Type your text

Processus Stochastiques

1
 Type your text
Chapitre 1 : Chaınes de Markov
Type your text

Type your text

1 Introduction 1
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Le jeu Serpent-Échelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 La marche aléatoire sur Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3 Le système de Bonus-Malus en assurance automobile . . . . . . . . . . . . . . . . . 6

2 Les équations de chapman-Kolmogorov 7

3 Irréductibilité et classification des états 10

3.1 irréductibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Temps d’atteinte, récurrence et transience . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Point absorbant, temps d’absorption . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

4 Probabilité limite, loi invariante 17

4.1 Périodicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Récurrence positive/ récurrence nulle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3 Loi stationnaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.4 Théorème ergodique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

5 Marche aléatoire absorbée : problème de la ruine du joueur 23

1 Introduction
Que signifie le terme processus ? Un processus stochastique est une famille (Xt )t2T de variables
aléatoires Xt . L’indice t peut représenter par exemple le temps ou une coordonnée le long d’un chemin.

Exemple 1. Xt peut par exemple être

– la position d’un joueur au monopoly ou à Serpent-Échelle ;
– le nombre d’accidents de voiture à Montréal à l’instant t ;
– le nombre véhicule sur une autoroute au kilomètre t ;
– le prix d’une action à l’instant t ;
– le nombre d’étudiants à l’UQAM à l’instant t.

L’ensemble des indices T du processus peut-être fini, infini-dénombrable (i.e., je peux compter chaque
élément) comme N ou Z ou non dénombrable comme R+ ou R. Lorsque T est fini ou dénombrable, le
processus est dit à temps discret, alors que si T est un intervalle de R le processus est dit à temps
continu.

Type your text 1

L’état à l’instant 0 est l’état initial du processus. Il est en général aléatoire et on appelle sa loi la loi
initiale du processus.
Definition 3. Le processus (Xn )n>0 est une chaı̂ne de Markov si pour tous i, j, i0 , . . . , in 1 2 S, n > 0,
les probabilités suivantes ne dépendent que de i, j et n
P(Xn+1 = j|Xn = i, Xn 1 = in 1 , . . . , X1 = i1 , X0 = i0 ) = P(Xn+1 = j|Xn = i).
n,n+1
On note Pi,j cette quantité que l’on appellera probabilité de transition de l’état i à l’état j entre
les instants n et n + 1.
n,n+1
Si les probabilités de transition Pi,j ne dépendent pas de n, on dit que la chaı̂ne de Markov est ho-
mogène.
On ne regardera quasiment que des chaı̂nes homogènes, on notera alors Pi,j les probabilités de transition.
Les calculs se compliquent beaucoup dans le cas non homogène.
Remarque 4. La probabilité de transition Pi,j représente la probabilité de passer de l’état i à l’état j en
un coup. On a pour tout i, j 2 S, X
0 6 Pi,j 6 1 Pi,j = 1. (1)
j2S
P
(En e↵et, j2S Pi,j = P(Xj 2 S|Xn = i).)
On note en général les probabilités de transition sous forme de matrice P = (Pi,j )i,j2S , qui est appelé
matrice de transition. La matrice est de taille infinie si l’espace d’état S est infini.
2 3
P0,0 P0,1 P0,2 · · · P0,j · · ·
6 P1,0 P1,1 P1,2 · · · P1,j · · · 7
6 7
6 P2,0 P2,1 P2,2 · · · P2,j · · · 7
6 7
P =6 6 ... .. .. .. .. 7.
7
6 . . . . 7
6 Pi,0 Pi,1 Pi,2 · · · Pi,j · · · 7
4 5
.. .. .. .. .. ..
. . . . . .

Au croisement de la ième ligne et j ème colonne de la matrice P se trouve la probabilité Pi,j de passer de
l’état i à l’état j en un coup.
Une matrice qui vérifie les relations (1) est appelée matrice stochastique.
On peut aussi utiliser des graphes pour représenter les probabilités de transition.
En conclusion, une chaı̂ne de Markov est un processus dont le futur ne dépend de son passé qu’à travers
sa position à l’instant présent, on peut aussi l’énoncé ainsi “une chaı̂ne de Markov est un processus où la
loi conditionnelle de n’importe que Xn+1 sachant les états passés X0 , X1 , . . . , Xn 1 et le présent Xn est
indépendante du passé et ne dépend que de l’état présent”. Le processus est dit “sans-mémoire”.
Exemple Prévisions météorologiques (Ross, p.192)
On suppose que le climat du lendemain ne dépend que du climat d’aujourd’hui et pas des jours précédents.
On suppose que s’il pleut aujourd’hui il y a une probabilité p qu’il pleuve demain, par contre s’il ne pleut
pas aujourd’hui il y a une⇢probabilité q qu’il pleuve le lendemain.
0 il pleut ;
L’ensemble des états est
1 il ne pleut pas.
Vu les hypothèses le processus (Xn )n>0 , où Xn représente le temps le jour n, est une chaı̂ne de Markov
de matrice de transition 
p 1 p
P = .
q 1 q

3
Proposition 5. Soit (Xn )n>0 une chaı̂ne de Markov sur un espace d’état S, de probabilités de transition
(Pi,j )i,j2S et de loi initiale pi = P(X0 = i). Alors pour tout n > 0 et i0 , i1 , . . . , in 2 S, on a
n
Y1
P(X0 = i0 , X1 = i1 , . . . , Xn = in ) = pi0 Pik ,ik+1 .
k=0

La probabilité de suivre le chemin {i0 , i1 , . . . , in } est simplement la probabilité de partir de i0 , puis de

passer de i0 à i1 , puis de i1 à i2 , ainsi de suite jusqu’à in .

Démonstration.

P(X0 = i0 , X1 = i1 , . . . , Xn = in )
Bayes
= P(Xn = in |X0 = i0 , X1 = i1 , . . . , Xn 1 = in 1 )P(X0 = i 0 , X1 = i 1 , . . . , X n 1 = in 1)
Markov
= P(Xn = in |Xn 1 = in 1 )P(X0 = i 0 , X1 = i 1 , . . . , X n 1 = in 1)
= Pi n 1 ,in P(X0 = i0 , X1 = i1 , . . . , Xn 1 = in 1)
= Pi n 1 ,in Pi n 2 ,in 1 P(X0 = i0 , X1 = i1 , . . . , Xn 2 = in 2)
..
.
= Pi n 1 ,in Pin 2 ,in 1 . . . Pi1 ,i2 P(X0 = i0 , X1 = i1 )
= Pi n 1 ,in Pi n 2 ,in 1 . . . Pi0 ,i1 P(X0 = i0 ).

Exemple Prévisions météorologiques

Reprenons l’exemple précédent et on suppose que la loi initiale est p0 = 0.1 et p1 = 0.9. On prend p = 0.7
et q = 0.4.
On souhaite prendre 3 jours de vacances et on se demande qu’elle est la probabilité qu’il ne pleuve pas 3
jours de suite :
P(X0 = 1, X1 = 1, X2 = 1) = 0.9 ⇥ 0.62 = 0.324.
Maintenant, sachant qu’il ne pleut pas aujourd’hui, qu’elle est la probabilité qu’il ne pleuve pas les 2
prochains jours :

P(X0 = 1, X1 = 1, X2 = 1)
P(X1 = 1, X2 = 1|X0 = 1) = = 0.36.
P(X0 = 1)

1.2 Quelques exemples

1.2.1 Le jeu Serpent-Échelle
Dans le cas du jeux Serpent-Échelle, la chaı̂ne est homogène. Considérons un jeux un peu plus simple
avec seulement 16 cases :

4
On suppose que la partie est terminée à partir du moment où on est tombé sur la dernière case ou si
on l’a dépassée (contrairement au vrai jeu). Connaissant notre position actuelle, on peut déterminer la
probabilité de tomber sur les cases suivantes. On note Xn la position de notre pion après le nème lancer.
L’espace d’état est S = {1, 2, 3, 4, 5, 7, 8, 10, 11, 12, 13, 14, 15, 16}.
(Xn )n>0 est bien une chaı̂ne de Markov car la position Xn+1 à l’instant n ne dépend que de la position
du pion Xn à l’instant n et du résultat du n + 1ème lancer de dé (les lancers de dés étant indépendants
entre eux).
Calculons la matrice de transition :
0 1
0 1/6 1/6 1/6 1/6 0 1/6 0 0 0 0 1/6 0 0 0 0
B 0 0 1/6 1/6 1/6 0 1/6 1/6 0 0 0 1/6 0 0 0 0 C
B C
B 0 1/6 0 1/6 1/6 0 1/6 1/6 0 0 0 1/6 0 0 0 0 C
B C
B 0 1/6 0 0 1/6 0 1/6 1/6 0 1/6 0 1/6 0 0 0 0 C
B C
B 0 1/6 0 0 0 0 1/6 1/6 0 1/6 1/6 1/6 0 0 0 0 C
B C
B 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 C
B C
B 0 1/6 0 0 0 0 0 1/6 0 1/6 1/6 1/6 1/6 0 0 0 C
B C
B C
B 0 1/6 0 0 0 0 0 0 0 1/6 1/6 1/6 1/6 1/6 0 0 C
P =B C.
B 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 C
B C
B 0 0 0 0 0 0 0 0 0 0 1/6 1/6 1/6 1/6 1/6 1/6 C
B C
B 0 0 0 0 0 0 0 0 0 0 0 1/6 1/6 1/6 1/6 1/3 C
B C
B 0 0 0 0 0 0 0 0 0 0 0 0 1/6 1/6 1/6 1/2 C
B C
B 0 0 0 0 0 0 0 0 0 0 0 0 0 1/6 1/6 2/3 C
B C
B 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/6 5/6 C
B C
@ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 A
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

(J’ai fait le choix de prendre une matrice 16 ⇥ 16, même si l’espace d’état est de taille 14, afin que la ligne
numéro i corresponde à la case numéro i du jeu. En fait, les colonnes 6 et 9 ne sont pas atteignables.)

5
1.2.2 La marche aléatoire sur Z

On considère une personne qui a un peu trop bu et qui souhaite rentrer chez elle à pied (elle a au moins la
présence d’esprit de ne pas prendre sa voiture !). On se place en dimension 1 pour simplifier le problème
(elle se déplace sur une ligne).
La personne a tellement bu qu’à l’instant n elle ne se souvient même plus où elle était auparavant. Sa
position à l’instant n + 1 ne dépend par conséquent que de sa position à l’instant n et de la décision
qu’elle va prendre : d’aller à droite ou à gauche. On peut par conséquent modéliser sa position à l’aide
d’une chaı̂ne de Markov. On suppose qu’elle décide d’aller à droite avec probabilité p et d’aller à gauche
avec probabilité 1 p.
La variable Xn représente donc la position de notre buveur à l’instant n. L’espace d’état est S = Z. Les
probabilités de transition sont :

Pi,i 1 =1 p, Pi,i+1 = p, et Pi,j = 0 pour j 6= i 1, i + 1.

Si p = 1/2 la marche aléatoire est dite symétrique et si p 6= 1/2 la marche est dite asymétrique (il
suffit que le contenu des poches de notre buveur soit plus lourd d’un coté que de l’autre pour l’influencer).
Le but de cette personne est de rentrer chez elle, on espère qu’elle y arrivera en temps fini.

