processus de poisson

Un processus de poisson est un processus à temps continu et à espace d’états discret. On le note
par {N(t), t≥0} où N(t) représente le nombre aléatoire des événements qui se produisent dans
l’intervalle de temps, -
Le processus de poisson s’applique dans plusieurs domaines; on peut l’utiliser pour modéliser
l’arrivée des clients devant un guichet, l’apparition des accidents de travail dans un atelier, l’arrivée
des bateaux dans un port ou les trains dans un gare, les pannes observées aux cours du temps sur des
composants électriques, nombre d’appels dans un centre d’appels, l’atterrissage des avions dans un
aérodrome …etc.
Le processus de poisson compte le nombre d’événements dans un intervalle de temps, il s’agit
donc d’un processus de comptage.

3.1. Processus de comptage

Un processus stochastique {N(t), t≥0} est appelé processus de comptage s’il vérifie les propriétés
suivantes :
1- N(0)=0
2- Pour tout t≥0, le nombre N(t) est à valeurs entières positives.
3- La fonction N(t) est croissante avec le temps t.
4- (N(b)-N(a)) représente le nombre d’événements qui se sont produits dans l’intervalle] a, b]
avec: 0≤a<b.

3.2 Définition d’un processus de poisson

Un processus stochastique {N(t), t≥0} est dit de Poisson avec intensité λ (λ>0) s’il satisfait
aux conditions suivantes :
1- {N(t), t≥0} est un processus de comptage qui vérifié les quatre conditions précédentes.

2- Processus à accroissements stationnaires

La probabilité que k événements se produisent dans un intervalle de temps [t, t+h] ne dépend que de
la longueur de cet intervalle h, donc :
( ( ) ( ) ) ( ( ) )

Ce ci veut dire que le processus est homogène dans le temps.

3.3 Processus à accroissements indépendants

Pour tout choix de réels 0≤t1≤t2…≤tn, les variables aléatoires : N(t1 ), N(t2 )-N(t1), N(t3 )-
N(t2),… N (tn )-N(tn-1 )sont indépendantes. Donc les événements qui se produisent dans des
intervalles de temps disjoints sont indépendants :

P( N (t  s)  N ( s)  k , N(s)  j)  P( N(s)  j) P( N (t  s)  N ( s)  k )
 Pj (s)Pk (t), t  0, s  0

1
 Exemple :

3.4- La probabilité que deux événements ou plus se produisent dans un intervalle de temps
infiniment petit (h0 ) est négligeable par rapport à la probabilité qu’il n’ait qu’un seul évènement,
donc on peut écrire1 :

PN (t  h)  N (t )  2  oh  et PN (t  h)  N (t )  1  h  oh 

alors :
PN (t  h)  N (t )  1  PN (t  h)  N (t )  1  PN (t  h)  N (t )  2
 h  oh 
PN (t  h)  N (t )  0  1  PN (t  h)  N (t )  1
 1  h  oh 
donc:
oh  si k  2

PN (h)  k   Pk h   h  oh  si k  1
1  h  oh  si k  0


3-2-1 Graphe de transition

On peut représenter un processus de poisson par la matrice de transition suivante :

Donc on peut lui associée le graphe donné ci-dessus :

1 ( )
o(h) est la fonction petit ordre de h qui vérifie: ce qui revient à dire que O(h) est négligeable par
rapport à h.

2
Figure (3-1) : Représentation graphique d’un processus de poisson

3.3 Lois associées à un processus de Poisson

 Loi de la variable N(t)

Soit {N(t), t≥0} un processus de poisson avec intensité λ (λ>0), alors :

Pn t   PN(t)  n   e -t
t n , pour tout t  0 et n  
n!
N ( t )  p( t )
Nous allons démontrer ce résultat par pas à pas. Commençons par évaluer PN ( t )  0 

Posons :
P0 ( t )  P N ( t )  0 ,
Ainsi :
P0 ( t  h )  P N ( t  h )  0   P N ( t  h )  N ( t )  N ( t )  N ( 0 )  0 

Par indépendance des accroissements, ceci donne :

P N ( t  h )  0   P N ( t  h )  N ( t )  0 .P N ( t )  0 
 1  h  oh P N ( t )  0 
 P0 ( t )1  h  oh 
donc :
P0 ( t  h )  P0 ( t )1  h  oh   P0 ( t )  P0 ( t )h  oh 
P0 ( t  h )  P0 ( t )  P0 ( t )h  oh 

En divisant par h de part et d’autre de légalité, il vient :

P0 ( t  h )  P0 ( t )  hP0 ( t )  oh 

h h
En prenant la limite, lorsque h tendre vers 0, P0 est donc dérivable et :

