué dans la modélisation ?
Réponse. Si, en moyenne, il y a une arrivée de patient toutes les douze minutes, alors
il y a, en moyenne, cinq arrivées par heure, c’est-à-dire cinq arrivées par unité de temps.
Par conséquent, l’intensité est = 5.

39
Chapitre 2. Processus de Poisson homogéne

Question 2.
Si le préposé aux admissions prend 3 minutes pour remplir le dossier d’un patient, quelle
est la probabilité qu’il ait le temps de se reposer entre l’arrivée de deux patients sachant
qu’il était inoccupé lors de l’arrivée du premier des deux ?
Réponse. Nous savons que le temps d’attente entre deux arrivées suit une loi exponentielle
1 1
d’espérance = . Or, puisque
5

1 1
3minute = 3 = heur
60 20
2 3
2 3
6 le préposé a le temps de se reposer entre 7
6 7 17
P6 7 = P6
4|Tn {zTn }1 > 5
6 l’arrivée de deux patients sachant qu’il était 7 20
4 5
Loi Exp(0;2)
inoccupé lors de l’arrivée du premier des deux
1
= exp 5
20
= 0:7788:

Question 3
Supposons que le préposé aux admissions commence sa journée de travail à 7 heures du
matin, qu’il la termine à 15 heures et qu’il va dîner de midi à 13 heures. Quelles sont
l’espérance et la variance du temps que le préposé passe, au cours de la journée, à remplir
des demandes d’admission ?
Réponse. Soit X : le nombre de patients qui se présente à l’urgence.

X = (N (5) N (0)) + (N (8) N (6));

| {z } | {z }
Loi P(5 5) Loi P(5 2)

et
Y = 3X:

40
Chapitre 2. Processus de Poisson homogéne

Ainsi,

E [Y ] = E [3X] = 3E [X] = 3E [(N (5) N (0)) + (N (8) N (6))]

= 3 [E [(N (5) N (0))] + E [(N (8) N (6))]]
= 3 (25 + 10) = 105;

et

Var [Y ] = Var [3X] = 9Var [X] = 9Var [(N (5) N (0)) + (N (8) N (6))]
= 9 [Var [(N (5) N (0))] + Var [(N (8) N (6))]]
= 9 (25 + 10) = 315;

Question 4
Le second hôpital de la région ferme son urgence pour la journée. Notre hôpital doit donc
absorber cette clientèle. Sachant que ce second hôpital reçoit, en moyenne, 60 patients entre
7 heures et 15 heures et que ces arrivées se font selon un processus de Poisson, est-ce que
le nouveau ‡ot de patients se présentant au premier hôpital est encore un processus de
Poisson ? Si oui, quelle est son intensité ? Si non, pourquoi ?
Réponse. Soient N et M modélise les arrivées des patients dans chacun des deux hôpitaux
sont indépendants. Alors le nouveau ‡ot de patients W = N + M , se modélise aussi à laide
d’un processus de Poisson.
L’intensité de N est 1 = 5, celle de M est 2 = 7; 5 (il y a 60 patients en 8 heurs alors
en moyenne 7,5 patients par heur). Alors l’intensité de W est = 1 + 2 = 12; 5:
Si les deux processus N et M ne sont pas indépendants, alors il est possible que la somme
de ces deux processus ne soit plus un processus de Poisson.