1.2.3 Le système de Bonus-Malus en assurance automobile

Le calcul des primes dans les modèles européens ou asiatiques de l’assurance automobile est basé sur le
nombre d’accident de chaque conducteur. On va décrire un modèle (il en existe beaucoup, voir Ross p.194
pour un modèle très semblable).
Un nouveau conducteur doit payer une certaine prime d’assurance la première année. S’il n’a pas eu
d’accident pendant la première année, le conducteur bénéficie d’un bonus qui lui permet de payer une
prime d’assurance réduite pour la seconde année, si lors de la seconde année il n’a toujours pas d’accident,
sa prime est à nouveau baissée pour la troisième année et ainsi de suite jusqu’à un certain niveau. Par
contre, s’il a au moins un accident pendant une année, alors le conducteur obtient un malus qui augmente
sa prime d’assurance pour l’année suivante.

6
On définit di↵érents niveaux : le niveau le plus bas 0 correspond à la prime la plus basse et plus le niveau
augmente plus la prime augmente.
Si un client est au niveau i, le nombre d’accident qu’il aura pendant l’année suit une loi de Poisson de
paramètre i (rappel : la moyenne d’une loi de Poisson P( ) est ).
Un conducteur passe du niveau i au niveau i + j s’il a eu j accidents au cours de l’année. Par contre,
s’il n’a eu aucun accident au cours de l’année, le conducteur passe du niveau i au niveau i 1. Bien
évidemment, si le client était déjà au niveau 0 et qu’il n’a pas eu d’accident au cours de l’année, il reste
au niveau 0.
Pour i > 0, j > 0, la probabilité qu’un conducteur au niveau i ait j accidents est
j
i
P i (j) = e i
.
j!

On note Xn le niveau de la prime du conducteur l’année n. (Xn )n>0 est une chaı̂ne de Markov car Xn+1 ne
dépend que du niveau précédent Xn et du nombre d’accident que le conducteur aura au cours de l’année
(on suppose que les années sont indépendantes entre elles). Son espace d’état est

S = {0, 1, 2, . . .}.

La matrice de transition est la suivante

2 3
P 0 (0) P 0 (1) P 0 (2) P 0 (3) P 0 (4) ···
6 P (0) 0 P 1 (1) P 1 (2) P ··· 7
6 1 1 (3) 7
6 0 P (0) 0 P 2 (1) P ··· 7
P =6 2 2 (2) 7
6 0 0 P (0) 0 P ··· 7
4 3 3 (1) 5
.. .. .. .. .. ..
. . . . . .

De n’importe quel niveau on peut atteindre tous les niveaux strictement supérieurs, par contre si on est
un bon conducteur on ne peut atteindre que le niveau juste en dessous.
Le but de la compagnie d’assurance est d’évaluer la prime dans chaque niveau afin d’être solvable.

2 Les équations de chapman-Kolmogorov

Connaissant les probabilités de transition, on sait passer de l’instant n à l’instant n + 1 :
X
P(Xn+1 = j) = P(Xn+1 = j, Xn 2 S) = P(Xn+1 = j, Xn = i)
i2S
X
= Pi,j P(Xn = i) (par la formule de Bayes).
i2S

Les équations de Chapman-Kolmogorov vont nous fournir un moyen de passer de la loi à l’instant n à la
n la probabilité de l’état i à l’état j en n étapes :
loi du processus à l’instant n + m. Notons Pi,j
n
Pi,j = P(Xn+k = j|Xk = i) pour n > 0, i, j 2 S.

Dans le cas homogène, ces probabilités ne dépendent pas de k.

n n’est pas le produit n fois de P .

Attention, Pi,j i,j

7
Proposition 6. On a pour tout n, m > 0 et pour tout i, j 2 S
X
n+m n m
Pi,j = Pi,k Pk,j .
k2S

Ces équations sont appelées équations de Chapman-Kolmogorov.

La probabilité d’aller de i à j en n + m étapes est donc la probabilité d’aller de i à k en n étapes et de k

à j en m étapes en sommant sur toutes les valeurs possibles de k.

Démonstration.
X
n+m
Pi,j = P(Xn+m = j|X0 = i) = P(Xn+m = j, Xn = k|X0 = i)
k2S
X
= P(Xn+m = j|Xn = k, X0 = i)P(Xn = k|X0 = i) (2)
k2S
Propriété de Markov X X
n m
= P(Xn+m = j|Xn = k)P(Xn = k|X0 = i) = Pi,k Pk,j .
k2S k2S

Pour l’égalité (2), on utilise la formule de Bayes, plus précisément on utilise :

P(A \ B|C) = P(A|B \ C)P(B|C).

On reconnaı̂t la formule du produit matriciel. Par conséquent la matrice (Pijn )i,j2S est tout simplement le
produit n-fois de la matrice de transition P :

P n = P ⇥ P ⇥ . . . ⇥ P = (Pijn )i,j2S .
(n fois)

Une transition de pas n correspond à multiplier n fois la matrice de transition. D’où

P n+m = P n P m .

Conséquence 7. La loi à l’instant n du processus Xn ne dépend que de la loi de X0 et de sa matrice de

transition : soit n > 0, j 2 S X
n
P(Xn = j) = Pi,j P(X0 = i).
i2S

Exemple Prévisions météorologiques (Ross p.196)

Reprenons l’exemple sur les prévisions météorologiques avec p = 0.7 et q = 0.4. La matrice de transition
est 
0.7 0.3
P = .
0.4 0.6
Sachant qu’il pleut aujourd’hui, on souhaite connaitre la probabilité qu’il pleuve dans 2 jours. On cherche
donc P(Xn+2 = 0|Xn = 0) soit P0,0 2 . En calculant la puissance 2 de la matrice, on obtient


2 0.61 0.39
P = .
0.52 0.48

8
Sachant qu’il pleut aujourd’hui, on a une probabilité de 61% qu’il pleuve dans 2 jours.
Maintenant, on souhaite connaı̂tre la probabilité qu’il pleuve dans 4 jours sachant qu’il pleut aujourd’hui,
4 .
soit P0,0

4 0.5749 0.4251
P = .
0.5668 0.4332
Sachant qu’il pleut aujourd’hui, on a une probabilité de 57, 49% qu’il pleuve dans 4 jours.
Maintenant, on suppose que le premier jour il pleut avec probabilité p0 = 0.1 et qu’il ne pleut pas avec
probabilité p1 = 0.9. On aimerait connaı̂tre la probabilité qu’il pleuve dans 4 jours.
X
4 4 4
P(X4 = 0) = P0,i P(X0 = i) = P0,0 P(X0 = 0) + P1,0 P(X0 = 1)
i2S
= 0.5749 ⇥ 0.1 + 0.5668 ⇥ 0.9 = 0.5676

9
3 Irréductibilité et classification des états
On souhaite étudier les chemins possible de la chaı̂ne de Markov. Est-ce que tous les chemins sont possible
entre les di↵érents états, ou est-ce que certains sont impossibles ? Est-ce que certains chemins peuvent
être emprunté un nombre infini de fois ou est-ce que certains états ne sont visités qu’un nombre fini de
fois ? Voilà les questions que l’on va se poser dans cette partie. Pour cela, on va classifier les états d’une
chaı̂ne de Markov en classes et ces classes seront entièrement déterminées par la matrice transition de la
chaı̂ne.

3.1 irréductibilité
On notera i ; j, si i mène à j (ou j est accessible à partir de i), c’est à dire qu’il existe un chemin de
probabilité strictement positive permettant de passer de i à j : il existe n > 0 tel que Pijn > 0.
On remarque que s’il n’existe pas n > 0 tel que Pi,j
n > 0, alors

1
!
[
P(atteindre j|partant de i) = P {Xn = j}|X0 = i
n=0
1
X 1
X
6 P(Xn = j|X0 = i) = n
Pi,j = 0.
n=0 n=0

Par conséquent, i ; j si et seulement si il existe n > 0 tel que Pijn > 0.

On dira que deux états i et j communiquent, noté i $ j, si i ; j et j ; i.

On remarque que tout état communique avec lui même (car P(X0 = i|X0 = i) = 1) et que si i $ j et
j $ k, alors i $ k.
La relation $ est une relation d’équivalence. On dira que deux états qui communiquent sont dans la même
classe. Ceci permet de décomposer l’espace d’état S en di↵érentes classes, où à l’intérieur de chacune les
états communiquent entre eux.
Pour faire cette décomposition, l’utilisation des graphes peut être utile.
Exemple Serpent-Échelle
On a 1 ; 3, par contre 3 6; 1, et 2 $ 3. L’espace d’état se décompose selon les classes suivantes :

{1}, {2, 3, 4, 5, 7, 8}, {11}, {12}, {13}, {14}, {15}, {16}.

Definition 8. Une chaı̂ne de Markov est dite irréductible si elle ne possède qu’une seule classe, c’est
à dire si tous les états communiquent entre eux.

Exemple 9. Considérons une chaı̂ne de Markov d’espace d’état S = {0, 1, 2} de matrice de transition
2 3
3/4 1/4 0
P = 4 1/2 0 1/2 5 .
1/3 1/3 1/3

Tous les états communiquent, la chaı̂ne est irréductible.

Type your text

10
Exemple 10. Considérons une chaı̂ne de Markov d’espace d’état S = {0, 1, 2, 3} de matrice de transition
2 3
0 1 0 0
6 3/4 1/4 0 0 7
P =6 4 1/8 0 7/8 0 5 .
7

0 0 1/9 8/9
On souhaite définir les communications entre les états. On a 0 $ 1, 0 6; 2 et 2 6; 3, les états 2 et 3 sont
inaccessibles des états 1 et 0, l’état 3 est inaccessible de 2. La chaı̂ne n’est pas irréductible, on a trois
classes :
{0, 1}, {2}, {3}.

Exemple Marche aléatoire

Tous les états communiquent : pour tout i, j 2 Z, il existe un chemin pour passer de i à j. Par exemple,
si i < j, il suffit d’aller toujours à droite, si i > j il suffit d’aller toujours à gauche. La marche aléatoire
est donc irréductible.
Exemple Bonus-Malus
De même que pour la marche aléatoire, tous les états communiquent. Il est facile d’aller en une étape
d’un niveau i à au niveau j > i (il faut avoir j i accidents) et si j < i il suffit de ne pas avoir d’accident
pendant suffisamment de temps. Le chaı̂ne de Bonus-Malus est donc irréductible.

3.2 Temps d’atteinte, récurrence et transience

Definition 11. Notons Ti le temps d’atteinte de i pour la première fois à partir de la première transition :
Ti = inf{n > 1 : Xn = i}.
On définit fi = P(Ti < 1|X0 = i), c’est à dire la probabilité que le processus revienne au moins une fois
en i en partant de i :
fi = P(il existe n > 1 tel que Xn = i|X0 = i)
On remarque que
1
X
fi = P(Ti = n|X0 = i) et {Ti = n} = {X1 6= i, . . . , Xn 1 6= i, Xn = i}.
n=1

Exemple Serpent-Échelle
Dans le cadre du jeu Serpent-Échelle, soit i 2 {1, . . . 15}, E[T16 |X0 = i] correspond à la durée moyenne
de la partie sachant que je pars de la case i.
Definition 12. Si fi = 1, alors l’état i est dit récurrent : partant de l’état i je suis certain de retourner
en i.
Si fi < 1, alors l’état i est dit transitoire (ou transient).
On dit que i est absorbant, si Pii = 1 (une fois arrivé en i on n’en bouge pas).