P0( t )  P0 ( t )
Ou encore :
P0( t )  P0 ( t )  0 ,
C’est une équation différentielle linéaire du premier ordre homogène, la solution est :

3
 P0 ( t )  Ke  t
or : P0 ( 0 )  P N ( 0 )  0   1
donc : K  1 et donc : P0 ( t )  e t
)C’est la probabilité qu'aucun événement ne se soit produit dans l'intervalle [0,t](

Maintenant, pour tout entier positif n, Posons :

Pn ( t )  PN ( t )  n
Alors :
Pn ( t  h )  P N ( t  h )  n 
P N ( t  h )  n   P N ( t  h )  N ( t )  N ( t )  N ( 0 )  n 

  P N ( t  h )  N ( t )  k    N ( t )  N ( 0 )  n  k 
n

k 0

 P N ( t  h )  N ( t )  0 .P N ( t )  n 
 P N ( t  h )  N ( t )  1.P N ( t )  n  1

  P N ( t  h )  N ( t )  k .P N ( t )  n  k 
n

k 2

 P N ( t )  n 1  h  oh   P N ( t )  n  1h  oh 

  P N ( t )  n  k oh 
n

k 2

Donc :

n
Pn (t  h)  Pn t   hPn t   oh   hPn 1 t   oh    Pn  k t oh 
k 2

Divisons par h de part et d’autre de légalité :

Pn ( t  h )  Pn t   h  oh  h  oh  n oh 

 Pn t   Pn 1 t    Pn  k t 
h h h k 2 h
En prenant la limite lorsque h tend vers 0, nous obtenons pour tout n = 1, 2, 3, ...

Pn t   Pn t   Pn1 t 
Il nous faut maintenant solutionner ce système d’équations différentielles.
Nous allons opérer à une légère transformation pour résoudre cette équation différentielle.

Posons :
f n t   e t Pn t 
f ' n t   e t Pn t   e t Pnt 
 e t Pn t   e t  Pn t   Pn1 t 
 Pn1 t e t  f n1 t 

4
pour tout entier positif n, n  1
N0   0 Donc : PN0   n   0
P0 (t )  P ( N (t )  0)  e  t
Donc : Pn 0   P ( N (0)  n)  0
f n 0   e t Pn 0   et  0  0

f n t   e t Pn t 
f 0 t   e t P N ( t )  0 
 e t P0 t 
 e t e t
1
Nous venons d’établir que :

f nt   f n1 t 
Ce qui est Equivalent à :
t

f n t     f n 1 s ds
0
Nous obtenons successivement :
2 t 2
f 0 t   1, f 1 t   t , f 2 t  
2
Par récurrence :
n t n
f n t  
n!
Par conséquent, comme :

f n t   et Pn t 
Alors :
Pn t   e- t f n ( t )

Pn t   e - t t  n

n!
et donc : N t   Pt 

3.4 Loi de la durée entre deux événements consécutifs

Soit {N(t), t≥0} un processus de poisson avec intensité λ (λ>0), et la durée séparant le (n-1)eme et
le neme événement.

5
 Théorème
Les temps d’attentes d’un processus de poisson d’intensité λ, sont des variables aléatoires
indépendantes identiquement distribuées selon une loi exponentielle de paramètre λ.
(Le temps entre deux arrivées suit une loi exponentielle)

6
3.4 .1 Loi de la date où se produit le nième évènement
Pour tout n≥1, La variable aléatoire ∑ qui représente l’instant ou la date ou se
produit le n événement suit une loi d’Erlang de paramètres n et λ.
ième

Car X1 , X2 ,…,Xn sont des variables aléatoires indépendantes de loi exponentielle de paramètre λ.

Donc loi Sn (n, λ) appelée loi d’Erlang lorsque n est entier.

3-4-2- Loi conditionnelle de la date d’arrivée du premier événement

Soit T1 l’instant (date) ou se produit le premier événement, sachant qu’il est arrivé un seul
événement sur l’intervalle [0, t], alors la variable ( ⁄ ( ) ) suit une loi uniforme sur cet
intervalle. Car la fonction de répartition de cette variable est donnée par :

7
 PT1  s, N (t )  1
P(T1  S N (t )  1) 
P ( N (t )  1)
P1 event in 0.s , 0 event in s.t 

P N (t )  1
P N ( s )  1P N (t  s )  0 
 (on remplace par la loi de la variable N(t))
P( N (t )  1)
se s e  (t s )

te t
FS ( s )  PS  s  
s
0  s 1
t

Qu’est la fonction de répartition de la loi uniforme sur l’intervalle [0, t], la densité de s est
donnée par :
1
f S ( s )  1s0 ,t 
t
3-4-3 Loi du vecteur (T1,T2, …Tn ) conditionnellement à N(t )=n
Ce vecteur a la même loi que les statistiques d’ordre de n variables aléatoires indépendantes ayant
toutes une loi uniforme sur l’intervalle [0, t] donnée par :
n!
f( T T2 , ...,Tn )
( t1 , t2 ,...,tn )  , 0  t1  t2 ,...  tn  t 3-5-
1
tn
3.4.4 la loi de poisson et la loi binomiale :
Fixon λ>0, et pour entier positif n tel que , consédérons Xn une variable aleatoire qui suit
une loi binomiale (n,pn), avec