41
Chapitre 2. Processus de Poisson homogéne

2.5 Comportement asymptotique et estimation

2.5.1 Comportement asymptotique

Au niveau du comportement asymptotique de Nt nous avons les deux résultats suivantes

Proposition 2.5.1 Lorsque t tend vers l’in…ni, on a les convergences suivantes :

r
Nt p:s t Nt loi
! ; et ! N (0; 1) :
t t

Preuve. Remarquons tout d’abord que

X
Nn = [Ni Ni 1 ] ;
1 i n

est la somme de n (v.a) indépendantes, de même loi de Poisson de paramètre (donc

intégrable). Il résulte donc de la loi forte des grands nombres que

Nn p:s
! quand n ! 1:
n

Or, avec la notation [t] est la partie entière de t,

Nt N[t] [t] Nt N[t]

= :
t [t] t t

Il su¢ t donc de montrer que

Nt Nn
sup ! 0; quand n ! 1:
n<t<n+1 n

Or si
def
n = sup Nt Nn = Nn+1 Nn ;
n<t<n+1

42
Chapitre 2. Processus de Poisson homogéne

les f n g sont i.i.d. et intégrables. Donc

1 + ::: + n
! p:s;
n

D’où
n
! 0 p:s:
n

On raisonne comme dans la preuve précédente.

Nn n
p ! Z en loi, quand n ! 1;
n

d’après le théorème de la limite centrale, et

Nt N[t] [t]
p p ;
[t] [t]

qui tend en probabilité vers zéro quand t ! 1 puisque

n p
P( p > ) = P( n > n)
n
p
= P( 1 > n)
! 0, quand n ! 1:

Donc
Nt N[t]
p ! 0 en probabilité quand t ! 1:
[t]

Finalement :

r r
Nt t N[t] [t] [t] Nt N[t] [t] p [t] t
p = p + p + p ;
t [t] t t t t

et on sait que si Xn ! X en loi, Yn ! 0 en probabilité, alors Xn + Yn ! X en loi.

43
Chapitre 2. Processus de Poisson homogéne

2.5.2 Estimation de l’intensité d’un processus de Poisson par

maximum de vraisemblance

Soit (Nt )t 0 un processus de Poisson homogène, dont l’intensité > 0 est donc la seul
paramètre du modèle. En pratique, est inconnue et a…n de connaitre notre modèle, on
doit donner une valeur pour . La question qui se pose est : comment estimer .
Considérons d’abord le cas où le processus est observé jusqu’à l’instant t: L’idée est que
lorsqu’on observe Nt = n, les temps de sauts T1 ; :::; Tn détermine complétement la trajec-
toire du processus sur [0; t]. Nous dé…nirons donc la vraisemblance en calculant la loi de
(T1 ; :::; Tn ; Nt ). Ceci peut être fait en utilisant la Proposition (2:3:1). En e¤et, la loi de
(T1 ; :::; Tn ) sachant que Nt = n a pour densité

n!
f : (x1 ; :::; xn ) 7! 10<x1 <x2 <:::<xn t :
tn

La fonction de vraisemblance sera alors dé…nie pour une observation (x1 ; :::; xn ; n) par

L(x1 ; :::; xn ; n; ) = f (x1 ; :::; xn ) P fNt = ng

( t)n n!
= exp ( t) ; (0 < x1 < x2 < ::: < xn t)
n! tn
n
= exp ( t) :

n
La valeur de qui maximise la vraisemblance est .
t
En e¤et

log L = n log t:

Et
@ n
log L = t = 0:
@

D’ou
^ = n:
t

44
Chapitre 2. Processus de Poisson homogéne

n
Ainsi l’estimation par le maximum de vraisemblance est donné par et l’estimateur
t
correspondant est obtenu en remplaçant n par Nt :

^ = Nt :
t

On a vu que cet estimateur était consistant et asymptotiquement gaussien.

Proposition 2.5.2 L’estimateur ^ est non biaisé, exhaustif et complet.

Preuve. En e¤et,
h i 1 1
E ^ = E [Nt ] = t= :
t t
n
Comme la vraisemblance L(x1 ; :::; xn ; ) est de la forme exp ( t), l’estimateur est bien
exhaustif.
En…n, comme Nt suit une loi de Poisson de paramètre t et que la loi de Poisson est
complète, l’estimateur ^ est complet.