Si i est un état récurrent, partant de i je suis sûr de retourner en i et ainsi de suite. Par conséquent ma
chaı̂ne passera par l’état i infiniment souvent.
Par contre, si i est un état transitoire, on a une probabilité strictement positive de ne pas retourner en i
(égale à 1 fi ). Partant de i, le nombre de fois Ni que le processus passera en i suit une loi géométrique
de paramètre (1 fi ) : la probabilité de passer k fois en i est égale à fik 1 (1 fi ). Le nombre moyen de
passage en i est donc fini égal à 1/(1 fi ).

11
Démonstration. On a
1
X
Ni = 1Xn =i .
n=0

Regardons tout d’abord la probabilité de ne pas retourner en i :

P(Ni = 1|X0 = i) = P(Ti = 1|X0 = i) = 1 P(Ti < 1|X0 = i) = 1 fi .

Regardons maintenant la probabilité de n’y retourner qu’une seule fois :

P(Ni = 2|X0 = i) = P(il existe n > 1 Xn = i et 8m 6= n Xm 6= i|X0 = i)

X
= P(Xn = i et 8m 6= n Xm 6= i|X0 = i)
n>1
Bayes X
= P(8m > n Xm 6= i|Xn = i et 8m 2 {1, . . . , n 1} Xm 6= i et X0 = i)
n>1
⇥P(Xn = i et 8m 2 {1, . . . , n 1} Xm 6= i|X0 = i)
Markov
X
= P(8m > n Xm 6= i|Xn = i)P(Ti = n|X0 = i)
n>1
Homogène X
= P(8m > 0 Xm 6= i|X0 = i)P(Ti = n|X0 = i)
n>1
X
= P(Ti = 1|X0 = i)P(Ti = n|X0 = i) = (1 fi )fi .
n>1

On montre en utilisant les mêmes arguments que pour tout k > 0

P(Ni = k|X0 = i) = P(il existe 1 < n1 < n2 < . . . < nk 1 : Xnj = i

et 8m 6= nj Xm 6= i pour j 2 {1, . . . , k 1}|X0 = i)
X
= P(Xnj = i et 8m 6= nj Xm 6= i pour j 2 {1, . . . , k 1}|X0 = i)
1<n1 <n2 <...<nk 1
X
= P(8m > nk 1 Xm 6= i|Xnk 1
= i)
1<n1 <n2 <...<nk 1

⇥P(Xnj = i et 8m < nk 1 : m 6= nj Xm 6= i pour j 2 {1, . . . , k 1}|X0 = i)

= (1 fi )fik 1 .

Exemple Serpent-Échelle
Dans le cas du jeu Serpent-Échelle, tous les états sont transitoires sauf la dernière case qui est absorbante.
En e↵et, pour i < 16, il existe un chemin de probabilité strictement positive qui part de la case i et arrive
à la case finale sans passer par l’échelle, donc qui ne permet pas de retourner en i. Par exemple, si i = 2

P(T2 = 1|X0 = 2) > P(avoir 6 au premier lancer, 6 au second lancer et 2 au dernier lancer) = 1/63 > 0.

Donc f2 = 1 P(T2 = 1|X0 = 2) < 1.

Proposition 13. Considérons un état i 2 S, alors

12
 P
- i est récurrent si et seulement si P1 n
n=1 Pi,i = 1,
- i est transitoire si et seulement si 1 n
n=1 Pi,i < 1.
n ! 0 quand n ! 1.
Par conséquent, si l’état i est transitoire, on a Pi,i
P
Démonstration. Posons In = 1{Xn=i } . Alors n>0 In représente le nombre de passage en i de la chaı̂ne
(Xn )n>0 . On a
1
X X1 1
X
n
E[ In |X0 = i] = P[Xn = i|X0 = i] = Pi,i .
n=0 n=0 n=1

D’où le résultat.

Remarque 14. Soient i, j 2 S avec i $ j et i récurrent, alors j est récurrent.

Par conséquent tous les éléments d’une même classe sont de même nature (soit tous récurrents, soit tous
transitoires).
Le résultat est intuitif, pour une preuve plus formelle vous pouvez aller voir le livre de Ross, p. 207.

Un état transitoire n’est visité qu’un nombre fini de fois, par conséquent si l’espace d’état S est fini, les
états ne peuvent pas être tous transitoire (il suffit de prendre n assez grand). On a le résultat suivant

Theorem 15. On considère une chaı̂ne de Markov sur un espace d’état fini, alors il existe au moins un
état récurrent.
Si de plus la chaı̂ne est irréductible (une seule classe), alors tous les états sont récurrents.

Exemple 16. La chaı̂ne de Markov à espace d’état S = {0, 1, 2} de matrice de transition

2 3
3/4 1/4 0
P = 4 1/2 0 1/2 5 .
1/3 1/3 1/3

est irréductible en dimension finie, donc tous les états sont récurrents.

Exemple 17. On considère une chaı̂ne de Markov à espace d’état S = {0, 1, 2, 3, 4} et de matrice de
transition 2 3
1/2 1/2 0 0 0
6 1/2 1/2 0 0 0 7
6 7
P =6 06 0 1/2 1/2 0 7 7.
4 0 0 1/2 1/2 0 5
1/4 1/4 0 0 1/2
On remarque que la chaı̂ne possède trois classes {0, 1}, {2, 3}, {4}. Les deux premières sont récurrentes
et la dernière est transitoire. En e↵et pour tout n > 0, Pi,i
n = 1/2 pour i 6= 4 et P n = (1/2)n , il suffit
4,4
ensuite d’utiliser la Proposition 13.

Exemple Marche aléatoire

Tous les états sont récurrents dans le cadre de la marche aléatoire symétrique et transitoire dans le cas
de la marche asymétrique. Intuitivement si p > 1/2, on a une plus forte probabilité d’aller à droite qu’à
gauche et donc la chaı̂ne à tendance à partir vers +1.
En dimension 2 (le buveur se ballade sur Z2 ) le résultat est le même, mais en dimension 3 quelque soit la
valeur de p la chaı̂ne est toujours transitoire.

13
Démonstration. (Ross p.209)
Il suffit d’étudier un seul état vu que la chaı̂ne est irréductible. Considérons i = 0. Soit n > 0. Si n = 2k +1
est impair P00 n = 0 (il est impossible de revenir en 0 en un nombre impair de coups). Si n = 2k est pair,

il faut aller autant de fois à gauche qu’à droite pour revenir en 0 :

✓ ◆
2k 2k
P00 = (p(1 p))k ,
k
✓ ◆
2k
où est le nombre de façon de placer les pas vers la droite parmi les n = 2k pas que fait le buveur.
k
On dit que un ⇠ vn si limn!1 uvnn = 1 (les deux suites se comportent de la même façon à l’infini).
p
En utilisant la formule de Stirling : n! ⇠ nn+1/2 e n 2⇡, on a

2k (4p(1 p))k
P00 ⇠ p
⇡k
ce qui est le terme général d’une série convergente si p 6= 1/2 (car 4p(1 p) < 1) et divergente si p = 1/2
(car 4p(1 p) = 1).P n
En e↵et, la série n>1 anb converge si et seulement si a < 1 ou a = 1 et b > 1.

3.3 Point absorbant, temps d’absorption

Considérons la chaı̂ne de Markov (Xn )n>0 à espace d’état S = {0, 1, 2} et de matrice de transition
2 3
1 0 0
P =4 p q r 5
0 0 1

avec 0 < p, q, r < 1 et p + q + r = 1. On remarque que la chaı̂ne posséde deux points absorbants 2 et 0.
Partant de l’état 1, le processus peut y rester un certain temps, mais un jour il sautera soit à l’état 0 soit
à l’état 2 dont il ne pourra plus en sortir. Il sera absorbé.
On peut se demander si le processus a plus de chance d’être absorbé en 0 ou en 2 et combien de temps
en moyenne il faudra attendre avant que le processus soit absorbé ?
Pour cela on va utiliser une méthode qui s’appelle analyse des premiers (on regarde les premières transitions
de la chaı̂ne).
On définit T = min{n > 0 tel que Xn = 0 ou Xn = 2} le temps d’absorption du processus et on note

u = P(XT = 0|X0 = 1),

v = E[T |X0 = 1].

On suppose pour le moment que l’état initial du processus est X0 = 1. Alors à l’instant 1 on a
– soit X1 = 0 (avec proba p) et alors T = 1, XT = 0 ;
– soit X1 = 2 (avec proba r) et alors T = 1, XT = 2 ;
– soit X1 = 1 (avec proba q) et alors T > 1, et on débute alors une nouvelle transition partant à nouveau
de l’état 1.
Par conséquent, P(T = 1|X0 = 1) = p + r.
Par ailleurs, vu qu’on considère une chaı̂ne de Markov homogène, on remarque que

P(XT = 0|X1 = 1) = P(XT = 0|X0 = 1) = u,

14
d’où u vérifie la relation
2
X
u = P(XT = 0|X0 = 1) = P(XT = 0, X1 = k|X0 = 1)
k=0
2
X
= P(XT = 0|X1 = k)P(X1 = k|X0 = 1) (Bayes + propriété de Markov)
k=0
= 1.p + u.q + 0.r
p p
On en déduit que u = 1 q = p+r . Par conséquent

r
P(XT = 2|X0 = 1) = 1 P(XT = 0|X0 = 1) = .
p+r
Cherchons maintenant le temps moyen d’absorption. Partant de l’état 1, il faut au moins une transition
pour être absorbé. Comme on l’a vu plus haut, soit on est absorbé dès le premier pas, soit on repart à
l’état initial et il faudra en moyenne v = E[T |X0 = 1] transitions supplémentaires pour être absorbé (ceci
est lié à l’absence de mémoire d’une chaı̂ne de Markov), d’où

v = E[T |X0 = 1]
= 1.P(T = 1|X0 = 1) + (1 + E[T |X0 = 1])P(X1 = 1|X0 = 1)
= (p + r) + (1 + v)q = 1 + vq

On en déduite que le temps moyen d’absorption est 1/(p + r).

Remarque 18. Dans ce cas particulier, on pouvait calculer le temps moyen d’absorption d’une autre
manière. En e↵et, l’événement {T = n}, signifie je n’ai pas été absorbé pendant n 1 étapes et donc
je suis resté en 1 et j’ai ensuite fait la transition vers 0 ou 2. La probabilité de cet événement est :
P(T = n|X0 = 1) = q n 1 (1 q). T suit la loi géométrique (loi du premier succès) de paramètre 1 q = p+r,
son espérance est donc 1/(p + r).
L’intérêts de l’analyse des premiers pas est que l’on peut la généraliser à des exemples plus compliqués.

Exemple 19. On considère deux jeux. Le premier consiste à lancer une pièce équilibrée jusqu’à obtenir
2 faces de suite suivi d’un pile : F F P , le second consiste à obtenir face, pile, face : F P F . On aimerait
comparer les temps moyen d’une partie pour chacun des jeux.
Le premier jeu : on considère 4 états : S1 = {0, F, F F, F F P }.
On considère une chaı̂ne de Markov (Xn )n>0 définie sur S1 telle que l’on retourne au point de départ dès
qu’on sort des configurations {F, F F, F F P }. Dès qu’on a atteint la configuration F F P le jeu s’arrête, ce
point est absorbant. La matrice de transition de cette chaı̂ne est par conséquent
2 3
1/2 1/2 0 0
6 1/2 0 1/2 0 7
P1 = 64 0
7.
0 1/2 1/2 5
0 0 0 1

Le second jeu : on considère 4 états : S2 = {0, F, F P, F P F }.