La dernière égalité vient du fait que :

en pratique, ce résultat nous dit que si n est grand et si p est petit, alors on peut exprimer la loi
binomiale (n,p) par la loi de poisson(np). L’approximation est très bonne lorsque n≥50 et np<10.
8
3.5 Propriétés d’un processus de Poisson
Un processus de poisson possède les propriétés suivantes :
1- Le processus de poisson est par nature non stationnaire (l’espérance et la variance dépendent
du temps t) mais les accroissements sont stationnaires.
2- Le paramètre λ désigne le nombre moyen d’événements par unité de temps car :
  
E N(t) 
E N(t)  λt  λ 
t
3- Si on note par  N ( t ) , l’écart type alors le coefficient de variation :
 N( t ) t
N( t )   et lim  N ( t )  
E( N ( t )) t t 0

Ce qui veut dire que les fluctuations autour de la moyenne sont grandes par rapport à la moyenne
lorsque l’intervalle est de plus en plus petit.

3.6 Superposition de processus de Poisson

Lorsqu’on superpose des processus de Poisson indépendants les uns des autres, on obtient un
processus de poisson par le théorème suivant :

 Théorème
Soient N 1 ( t ), t
 0 et N 2 ( t ), t  0 deux processus de poisson indépendants avec intensités
λ1 et λ2 respectivement. Alors le processus somme N ( t ), t  0 avec N ( t )  N 1 ( t )  N 2 ( t )
est un processus de poisson avec intensité. λ=λ1+ λ2

 Démonstration

9
 (( ) )
* ( ) + ∑ ( ) ( )

Exemple :
Le flux de véhicules sur une branche d’autoroute est décrit par un processus de Poisson
N1 ( t ),t  0 avec une intensité λ1, une deuxième branche est décrite par un processus de poisson
N 2 ( t ),t  0avec une intensité λ2. Le mélange de deux flux sur l’autoroute est un nouveau
processus de poisson avec intensité égale à la somme des intensités des deux flux à condition
d’indépendance des deux flux.

3-7- Décomposition d’un processus de Poisson

Considérons la situation inverse, un processus de poisson d’intensité λ va être divisé en deux (ou
plusieurs) processus indépendants par le théorème suivant :

 Théorème
Soit {N(t), t≥0} un processus de poisson avec intensité λ (λ>0), et P=(P1, P2 … Pm ) un vecteur
de probabilité a m composantes, avec m un entier positif. Sous les hypothèses suivantes :
H1 : Il y a «m» types d’événements dans le processus {N(t), t≥0}.
H2 : Chaque événement à une probabilité Pi pour qu’il soit de type i.
H3 : Les différents types sont indépendants les uns des autres (un événement appartient a un seul
type).
Pour chaque i* … +, on note par {N(t), t≥0} le processus qui compte le nombre
d’évènements de type i alors :
1- {N(t), t≥0} est un processus de poisson avec intensité λi=λPi .
2- Les processus {N(t), t≥0} sont indépendants les uns des autres.

 Corollaire
Soit {N(t), t≥0} un processus de poisson avec intensité λ, et on a deux types d’évènements dans ce
processus. D’après le théorème précédent il résulte que : le processus {N(t), t≥0} qui compte le
nombre d’événements de type 1 est un processus de poisson avec intensité λ1=λP
De même {N(t), t≥0} est un processus de poisson avec intensité (λ2=λ(1-P)) avec P la probabilité
que l’évènement soit de type 1. De plus les deux processus sont indépendants.

Exemple :
Le processus qui compte le nombre de sinistres enregistrés par une compagnie d’assurance
durant un intervalle de temps [0, t] peut être modélisé par un processus de poisson avec intensité λ.
Supposons que chaque sinistre est classé en l’une des deux catégories (types) :
Type 1 : Le coût C du sinistre est inférieur à un montant X.
Type 2 : Le coût du sinistre est supérieur ou égale à X.

10
 Alors le processus {N(t), t≥0} qui compte le nombre de sinistres avec un coût (C<X) est un
processus de poisson avec intensité λ1, et {N(t), t≥0} est un processus de poisson avec intensité λ2
pour les sinistres avec C≥X et les deux processus sont indépendants.

11