Remarque 2.5.1 Puisque ^ est non-biaisé, exhaustif, complet, c’est l’unique estimateur
non-biaisé de variance minimum de :

1
Si on dispose des temps d’occurrences (Ti = ti )i=1;2;:::;n il existe un estimateur de , égale
Tn
à , qui a des qualités équivalentes à l’estimateur de précédemment dé…ni.
n
Dans cette situation, la vraisemblance est donnée par

n
L(t; ) = exp ( t) ;

par suite,
log L = n log t;

et
@ n
log L = t = 0:
@

45
Chapitre 2. Processus de Poisson homogéne

D’ou
1 t
= :
n
t
Ainsi l’estimation par le maximum de vraisemblance est donné par et l’estimateur
n
Tn
correspondant est .
n

46
Conclusion

L
e processus de Poisson est un outil élémentaire dans l’étude des phénomènes aléa-
toires dans le temps. Il permet d’étudier le nombre d’occurrences d’un phénomène
dans une période déterminée, il permet même de décomposer l’étude d’un phénomène en
l’étude de phénomènes plus particuliers, ou le contraire, de rassembler l’étude de plusieurs
phénomènes en l’étude d’un phénomène plus générale.
Dans notre travaille, nous avons étudié le processus de Poisson homogène ainsi que ses
relations avec certaines loi de probabilités bien connues, ses propriétés fondamentales, et
estimer l’intensité par la méthode de maximum de vraisemblance.

47
Bibliographie

[1] Arzelier, D. Signaux aléatoires, Introduction et rappels de probabilités. Web_Page

http ://[Link]/ arzelier.

[2] Breton, J. CH. (2013). Processus stochastique. Université de Rennes 1.

[3] Caumel, Y. (2011). Probabilites et processus stochastique. Edition Springer.

[4] Foata, D. & Fuchs, A. (2004). Processus stochastique : Processus de Poisson, chaîne
de Markov et martingales. Edition Dunod.

[5] Francois, O. Vecteur aléatoires chaînes de markov. Notes de cours.

[6] Go¤ard, P. O. (2018). Processus de poisson. Université de Lyon 1.

[7] Lebarbier, E. & Robin, S. (2007). Processus de Poisson processus de Naissances et

Mort.

[8] Lefebver, M. (2005). Processus stochstique appliqués. Edition Springer.

[9] Lessard, S. (2014). Processus stochstiques : cours et exercices corrigés. Edition El-
lipses.

[10] Roos, S. M. (2010). Introduction to probability models. Academic press.

[11] Ruwet, CH. (2006-2007). Processus de poisson. Université de Liège. Mémoire.

[12] Saporta, G. (2006). Probabilités, Analyses des données et statistique. Editions TECH-
NIP.

48
Annexe A : Logiciel R

Le langage R est un logiciel dans lequel de nombreuses techniques statistiques, il com-

porte des moyens qui rendent possible la manipulation des données, les représentations
graphiques et les calculs. Dans ce mémoire on va donner les représentations graphiques
des quelques lois des probabilités et on va simuler quelques processus stochastiques.

Loi des probabilités

Loi exponentielle
> curve(dexp(x,rate=1),from=0,to=10,xlab="",ylab="",main="Densité de la loi expo-
nentielle",col=2)
> curve(dexp(x,rate=5),from=0,to=10,add=T,col=4)
> curve(dexp(x,rate=10),from=0,to=10,add=T,col=3)
> legend(x=4,y=0.4,legend=c(" =10"," =5"," =1"),col=c(2,4,3),lty=1)
Loi de Poisson
> par(mfrow=c(2,2))
> plot(table(rpois(100,0.5)),type="h",lwd=2,xlab="",ylab="",main="Poisson =0.5")
> plot(table(rpois(100,2)),type="h",lwd=2,xlab="",ylab="",main="Poisson =2")
> plot(table(rpois(100,5)),type="h",lwd=2,xlab="",ylab="",main="Poisson =5")
> plot(table(rpois(100,10)),type="h",lwd=2,xlab="",ylab="",main="Poisson =10").