On considère une chaı̂ne de Markov (Yn )n>0 définie sur S2 telle que l’on retourne au point de départ dès
qu’on sort des configurations {F, F P, F P F }. Dès qu’on a atteint la configuration F P F le jeu s’arrête, ce

15
point est absorbant. La matrice de transition de cette chaı̂ne est par conséquent
2 3
1/2 1/2 0 0
6 0 1/2 1/2 0 7
P2 = 64 1/2 0
7.
0 1/2 5
0 0 0 1

Calculons les temps moyens d’une partie pour chacun des jeux.
Notons v0 le temps moyen pour le premier jeu partant de l’état 0, vF quand on part de l’état F et vF F
quand on part de l’état F F . Bien évidemment si on part de F F P le jeu est terminé, on a vF F P = 0. On
utilise l’analyse des premiers pas :
8
< v0 = 12 (1 + v0 ) + 12 (1 + vF ) = 1 + 12 v0 + 12 vF
v = 1 + 12 v0 + 12 vF F
: F
vF F = 1 + 12 vF F + 12 vF F P

D’où
v0 = 8 vF = 6 vF F = 2.
Pour le second jeu, notons w0 le temps moyen pour le premier jeu partant de l’état 0, wF quand on part
de l’état F et wF P quand on part de l’état F P . Bien évidemment si on part de F P F , on a wF P F = 0.
On utilise l’analyse des premiers pas :
8
< w0 = 1 + 12 w0 + 12 wF
w = 1 + 12 wF + 12 wF P
: F
wF P = 1 + 12 w0 + 12 wF P F

D’où
w0 = 10 wF = 8 wF P = 6.
Plus de lancers sont nécessaires en moyenne pour gagner dans le second jeu, alors que la probabilité d’avoir
FFP ou FPF en trois coups consécutifs est la même égale à 1/8.

16
4 Probabilité limite, loi invariante
On considère une chaı̂ne de Markov (Xn )n>0 à espace d’état S, de matrice de transition P . Connaissant
le loi initiale, la loi à chaque instant n est donnée par la formule (voir la Conséquence 7 page 8)
X
n
P(Xn = j) = Pi,j P(X0 = i).
i2S

la loi de Xn ne dépend que de X0 et de la puissance nème de la matrice de transition.

Considérons la matrice de transition de l’exemple Prévisions météorologiques. On observe que
 
0.7 0.3 10 0.5714311 0.4285689
P = P =
0.4 0.6 0.5714252 0.4285748
 
20 0.5714286 0.4285714 50 0.5714286 0.4285714
P = P =
0.5714286 0.4285714 0.5714286 0.4285714

On a l’impression que les puissances de la matrice de transition convergent vers une matrice dont toutes
les lignes sont identiques.
Remarque : ceci n’est pas vrai avec toutes les matrices de transition.
Dans cette section on va étudier la loi de Xn lorsque n grandit. Pour cela on aura besoin de notions
supplémentaires (encore !).

4.1 Périodicité
Definition 20. Considérons un état i 2 S et notons R(i) = {n > 0 : Piin > 0}. On définit la période d
d’un état i 2 S comme le plus grand commun diviseur de R(i) : d = pgcdR(i).
L’état i est dit apériodique si d = 1.
On remarque que la périodicité est une propriété de classe : tous les états d’une même classe ont la même
période.
Exemple Marche aléatoire
Dans le cas de la marche aléatoire la période est 2. Il faudra forcément un chemin de longueur un multiple
de 2 pour revenir au point initial (il faut aller autant de fois à gauche qu’à droite).
Par contre, si on considère un individu qui a vraiment trop bu et qui a des moments d’absence. Il a
alors une probabilité p d’aller à droite, q d’aller à gauche et r de rester sur place, avec 0 < p, q, r < 1 et
p + q + r = 1. La chaı̂ne est toujours irréductible, mais l’individu pouvant rester sur place, la période est
1.
Exemple Bonus-Malus
Partant du niveau 0 je peux rester à ce niveau, cet état est apériodique. La chaı̂ne modélisant le système
de Bonus-Malus étant irréductible (une seule classe). Tous les états sont donc apériodiques.

4.2 Récurrence positive/ récurrence nulle

Definition 21. On considère un état récurrent i 2 S. On note µi = E[Ti |X0 = i].
– L’état i est dit récurrent positif si partant du point i l’espérance du temps de retour en i est finie.
Autrement dit, i est récurrent positif si µi < 1.
– Si µi = 1, l’état i est alors dit récurrent nul.
– Un état récurrent positif et apériodique est dit ergodique.

17
Propriété 22. – La récurrence positive (ou nulle) est une propriété de classe.
– Dans le cas d’un espace d’état S fini, tous les états récurrents sont forcément récurrents positifs.
– Un état i récurrent est récurrent nul si Piin ! 0 quand n ! 1, sinon il est récurrent positif.
Theorem 23. Une chaı̂ne de Markov irréductible à espace d’état fini est nécessairement récurrente
positive (i.e., tous les états sont récurrents positifs).

Exemple Marche aléatoire

La marche aléatoire symétrique (p = 1/2) est récurrente nulle. Le résultat est admis, mais pour ceux qui
souhaite avoir une preuve la voici.

Démonstration. (Voir Promenade aléatoire de Michel Benaı̈m et Nicole El Karoui, Ed. École Polytech-
nique) Non fait en cours. P
Soit i 2 Z. On veut calculer E[Ti |X0 = i]. On note 'i (t) = E[etTi |X0 = i] = n>1 ent P(Ti = n|X0 = i) la
fonction génératrice des moments de Ti sachant que X0 = i. On sait retrouver l’espérance à l’aide 'i (t),
on va donc calculer cette fonction. On remarque que la marche aléatoire est invariante par translation,
donc 'i (t) ne dépend pas de i (quelque soit la valeur de i, le problème est le même et ne dépend pas de
la valeur de i). Notons alors cette fonction '(t).
Prenons i = 0. On sait que T0 > 2 car il est impossible de revenir au point de départ en une seule étape,
on va
– soit d’abord à droite (avec probabilité 1/2) et alors X1 = 1 et T0 = 1 + T1,0 où T1,0 est le temps pour
aller de 1 à 0,
– soit d’abord à gauche (avec probabilité 1/2) et alors X1 = 1 et T0 = 1 + T 1,0 où T 1,0 est le temps
pour aller de 1 à 0.
Par conséquent

'(t) = E[etT0 |X0 = 0]

1 1
= E[et(1+T1,0 ) |X0 = 0] + E[et(1+T 1,0 ) |X0 = 0]
2 2
1 t
= e E[etT1,0 |X0 = 0] + E[etT 1,0 |X0 = 0]
2
= et E[etT1,0 |X0 = 0] (marche symétrique)

On recommence, pour aller de 1 à 0, on y va

– soit en un pas avec probabilité 1/2, d’où X2 = 0 et T1,0 = 1,
– soit on saute encore à droite avec probabilité 1/2 et on se retrouve en 2, d’où X2 = 2 et T1,0 = 1 + T2,0
où T2,0 est le temps pour aller de 2 à 0.
On a donc
1
E[etT1,0 |X0 = 0] = et 1 + E[etT2,0 |X0 = 0]
2
Pour aller de 2 à 0, il est nécessaire de passer par 1, donc T2,0 = T2,1 + T1,0 , avec T2,1 et T1,0 indépendantes
(du à la propriété de Markov) et de même loi (invariance par translation). Donc
1
E[etT1,0 |X0 = 0] = et 1 + E[etT1,0 |X0 = 0]2 .
2
On en déduit que p
E[etT1,0 |X0 = 0] = e t (1 1 e2t ),
et p
'(t) = 1 1 e2t .

18
(vérification : la variable T0 étant positive, '(t) est une fonction croissante.)
2t
Regardons la dérivée de ' en 0 : '0 (t) = pe , d’où pour tout i 2 Z, E[Ti |X0 = i] = '0 (0) = 1. Tous
1 e2t
les points sont bien récurrents nuls.

4.3 Loi stationnaire

Theorem 24. Si la chaı̂ne de Markov est irréductible et ergodique (une seule classe dont les éléments
sont tous ergodiques), alors limn!+1 Pijn existe et ne dépend pas de i.
Notons ⇡j = limn!+1 Pijn pour j 2 S. Alors ⇡ = (⇡j )j2S est l’unique loi de probabilité sur S solution de
X
⇡j = ⇡i Pij pour tout j 2 S.
i2S

⇡ est appelée loi stationnaire (ou loi invariante) de la chaı̂ne de Markov.

On sait que (voir conséquence 7 page 8), la loi de Xn vérifie

X
n
P(Xn = j) = Pi,j P(X0 = i).
i2S
P
Sous les hypothèses du théorème, quand n converge vers +1, P(Xn = j) converge vers i2S ⇡j P(X0 =
Loi
i) = ⇡j . Donc Xn ! ⇡.
n!1
Si on considère une chaı̂ne irréductible et ergodique, quelque soit sa condition initiale, pour n suffisamment
grand, la loi de Xn est “proche” de ⇡ et reste par la suite proche de ⇡.

Remarque 25. – C’est l’irréductibilité de la chaı̂ne qui assure l’unicité de la loi invariante. Si on n’a pas
l’irréductibilité et que chaque classe est ergodique, il y a alors existence d’une infinité de lois invariantes.
– La convergence en loi est assurée par l’apériodicité de la chaı̂ne.
– Si la chaı̂ne est irréductible et ergodique, la suite (P n )n>0 converge quand n tend vers l’infini vers une
matrice dont toutes les lignes sont identiques, chaque ligne correspondant à la loi invariante ⇡. Ceci
permet en général de calculer ⇡ numériquement par ordinateur lorsque la dimension de la matrice n’est
pas trop grande, comme on l’a fait au début de cette section pour les prévisions météorologiques.
– La loi invariante ⇡ peut être considérée comme un vecteur ligne ⇡ = (⇡0 , ⇡1 , . . .) et donc ⇡ est solution
des équations X
⇡.P = ⇡ et ⇡i = 1.
i2S

Proposition 26. Sous les hypothèses du théorème, si la loi initiale de X0 est ⇡, alors pour tout n > 0,
Xn suit la loi ⇡.
D’où l’appellation de loi stationnaire.

Démonstration. En e↵et, pour n = 0 la loi de X0 est bien ⇡ et si on suppose que Xn suit la loi ⇡, on a
X X
P(Xn+1 = j) = Pi,j P(Xn = i) = Pi,j ⇡i = ⇡j .
i2S i2S

Par induction, pour tout n > 0, la loi de Xn est ⇡.

19
Proposition 27. Soit (Xn )n>0 une chaı̂ne de Markov à espace d’état S. On suppose la chaı̂ne irréductible,
récurrente (pas forcément positive) et apériodique, alors pour tout état i 2 S on a
1
lim Piin = ,
n!+1 µi
où µi est l’espérance E[Ti |X0 = i] du temps de retour en i partant de l’état i.
On retrouve le dernier résultat de la propriété 22.
Conséquence 28. Si la chaı̂ne est irréductible et ergodique et si on note ⇡ sa loi stationnaire, on a alors
pour tout i 2 S
1
⇡i = .
µi
Trouver ⇡ revient à résoudre un système linéaire, c’est donc un moyen assez simple de calculer le temps
moyen de retour dans un état partant de cet état.

Exemple Prévisions météorologiques

Dans cet exemple, l’espace d’état est fini et la chaı̂ne est irréductible, donc tous les états sont récurrents
positifs. Par ailleurs, l’état 0 est apériodique car P0,0 > 0. La chaı̂ne est irréductible et ergodique, elle
admet donc une unique probabilité stationnaire.
Calculons la loi invariante dans le cas des prévisions météorologies. ⇡ = (⇡0 , ⇡1 ) vérifie
⇡.P = ⇡
soit ⇢
0.7⇡0 + 0.4⇡1 = ⇡0
0.3⇡0 + 0.6⇡1 = ⇡1
Comme ⇡ est une loi de probabilité, on a aussi ⇡0 + ⇡1 = 1. On doit par conséquent résoudre le système
⇢
0.3⇡0 + 0.4⇡1 = 0
⇡0 + ⇡1 = 1
On obtient ⇡ = (4/7, 3/7).
En utilisant la Proposition 27, on en déduit en particulier que le temps moyen d’attente d’un jour de pluie
sachant qu’il pleut aujourd’hui est 7/4 jours.
Exemple 29. On considère une chaı̂ne de Markov à espace d’état S = {0, 1, 2} de matrice de transition
2 3
0 1 0
P = 4 1/2 0 1/2 5
1/3 1/3 1/3
Chaque période de temps que le processus passe à l’état 0 coûte 2$ et les période de temps passées aux
états 1 et 2 coûtent chacune 1$. On peut se demander quel est coût moyen par période de temps à long
terme de cette chaı̂ne.
En dessinant le graphe, on observe que la chaı̂ne est irréductible à espace d’état fini. Par ailleurs, comme
P2,2 > 0 l’état 2 est apériodique (et donc tous les autres états). La chaı̂ne est par conséquent irréductible
et ergodique, alors la loi istationnaire ⇡ existe et est unique. Calculons la :
8 1 1
8
>
> 2 ⇡1 + 3 ⇡2 = ⇡0 >
> ⇡0 + 12 ⇡1 + 13 ⇡2 = 0
< 1 <
⇡0 + 3 ⇡2 = ⇡1 ⇡0 ⇡1 + 13 ⇡2 = 0
1 ,
>
> ⇡ + 1 ⇡ = ⇡2 >
>
1 2
2 ⇡1 + 3 ⇡2 = 0
: 2 1 3 2 :
⇡0 + ⇡1 + ⇡2 = 1 ⇡0 + ⇡1 + ⇡2 = 1

20
 3 2 3
D’où ⇡ = ( 10 , 5 , 10 ). À long terme la loi de Xn est proche de ⇡, donc le coût moyen à long terme est
3 2 3
C = 2. + 1. + 1. = 1, 3$.
10 5 10

Exemple Bonus-Malus
Revenons sur l’exemple des Bonus-Malus. Considérons un cas plus simple où l’espace d’état est fini
S = {0, 1, 2, 3, 4, 5, 6} (correspond au système brésilien, voir Bonus-Malus systems : The european and
asian approach to merit-rating de Jean Lemaire, dans North American Actuarial Journal (1998)). Le
principe est le même mais on ne peut pas dépasser le niveau 6. Par exemple, si on était dans la classe 2
et qu’on a eu plus de 4 accidents au cours de l’année, alors notre nouvelle prime sera celle du niveau 6.
On choisit le même paramètre pour chacun des niveaux : la probabilité d’avoir k accidents est donc
k
pk = e
k!
et la matrice de transition est
2 P 3
p0 p 1 p 2 p3 p4 p5 p
Pk>6 k
6 p0 0 p 1 p2 p3 p4 p 7
6 Pk>5 k 7
6 0 p0 0 p1 p2 p3 p 7
6 Pk>4 k 7
P =6
6 0 0 p0 0 p1 p2 p 7.
7
6 Pk>3 k 7
6 0 0 0 p0 0 p1 p 7
4 Pk>2 k 5
0 0 0 0 p0 0 p
Pk>1 k
0 0 0 0 0 p0 k>1 pk
P1
On remarque que, comme k=0 pk = 1, on a

X n
X1
pk = 1 pk .
k>n k=0

La matrice de transition s’écrit donc

2 P5 3
p0 p1 p2 p3 p4 p5 1 pk
6 p Pk=0
4 7
6 0 0 p1 p2 p3 p4 1 pk 7
6 Pk=0
3 7
6 0 p0 0 p1 p2 p3 1 k=0 pk 7
6 7
P =6 0 0 p0 0 p1 p 2 1 p0 p1 p 2 7.
6 7
6 0 0 0 p0 0 p1 1 p0 p 1 7
6 7
4 0 0 0 0 p0 0 1 p0 5
0 0 0 0 0 p0 1 p0

La chaı̂ne est irréductible, apériodique (l’état 0 est apériodique car P0,0 = p0 > 0), donc ergodique. Il
existe une unique probabilité stationnaire ⇡. Pour = 0.1, on obtient
6 8
p0 = 0.9048374, p1 = 0.0904837, p2 = 0.0045242, p3 = 0.0001508, p4 = 3.8.10 , p5 = 7.54.10

et donc
⇡ = (0.88948, 0.09355, 0.01444, 0.00215, 0.00032, 0.00005, 0.00001).
Par conséquent, en régime “stationnaire” (en “temps long”), 89% des assurés sont dans l’état 0 de plus
bas niveau et partant de l’état 0 il faut en moyenne attendre 1/0.88948 années pour revenir à l’état 0,
soit 1 an 1 mois et 15 jours.

21
La valeur de ⇡ permet à l’assureur d’ajuster la valeur de la prime dans chaque niveau afin d’être solvable
et compétitif. La valeur de (qui correspond au nombre moyen d’accident par assuré) est estimée à l’aide
de méthodes statistiques en fonction des données que l’assureur possède sur ses assurés.
Supposons que = 0.1, la compagnie d’assurance décide d’augmenter le montant de la prime de 20% à
chaque fois qu’on passe au niveau supérieur, c’est à dire
– le montant de la prime dans l’état 0 est a0 = a,
– le montant de la prime dans l’état 1 est a1 = a0 + a0 ⇤ 20% = 1.2a,
– le montant de la prime dans l’état 2 est a2 = a1 + a1 ⇤ 20% = (1.2)2 a,
.. ..
. .
– le montant de la prime dans l’état 6 est a6 = a5 + a5 ⇤ 20% = (1.2)6 a.
La prime moyenne payée par assuré est donc de

prime moyenne = a0 ⇡0 + a1 ⇡1 + . . . + a6 ⇡6
= a(⇡0 + 1.2⇡1 + . . . + (1.2)6 ⇡6 )
= a ⇥ 1.02704

Afin d’être solvable et compétitive, la compagnie d’assurance souhaite que la prime moyenne payée par
assuré soit de 100$, il faut donc que a ⇥ 1.02704 = 100, soit a = 97.36$. On obtient ainsi le montant de
la prime dans chaque niveau

Niveau 0 1 2 3 4 5 6
Montant de la prime 97.36$ 116.83$ 140.2$ 168.25$ 201.9$ 242.27$ 290.73$

4.4 Théorème ergodique

Cette partie est hors-programme, juste pour la culture et pour les gens qui devront un jour faire des simu-
lations avec des chaı̂nes de Markov. On peut aller voir le livre de Norris, Markov Chain, Cambridge Uni-
versity Press (en partie disponible sur sa page internet : http ://[Link]/ james/Markov/
) ou l’article de Galin L. Jones pour le théorème central limite pour les chaı̂nes de Markov, On the Markov
chain central limit theorem, Probab. Surveys, Volume 1 (2004), pages 299-320 (disponible sur http ://pro-
[Link]/).
Le théorème ergodique est l’équivalent de la loi des grands nombres pour les chaı̂nes de Markov.
La loi des grands nombre stipule que si on a une suite (Xn )n>0 de variables indépendantes, de même loi
et d’espérance fini, alors avec probabilité 1 on a
n
1X
Xk ! E[X1 ].
n n!+1
k=1

On peut aussi le réécrire, pour toute fonction f bornée, on a avec probabilité 1

n
1X
f (Xk ) ! E[f (X1 )].
n n!+1
k=1

Ce théorème est très utilisé en simulation pour simuler E[f (X1 )] qui n’est pas toujours facile à calcu-
ler. Pour cela, on simule n variables indépendantes de même loi et d’après la loi des grands nombres
1 Pn
n k=1 f (Xk ) est proche de la valeur cherchée. Lorsqu’on travaille avec des variables qui ne sont pas
indépendantes la loi des grands nombres ne s’applique plus.

22
Theorem 30. Soit (Xn )n>0 une chaı̂ne de Markov à espace d’état S. On suppose la chaı̂ne irréductible
récurrente positive et on note ⇡ sa loi invariante. Alors pour toute fonction f bornée, alors quelque soit
la loi initiale, avec probabilité 1,
n 1
1X X
f (Xk ) ! f (i)⇡i .
n n!+1
k=0 i2S

Un second théorème ergodique peut s’apparenter au théorème central limite. On peut écrire le théorème
central limite de la manière suivante : si (Xn )n>0 est une suite de variables indépendantes, de même loi
et d’espérance m et de variance 2 finie, alors
n
!
p 1X Loi
n Xk m ! N (0, 2 ).
n n!+1
k=1

Theorem 31. Soit (Xn )n>0 une chaı̂ne de Markov irréductible à espace d’état S fini. On considère une
fonction f et on note X
m= f (i)⇡i .
i2S
Alors, sous certaines hypohèses, il existe dépendant de f tel que
n 1
!
p 1X Loi 2
n f (Xk ) m ! N (0, ).
n n!+1
k=0

5 Marche aléatoire absorbée : problème de la ruine du joueur

On considère un joueur qui joue soit jusqu’à ce qu’il soit ruiné, soit jusqu’à ce qu’il ait atteint son objectif
de repartir avec un capital de N $. À chaque fois qu’il joue, il gagne 1$ ou perd 1$. On suppose que les
jeux successifs sont indépendants entre eux et qu’à chaque fois le joueur a une probabilité p de gagner et
une probabilité q = 1 p de perdre.
On souhaite connaı̂tre la probabilité que le joueur ressorte du casino riche plutôt que ruiné en fonction
de son capital initial.

Notons Xn la richesse du joueur à l’instant n. (Xn )n>0 est une chaı̂ne de Markov à valeur dans {0, 1, . . . , N }.
À chaque instant le joueur gagne ou perd juste 1$, par conséquent les probabilités de transitions sont
pour i 2 {1, 2, . . . , N 1}

P0,0 = PN,N = 1
Pi,i+1 = 1 Pi,i 1 =p

23
et les autres probabilités de transitions sont nulles.
Cette chaı̂ne a deux états absorbants et on peut décomposer l’espace d’état en trois classes : deux
récurrente {0}, {N } et une transitoire {1, 2, . . . , N 1}.
Vu que les états transitoires ne sont visités qu’un nombre fini de fois, on est sur que le temps de jeux est
fini (on arrivera forcément dans un des états absorbants). On note T la durée du jeu :

T = min{n > 0 : Xn = 0 ou Xn = N }.