Loi gamma
> x<-rgamma(200,5,20)

49
Annexe A : Logiciel R

> x1<-dgamma(x,5,20)
> plot(x,x1,type=’p’,main=’la densité de la loi gamma’,xlab="l’axe de x",ylab="l’axe de
x1",col=’green’,[Link]=’blue’,[Link]=’black’)
> text(0.1,3," =20",col="green")
> x2<-rgamma(200,5,15)
> x3<-dgamma(x2,5,15)
> x4<-rgamma(200,5,10)
> x5<-dgamma(x4,5,10)
> points(x2,x3,type=’p’,col="red")
> text(0.6,1," =15",col="red")
> points(x4,x5,type=’p’,col="blue")
> points(x4,x5,type=’p’,col="blue")
> text(0.7,2," =10",col="blue")

Processus stochastiques

Processus de Brenoulli
Le processus Ym dé…ni par se sumule de la façon suivante :
>proba<-0.2 #probabilite de succés
>N<-10 #nombre d’instants
>Yi<-rbinom(N,1,proba) # valeurs du processus (Bernoulli)
>plot(0 :(N-1), Yi, type="p", col=2, xlab=expression(paste("temps", italic(n))),
ylab=expression(italic(Yi[n](omega))),
ylim=c(-0.6,1.6), xaxt="n", yaxt="n", pch=20, axes=FALSE)
>box(col="gray95")
>axis(1,0 :(N-1),col=4)
>axis(2,0 :1,col=4)

50
Annexe A : Logiciel R

Processus de Poisson
La simulation du processus de Poisson se fait de la façon suivante :
>par(mfrow=c(2,2)) # diviser la fonêtre graphique en 2 lignes et 2 colonnes
>NSaut <- function(n,lambda){cumsum(rexp(n,lambda))}
>n=10
>lambda=1
>t <- NSaut(n,lambda)
>y<- seq(0,n,by=1)
>F<- stepfun(t,y).# renvoie une fonction en escalier
>plot(F, ann=FALSE, col="2")
>title(main=paste("Exemple de trajectoire d’un processus de Poisson",
"nnd’intensite lambda =",lambda,"jusqu’au", n,"eme saut",sep=" "),[Link]="black",
[Link]=4) # désingner le titre de ce graphe
>title(xlab="temps")
Et les autres trajectoires sont le même code de R, mais nous avons changés le lambda=2,
5 et 10.

51
Annexe B : Abréviations et
Notations

Les di¤érentes abréviations et notations utilisées tout au long de ce mémoire sont expli-
quées ci-dessous.
v.a Variable aléatoire.
P Probabilité.
P( ) Loi de Poisson de paramètre :
GX Fonction génératrice des moments.
exp Fonction exponentielle
E[X] Espérance mathématique ou moyenne du v.a. X
Var [X] Variance mathématique de X:
(X1 ; :::; Xn ) Echantillon de taillle n de X:
Exp ( ) Loi exponentielle de paramètre :
FX Fonction de répartition de X:
fX Densité de probabilité.
(n; ) Loi Gamma de paramètre n et :
fXt ; t 2 Tg Processus stochastique.
T L’espace des paramètres.
( ; A; P) Espace de probabilité.
(E; E) Un espace mésurable.

52
Annexe B : Abréviations et Notations

Cov Fonction de covariance.

Corr Fonction d’autocorrélation.
Nt Processus de comptage.
Tn Temps d’occurrence de nieme événement .
Sn Temps d’attente entre les (n 1)ieme et nieme occurrences.
C-à-d C’est à dire.
1A Fonction indicatrice de l’ensemble A:
i.i.d Indépendantes identiquement distribuées
B (n; p) Loi binomiale de paramètre n et p:
p:s
! Convergence presque sûre.
L Fonction vraisemblance.
log Fonction logarithme.
Càdlàg Continue à droite avec limite à gauche.

53