À l’instant T le joueur est soit ruiné soit riche, d’où XT = 0 ou N . On note Pi = P(XT = N |X0 = i) la
probabilité de sortir du jeu riche sachant que le capital initial du joueur était i.
Alors en utilisant l’analyse des premiers pas,

Pi = P(XT = N, X1 = i + 1|X0 = i) + P(XT = N, X1 = i 1|X0 = i)

= P(XT = N |X1 = i + 1)Pi,i+1 + P(XT = N |X1 = i 1)Pi,i 1

La probabilité P(XT = N |X1 = i + 1) représente la probabilité d’être riche sachant qu’on avait un capital
de i + 1, par conséquent Pi+1 . Le suite (Pi ), vérifie donc

Pi = pPi+1 + qPi 1.
⇣ ⌘i
q
Comme p + q = 1, si on note ui = Pi+1 Pi , on a pui = qui 1 . D’où ui = p u0 .
Comme P0 = 0, on a donc
q
P2 P1 = P1
p
✓ ◆2 Type your text
q q
P3 P2 = (P2 P1 ) = P1
p p
.. ..
. .
✓ ◆i 1
q
Pi Pi 1 = P1
p
.. ..
. .
✓ ◆N 1
q
PN PN 1 = P1
p
En sommant les i premières équations, on obtient
i 1 ✓ ◆k
X q
Pi P1 = P1 .
p
k=1
⇣ ⌘i
q
1 p
q q
On distingue deux cas, si p = 1, alors Pi = iP1 et si p 6= 1, Pi = q P1 .
1 p
n
X an+1
1
(En e↵et, de manière générale, si a 6= 1 on a ak = .)
1 a
k=0
q
1 pq
Vu que PN = 1, on en déduit que P1 = 1/N si p = 1 et P1 = ⇣ ⌘N sinon.
q
1 p

24
 q
Par ailleurs p = 1 si et seulement si p = q = 1/2. Par conséquent, on a
8 ⇣ ⌘i
>
> 1 q
>
> p
< Pi = ⇣ ⌘N si p 6= 1/2;
q
> 1 p
>
>
>
: i
Pi = si p = 1/2.
N
On a q/p < 1 si et seulement si p > 1/2. Si on considère que la richesse de la banque augmente N ! +1,
on a 8 ⇣ ⌘i
< 1 q
si p > 1/2;
p
Pi !
:
0 si p 6 1/2.
Quand N ! +1 le joueur est par conséquent sur d’être ruiné si le jeu lui est défavorable (p < 1/2), ce
qui n’est pas étonnant, mais c’est aussi le cas même si le jeu est équitable. Par contre, si le jeu lui est
favorable p > 1/2, le joueur a une probabilité strictement positive (mais strictement inférieur à 1) que sa
richesse croisse indéfiniment.
Proposition 32. Ruine du joueur
On considère une marche aléatoire entre deux barrières absorbantes 0 et N , d’espace d’état S = {0, 1, . . . , N }.
On suppose que les probabilités de transitions sont données par
Pi,i+1 = p = 1 Pi,i 1 pour i = 1, . . . N 1 et P0,0 = PN,N = 1.
Alors la probabilité d’absorption en N en partant de l’état i est
8 ⇣ ⌘i
>
> 1 q
>
< p
Pi = ⇣ ⌘N si p 6= 1/2,
q
>
> 1 p
>
: i
N si p = 1/2.

Probabilité de sortir gagnant en fonction du capital initial pour di↵érentes valeurs de p.

Exemple 33. On considère Max et Patty qui jouent à pile ou face. Patty a 5$ en poche et Max a 10$ en
poche. Chacun parie 1$ à chaque fois. Les deux amis jouent jusqu’à la ruine d’un des joueurs. On cherche
la probabilité de gagner pour Patty.
Il suffit d’imaginer un boulier avec 5 boules du coté gauche et 10 boules du coté droit. A chaque fois que
Patty gagne on déplace une boule de droite à gauche et à chaque fois que Max gagne on déplace une boule
de gauche à droite. Le jeu se termine quand il n’y a plus de boule d’un coté.

25
On note Xn le nombre de boules du coté de Patty (la fortune de Patty). Il y a par conséquent 15 Xn
boules du coté de Max. Xn est à valeur dans {0, 1, . . . , 15}. On a Xn+1 = Xn + 1 si Patty a gagné au jeu
de pile ou face et sinon on a Xn+1 = Xn 1. On a bien une chaı̂ne de Markov.
D’après les résultats sur la ruine du joueur, la pièce étant supposée équilibrée (p = q = 1/2), la probabilité
que Patty gagne est P5 = P(XT = 15|X0 = 5) :
5 1
P5 = = .
15 3
Par conséquent, Max gagne avec une probabilité 2/3.

Exercice 34. Supposons qu’à chaque partie d’un jeu, Alexandre gagne 1$ avec probabilité p, ou perd
1$ avec probabilité q = 1 p. Alexandre continue de jouer jusqu’à temps qu’il gagne N $ ou perde M $.
Quelle est la probabilité qu’Alexandre quitte le jeu en tant que gagnant ?

Corrigé : En se ramenant au problème de la ruine du joueur, on cherche la probabilité qu’un joueur

partant avec M $ atteigne (N + M )$ avant d’être ruiné. Donc la probabilité qu’Alexandre gagne est :
⇣ ⌘M
q
1 p
⇣ ⌘M +N .
q
1 p

Exercice 35. Pour le problème de la ruine du joueur, notons Mi le nombre moyen de parties avant que le
joueur soit ruiné ou gagne une fortune de N , sachant qu’il part d’un capital i (i 2 {0, 1, ..., N }). Donnez
un ensemble d’équations linéaires afin de trouver Mi (i 2 {0, 1, ..., N }).

Corrigé : Par une analyse des premiers pas, on a M0 = 0 = MN et pour i 2 {1, . . . , N 1}

Mi = 1 + pMi+1 + qMi 1.

26
Université du Québec à Montréal MAT 3071 - Hiver 2012
Département de Mathématiques Groupe : 011

Chapitre 2 : Processus de Poisson

Ces notes de cours ont été construite à partir du chapitre 9 du livre de Sheldon M. Ross Introduction to
probability models, tenth edition (Academic Press, 2010).

Table des matières

1 Introduction 2

2 Notions sur la loi exponentielle et la loi de Poisson 2

2.1 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3 Calcul d’espérance par conditionnement 7

4 Processus Ponctuel de Poisson 11

4.1 Première définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2 Distribution des temps d’attente et des inter-arrivées . . . . . . . . . . . . . . . . . . . . . 12
4.3 Deuxième définition du processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 14

5 Propriétés du processus de Poisson 14

5.1 Somme de deux processus de Poisson indépendants . . . . . . . . . . . . . . . . . . . . . . 14
5.2 Décomposition d’un processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.3 Loi conditionnelle en fonction du nombre de sauts . . . . . . . . . . . . . . . . . . . . . . 18

6 Processus de Poisson généralisés 19

6.1 Processus de Poisson non homogène . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
6.2 Processus de Poisson composé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

7 Probabilité de ruine d’une compagnie d’assurance 21

1
1 Introduction
On considère une compagnie d’assurance. Elle souhaite évaluer le montant des primes que doivent verser
ses assurés afin qu’elle soit solvable, tout en restant concurrentielle par rapport aux autres compagnies
d’assurance. Chaque client verse une certaine prime chaque année. En retour, si le client a un accident la
compagnie doit lui verser des indemnités. Pour évaluer le montant de la prime la compagnie d’assurance
devra par conséquent évaluer le nombre d’indemnités qu’elle devra verser chaque année et leur montant.
On va se placer sous les hypothèses suivantes : les clients se comportent tous de la même manière et de
façon indépendante.
Pour répondre au problème de la compagnie d’assurance, il va falloir modéliser les sinistres (les instants où
il y a des sinistres et leur montant) et ensuite évaluer la probabilité de ruine de la compagnie d’assurance
en fonction de la prime fixée.

2 Notions sur la loi exponentielle et la loi de Poisson

2.1 Loi exponentielle
Definition 1. Une variable aléatoire X de loi exponentielle de paramètre (ou de taux) > 0 est une
variable continue à valeurs positives de densité
x
f (x) = e 1x>0 .

La loi exponentielle de paramètre est notée E( ).

Propriété 1. Soit X une variable aléatoire de loi exponentielle E( ).

1. Sa fonction de répartition est
⇢
1 e t si t > 0
F (t) =
0 si t < 0.

2. Sa fonction génératrice des moments est

⇢
tX 1 si t >
'(t) = E[e ]=
t si t < .

3. Sa moyenne et sa variance sont

1 1
E[X] = V ar(X) = 2
.

Hélène Guérin; 9 octobre 2012. 2

Preuve.
1. F (t) = P(X 6 t) = 0 si t < 0 car X est une variable positive et si t > 0, on a
Z t Z t h it
F (t) = fX (x)dx = e x dx = e x = 1 e t.
0 0 0

2. Sa fonction génératrice des moments vérifie

Z +1 Z " #+1
+1 (t )x
tX tx x
'(t) = E[e ] = e e dx = e(t )x
dx = .
0 0 t
0
D’où le résultat.
3. Calculons les dérivées de la fonction génératrice, on a
2
'0 (t) = '00 (t) = .
( t)2 ( t)3
D’où
1 1
E[X] = '0 (0) = et V ar(X) = '00 (0) E[X]2 = 2
.
⇤
La loi exponentielle possède une propriété dite d’absence de mémoire. Elle est en fait la seule loi continue
à vérifier cette propriété :
Propriété 2. Absence de mémoire
Soit X une variable aléatoire de loi exponentielle, alors pour tout t, s > 0,
P(X > s + t|X > t) = P(X > s).
Preuve. En e↵et,
P(X > s + t) e (t+s) s
P(X > s + t|X > t) = = =e = P(X > s).
P(X > t) e t
⇤
Du fait de sa propriété d’absence de mémoire, la loi exponentielle est souvent utilisée pour modéliser des
durées de vie pour un système sans usure ou des temps d’attente. Par exemple, si on modélise la durée
de vie d’une lampe par la loi exponentielle, l’absence de mémoire revient à dire “sachant que la lampe
fonctionne encore après t heures de service, la probabilité qu’elle fonctionne encore pendant au moins s
heures est égale à la probabilité qu’elle fonctionne au moins de s heures”. C’est comme si la lampe avait
oublié qu’elle avait déjà fonctionné t heures, voilà pourquoi on utilise cette loi pour des systèmes sans
usure.
On peut réécrire la propriété d’absence de mémoire de la façon suivante
P(X > s + t) = P(X > s)P(X > t).
Exemple 1. On suppose que le temps d’attente T à la poste suit une loi exponentielle de moyenne 10
minutes ( = 1/10). La probabilité qu’un client attende plus de 15 minutes est
15/10 3/2
P(T > 15) = e =e ' 0.22.
Sachant que le client a déjà attendu au moins 10 minutes, le probabilité qu’il attende au moins 15 minutes
est
P(T > 15|T > 10) = P(T > 5) = e 5/10 = e 1/2 ' 0.604.

Hélène Guérin; 9 octobre 2012. 3

Proposition 3. Le minimum de variables de loi exponentielle indépendantes suit encore une loi expo-
nentielle : soient X ⇠ E( ) et Y ⇠ E(µ) deux variables indépendantes, alors

min(X, Y ) ⇠ E( + µ).

De plus
P(min(X, Y ) = X) = P(X 6 Y ) = .
+µ
Preuve. On pose Z = min(X, Y ). Z est une variable positive. Calculons sa fonction de survie : pour t > 0
on a
Indépendance
P(Z > t) = P(X > t, Y > t) = P(X > t)P(Y > t) = e ( +µ)t .
Par ailleurs, comme les variables X et Y sont indépendantes, la loi du couple (X, Y ) est continue de
densité fX,Y (x, y) = e x µe µy 1x>0 1y>0 , d’où
Z +1 ✓Z +1 ◆ Z +1
P(Z = X) = P(X 6 Y ) = e x
µe µy
dy dx = e ( +µ)x dx = .
0 x 0 +µ
⇤

Exercice 2. Une usine fabrique des lampes dont la durée de vie T en heures vérifie : P (T > t) = e t
pour t > 0, avec > 0. T suit donc la loi exponentielle de paramètre . La durée de vie moyenne d’une
lampe est 1/ .
On considère un échantillon de n lampes dont les durées de vie T1 , . . . , Tn sont supposées indépendantes,
de même loi que T . On note U = min(T1 , . . . , Tn ) le premier instant où au moins une des lampes cesse de
fonctionner et V = max(T1 , . . . , Tn ) le premier instant où toutes les lampes ont cessées de fonctionner.
Quelles sont les lois de U et de V ?
Corrigé : On va calculer les fonctions de répartition de U et V pour trouver leur loi. Les deux variables
sont à valeurs positives. On a pour t > 0
n t
FU (t) = 1 P(U > t) = 1 P(T1 > t, . . . , Tn > t) = 1 e par indépendance.

Par conséquent, U suit le loi exponentielle E(n ).

⇣ ⌘n
FV (t) = P(V 6 t) = P(T1 6 t, . . . , Tn 6 t) = 1 e t
par indépendance.

V est une variable de densité ⇣ ⌘n 1

t t
fV (t) = n e 1 e 1t>0 .
4

Proposition 4. La somme de n variables indépendantes de loi exponentielle de même paramètre suit la

loi Gama : soient X1 , . . . , Xn des variables indépendantes de loi E( ), alors
n
X
Xi ⇠ G(n, )
i=1

où G(n, ) est la loi Gamma de paramètre n et de densité

n
xn 1
e x
1x>0 .
(n 1)!

Hélène Guérin; 9 octobre 2012. 4

Preuve. On prouve le résultat par induction. Pour n = 1, on retrouve bien la loi exponentielle. On suppose
que le résultat est vrai pour n, cherchons la loi de
n+1
X n
X
Xi = Xi + Xn+1 .
i=1 i=1
Pn
Les variables i=1 Xi et Xn+1 sont indépendantes, donc la densité vérifie
Z +1
fPn+1 Xi (x) = fXn+1 (x y)fPni=1 Xi (y)dy
i=1
0
Z x n
= e (x y) y n 1 e y dy
0 (n 1)!
n+1 Z x n+1
= e x ny n 1 dy = e x xn .
n! 0 n!
Ce qui prouve le résultat. ⇤

Conséquence 5. On déduit de la proposition précédente l’espérance, la variance et la fonction génératrice

des moments d’une variable Y de loi Gamma G(n, ) :
(
n n
E[Y ] = , V ar(Y ) = , 'Y (t) = ⇣ 1⌘n si t >
t si t < .

Preuve. En e↵et, comme les Xi sont indépendantes et de même loi, on a

E[Y ] = nE[X], V ar(Y ) = nV ar(X) et 'Y (t) = ('X (t))n .
⇤

2.2 Loi de Poisson

Definition 2. Une variable aléatoire X de loi Poisson de paramètre > 0 est une variable discrète à
valeur dans N de probabilité
k
P(X = k) = e
k!
La loi de Poisson de paramètre est notée P( ).
Cette loi est en général utilisée des événements rares comme le nombre d’accidents de voiture, le nombre
de mutations génétiques fixées dans l’ADN,. . .En fait, la loi de Poisson a été introduite en 1838 par
Siméon-Denis Poisson dans son ouvrage Recherches sur la probabilité des jugements en matière criminelle
et en matière civile.

Hélène Guérin; 9 octobre 2012. 5

Propriété 6. Soit X une variable aléatoire de loi de Poisson P( ).
– Sa fonction génératrice des moments est
(et 1)
'(t) = E[etX ] = e .
– Sa moyenne et sa variance sont
E[X] = V ar(X) = .
Preuve.
1
X k 1
X
tk ( et ) k et
'(t) = e e =e =e e .
k! k!
k=0 k=0
On calcule les dérivées de la fonction génératrice :
(et 1) (et 1)
'0 (t) = et e '00 (t) = (1 + et ) et e
D’où
E[X] = '0 (0) = et V ar(X) = '00 (0) E[X]2 = .
⇤

Proposition 7. La somme de n variables indépendantes de loi Poisson suit encore une loi de Poisson :
soient X1 , . . . , Xn des variables indépendantes de loi respective P( i ), alors
n
X n
X
Xi ⇠ P( i)
i=1 i=1
Pn
Preuve. On calcule la fonction génératrice de Z = i=1 Xi et on utilise le fait que la fonction génératrice
caractérise la loi : par indépendance des Xi on a
t t t t
Pn
1 (e 1) 2 (e 1) n (e 1)
'Z (t) = 'X1 (t) ⇥ 'X2 (t) ⇥ . . . ⇥ 'Xn (t) = e .e ...e = e(e 1) i=1 i
.
⇤

Exercice 3. On considère une compagnie d’assurance habitation. On note X les sinistres causés par une
personne de manière volontaire (vols, feux volontaires, ...) et Y les sinistres accidentels. On suppose que
X et Y sont indépendantes et suivent des loi de Poisson de paramètre respectif et µ. Montrer que la loi
conditionnelle de X sachant le nombre total de sinistres au cours ⇣ de l’année
⌘ est une loi binomiale : la loi
conditionnelle de X sachant X + Y = n est la loi binomiale B n, +µ .
Corrigé : On sait que X + Y suit la loi de Poisson de paramètre + µ. Par ailleurs, si {X + Y = n} alors
forcément X 6 n. On a donc pour k > n P(X = k|X + Y = n) = 0 et pour k 6 n
P(X = k, X + Y = n) P(X = k, Y = n k)
P(X = k|X + Y = n) = =
P(X + Y = n) P(X + Y = n)
P(X = k)P(Y = n k)
= par indépendance de X et Y
P(X + Y = n)
n! ke µn k e µ
= .
k!(n k)! ( + µ)n e ( +µ)
✓ ◆✓ ◆k ✓ ◆n k ✓ ◆✓ ◆k ✓ ◆n k
n µ n
= = 1 .
k +µ +µ k +µ +µ
4

Hélène Guérin; 9 octobre 2012. 6

3 Calcul d’espérance par conditionnement
Les lois conditionnelles dans les cas discrets et continus sont abordées dans le Livre de Ross, chapitre 3,
page 97.
Considérons deux variables aléatoires X et Y . On appelle espérance conditionnelle de X sachant Y ,
noté E[X|Y ], la variable qui prend la valeur E[X|Y = y] en y.
Cette quantité est une fonction de Y (et ne dépend surtout pas de X !).
Si X et Y sont des variables indépendantes alors l’espérance conditionnelle est constante : E[X|Y ] = E[X].
L’espérance conditionnelle vérifie la relation
E[X] = E[E[X|Y ]].
Si Y est discrète, l’expression précédente se réécrit
X
E[X] = E[X|Y = y]P(Y = y),
y

et si Y est une variable continue de densité fY (y) on a

Z +1
E[X] = E[X|Y = y]fY (y).
1

Exemple 4. Un relecteur travaille sur deux livres. Le nombre de coquilles dans le premier livre suit une
loi de Poisson de moyenne 2 et le nombre de coquilles dans le second livre suit une loi de Poisson de
paramètre 5. Le relecteur choisit aléatoirement de façon équitable le livre sur lequel il va travailler. On
note X le nombre de coquilles que le relecteur va relever. On note Y le choix du livre : Y = 1 s’il relit le
livre 1 et Y = 2 s’il relit le livre 2.
Alors le nombre moyen de coquilles vaut
E[X] = E[X|Y = 1]P(Y = 1) + E[X|Y = 2]P(Y = 2) = 2 ⇥ 1/2 + 5 ⇥ 1/2 = 7/2.
Exemple Somme d’un nombre aléatoire de variables aléatoires
On pose N le nombre d’accidents de voitures pendant une année. Pour le ième accident, on note Zi le
montant des indemnités que la compagnie d’assurance verse au conducteur. On suppose que les Zi sont
indépendants et de même loi et indépendants de N .
Le montant total que la compagnie devra débourser au cours d’une année est
N
X
X= Zi .
i=1

On souhaite calculer sa valeur moyenne. Comme X s’écrit à l’aide de N , il est naturel de conditionner
par rapport à cette valeur. On a " N #
X
E[X] = E E[ Zi |N ]
i=1
Par ailleurs, on a
N
X n
X n
X
E[ Zi |N = n] = E[ Zi |N = n] = E[Zi |N = n]
i=1 i=1 i=1
n
X
= E[Zi ] par indépendance entre les Zi et N
i=1
= nE[Z] car les Zi sont de même loi.

Hélène Guérin; 9 octobre 2012. 7

Par conséquent E[X|N ] = N E[Z], on en déduit que
" N #
X
E[X] = E E[ Zi |N ] = E[N E[Z]] = E[N ]E[Z].
i=1

On peut généraliser le calcul d’espérance au calcul de l’espérance de n’importe quelle fonction h de X : si

Y est discrète, on a X
E[h(X)] = E[h(X)|Y = y]P(Y = y),
y

et si Y est une variable continue de densité fY (y) on a

Z +1
E[h(X)] = E[h(X)|Y = y]fY (y).
1

Ceci est utile pour calculer la variance ou la fonction génératrice d’une variable aléatoire. Notamment
pour la variance V ar(X) = E[X 2 ] E[X]2 , on obtient la formule suivante
Proposition 8. (Formule de décomposition de la variance)

V ar(X) = E[V ar(X|Y )] + V ar(E[X|Y ]).

Preuve. On a
⇥ ⇤
E[V ar(X|Y )] = E E[X 2 |Y ] E[X|Y ]2
⇥ ⇤ ⇥ ⇤ ⇥ ⇤
= E E[X 2 |Y ] E E[X|Y ]2 = E[X 2 ] E E[X|Y ]2

et ⇥ ⇤ ⇥ ⇤
V ar(E[X|Y ]) = E E[X|Y ]2 E [E[X|Y ]]2 = E E[X|Y ]2 E[X]2 .
En sommant les deux expressions, on obtient le résultat. ⇤
Exemple Somme d’un nombre aléatoire de variables aléatoires (appelé modèle agrégé)
On reprend l’exemple précédent et on veut calculer la variance des remboursements au cours d’une année.
On va utiliser la formule de décomposition de la variance.
On a E[X|N ] = N E[Z], par conséquent

V ar(E[X|N ]) = V ar(N E[Z]) = E[Z]2 V ar(N ).

D’un autre coté, on a

n
X
V ar(X|N = n) = V ar( Zi |N = n)
i=1
n
X
= V ar(Zi |N = n) car les Zi sont indépendants
i=1
Xn
= V ar(Zi ) car les Zi et N sont indépendants
i=1
= nV ar(Z) car les Zi sont de même loi.

Hélène Guérin; 9 octobre 2012. 8

D’où V ar(X|N ) = N V ar(Z) et donc E[V ar(X|N )] = E[N ]V ar(Z). Par la formule de décomposition de
la variance, on en déduit que

V ar(X) = E[Z]2 V ar(N ) + V ar(Z)E[N ].

Notamment, si on suppose que le nombre de sinistres suit une loi de Poisson P( ), on a E[N ] = V ar(N ) =
et donc
V ar(X) = (E[Z]2 + V ar(Z)) = E[Z 2 ].

Des exemples précédents on obtient la proposition suivante :

Proposition 9. (Espérance et variance d’une somme aléatoire de variables aléatoires)

On considère une suite (Zi )i>1 des variables indépendantes et de même loi que Z et N une variable
aléatoire. On suppose que N et les Zi sont indépendants, alors
"N # N
!
X X
E Zi = E[N ]E[Z], V ar Zi = E[Z]2 V ar(N ) + V ar(Z)E[N ].
i=1 i=1

Exemple 5. Modèle de Galton-Watson (Ross p. 245)

En 1873, Galton s’est inquiété de la disparition des noms de familles nobles en Angleterre. Avec l’aide
du mathématicien Watson ils ont étudié ce problème. Ce modèle est encore très utilisé en dynamique des
populations et en génétique.

On suppose qu’à l’instant initial, t = 0 on a un seul ancêtre. On suppose que les générations ne se che-
vauchent pas et que chaque individu à la génération n donne naissance à des enfants de façon indépendante
et selon la même
P loi p = (p0 , p1 , . . .) pour tout le monde, loi que l’on connaı̂t, avec pi < 1 pour tout i > 0.
On note µ = i>0 ipi le nombre moyen d’enfant par individu et 2 la variance de la loi p.
Le nombre d’individu Xn+1 à la génération n + 1 est égal à la somme des enfants de chacun des individus
de la génération n, soit
XXn
Xn+1 = Zk ,
k=1

où Zk est le nombre d’enfant du ième individu de la génération n. Les variables Zk sont indépendantes de
Xn .
Ce type de processus est aussi appelé processus de branchement ou de ramification.
La suite (Xn )n>0 est une chaı̂ne de Markov à espace d’état S = N et l’état 0 est absorbant.

Hélène Guérin; 9 octobre 2012. 9

Si p0 > 0, alors tous les états non nuls sont transitoires, car on a un probabilité non nulle de passer de
l’état i à l’état 0 égale à pi0 (les i individus n’ont aucun enfant) et de cet état on ne peut pas retourner
en i (l’état 0 est absorbant).
Calculons la taille moyenne de la population et sa variance. Xn s’exprimant comme la somme aléatoire
de variables aléatoires, d’après la proposition 9, on a
E[Xn ] = E[Z]E [Xn 1] = µE [Xn 1] .

Par conséquent, comme X0 = 1,

E[Xn ] = µn .
De même, en utilisant la proposition 9 on a
V ar(Xn ) = µ2 V ar(Xn 1) + 2
E[Xn 1] = µ2 V ar(Xn 1) + 2 n 1
µ .
Par conséquent, comme X0 = 1
2
V ar(X1 ) =
V ar(X2 ) = µ2 2
+ 2
µ= 2
µ(µ + 1)
2 3 2 2 2 2
V ar(X3 ) = µ (µ + 1) + µ = µ (µ2 + µ + 1)
..
.
n
X1
2 n 1 n 1 n 2 2 n 1
V ar(Xn ) = µ (µ +µ + . . . + 1) = µ µk
k=0

On a donc (
2 µ n 1 1 µn si µ 6= 1
V ar(Xn ) = 1 µ
n 2 si µ = 1
Dans les graphes ci-dessous on a tracé plusieurs trajectoires de Xn en fonction de n pour di↵érentes valeur
de µ (µ étant le nombre moyen d’enfant par individu) :

µ = 0.9 µ=1 µ = 1.1

Si µ < 1, le nombre moyen d’individu dans la population et sa variance tendent vers 0 quand n ! 1.
Si µ = 1, le nombre moyen d’individu dans la population reste constant, mais sa variance part à l’infini
quand n ! 1.
Si µ > 1, le nombre moyen d’individu dans la population et sa variance tendent vers 1 quand n ! 1.
En fait, on peut montrer que si µ 6 1, la population s’éteint de façon certaine et si µ > 1 la probabilité
d’extinction de la population est strictement inférieure à 1.

Hélène Guérin; 9 octobre 2012. 10

4 Processus Ponctuel de Poisson
Definition 3. Un processus stochastique (N (t))t>0 est appelé processus de comptage si N (t) représente
le nombre total de sauts (ou événements) qui sont arrivés avant l’instant t.
Exemple 6.
– Dans le cas de la compagnie d’assurance, N (t) représente le nombre de sinistres intervenus sur l’intervalle
de temps [0, t]. Chaque saut correspond à l’arrivée d’un nouveau sinistre.
– 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. D’ailleurs si vous allez au musée des beaux-arts de
Montréal en entrant vous croiserez une personne muni d’un compteur.
Un processus de comptage est forcément positif, à valeurs entières et croissant.
Propriété 10. Soit (N (t))t>0 un processus de comptage. On a
– N (t) > 0,
– N (t) 2 N,
– Si s < t, on a N (s) 6 N (t),
– Pour s < t, N (t) N (s) représente le nombre de sauts intervenus dans l’intervalle de temps (s, t].

On va étudier ici un processus de comptage particulier : le processus de Poisson.

4.1 Première définition

Definition 4. Première définition du Processus de Poisson Le processus de comptage (N (t))t>0 est appelé
processus de Poisson d’intensité , avec > 0 si
(i) N (0) = 0,
(ii) le processus a des accroissements indépendants, c’est à dire pour t > s, le nombre de sauts
N (t) N (s) intervenus sur (s, t] est indépendant du nombre de sauts N (s) intervenus avant l’instant
s.
(iii) le nombre d’événements sur un intervalle de longueur t est distribué selon une loi de Poisson P( t),
c’est à dite pour tout s, t > 0
( t)n t
P(N (t + s) N (s) = n) = e .
n!

Hélène Guérin; 9 octobre 2012. 11

Les accroissements de même longueur du processus de Poisson ont tous la même loi, on dit que le processus
a des accroissements stationnaires.
Le processus de Poisson est un processus de Markov : les accroissements étant indépendants, la valeur du
processus après l’instant t ne dépend que de la valeur du processus à l’instant t mais pas de tout ce qui
s’est passé avant.
Comme N (t) ⇠ P( t) pour t > 0, on remarque que le nombre moyen de saut par intervalle de temps est
E[N (t)]/t = .
Exemple 7. On suppose que les accidents qu’aura un conducteur se produisent selon un processus de
Poisson (N (t))t>0 d’intensité 0.01 par mois.
La probabilité que le conducteur n’ait aucun accident au cours de sa première année de conduite est donc
0.01⇥12
P(N (12) = 0) = e ' 88, 7%,

car N (12) suit la loi de Poisson P(0.01 ⇥ 12).

La probabilité que le conducteur ait exactement un accident entre sa seconde année de conduite et sa
troisième année de conduite est
0.01⇥12
P(N (36) N (24) = 1) = P(N (12) N (0) = 1) = P(N (12) = 1) = 0.01 ⇥ 12.e ' 10, 6%,

car les accroissements sont stationnaires.

La probabilité qu’il ait au moins deux accidents avant la fin de sa deuxième année de conduite sachant
qu’il a eut exactement un accident au cours de sa première année est

P(N (24) > 2|N (12) = 1) = P(N (24) N (12) > 1|N (12) = 1)
= P(N (24) N (12) > 1) car les accroissements sont indépendants
= P(N (12) > 1) car les accroissements sont stationnaires
= 1 P(N (12) = 0) ' 11, 3%.

Remarque 11. Soit (N (t))t>0 un processus de Poisson d’intensite . Le nombre de saut sur un petit
intervalle de temps ne dépasse généralement pas 1. Plus précisément, soit h > 0, pour h suffisamment
petit on a h < 1 et donc

( h)2
P(N (h) = 0) = e h
P(N (h) = 1) = he h
P(N (h) > 2) 6
2
et quand h temps vers 0, on a
P(N (h) = 1) P(N (h) > 2)
! et ! 0.
h h

4.2 Distribution des temps d’attente et des inter-arrivées

Un processus de Poisson sert à compter des sauts (ou des événements). On peut se demander à quels
moments arrivent ces sauts, et quelle distance il y a entre deux sauts. Les sauts arrivent de façon aléatoire,
on va donc essayer de trouver la loi d’attente entre deux sauts : la loi des instants inter-arrivées.
Considérons un processus de Poisson (N (t))t>0 . Le premier saut arrive à un instant aléatoire T1 , puis il
faudra attendre un temps T2 avant que le second saut survienne, puis un temps T3 ainsi de suite. . . . On
note Tn le temps écoulé entre le (n 1)ème saut et le nème saut.
La suite des instants (Tn )n>1 est appelée suite des instants inter-arrivées.

Hélène Guérin; 9 octobre 2012. 12

D’autres quantités intéressantes sont les instants de chaque saut :
n
X
Sn = Ti .
i=1

Cherchons la loi de Tn et de Sn .
Theorem 1. La suite des instants inter-arrivées (Tn )n>1 est une suite de variables indépendantes iden-
tiquement distribuées de loi exponentielle E( ).
Par conséquent, la durée moyenne d’un intervalle de temps entre deux sauts est 1/ .
Preuve. Étudions le premier instant de saut T1 . Si à l’instant t on a N (t) = 0 ceci signifie que l’on n’a
pas encore sauté et donc T1 > t. Par conséquent
t
P(T1 > t) = P(N (t) = 0) = e .

Ceci implique que T1 suit la loi exponentielle de paramètre .

Maintenant étudions la loi de T2 en conditionnant par rapport à T1 : soit t, s > 0

P(T2 > t|T1 = s) = P(pas de saut sur l’intervalle ]s, s + t]|T1 = s)

Le nombre de saut sur l’intervalle ]s, s + t] suit une loi de Poisson P( t) et est indépendant de ce qui s’est
passé avant, par conséquent
t
P(T2 > t|T1 = s) = P(pas de saut sur l’intervalle ]s, s + t]) = e .

Par conséquent T2 ⇠ E( ) et les variables T2 et T1 sont indépendantes. En itérant ce raisonnement, on

prouve le théorème. ⇤
P
Corollaire 1. L’instant Sn = ni=1 Ti est la somme de n variables indépendantes de loi exponentielle,
elle suit donc la loi Gamma G(n, ).
On remarque que
{N (t) 6 n} = {Sn > t}.

Hélène Guérin; 9 octobre 2012. 13

Exemple 8. On suppose que les nouveaux arrivants au Québec arrivent selon un processus de Poisson
d’intensité = 1 par jour.
Le temps moyen avant de voir arriver le 10ème immigrant est égal à
10
E[S10 ] = = 10 jours.

Si maintenant on regarde la probabilité que le temps d’attente entre le 10ème immigrant et le 11ème
immigrant soit supérieur à 2 jours :
2 2
P(T11 > 2) = e =e ' 0.133.

4.3 Deuxième définition du processus de Poisson

Une autre façon de définir un processus de Poisson est de le définir à partir de ses instants de sauts :

Definition 5. Définition du processus de Poisson à l’aide des temps inter-arrivées

On considère (Tn )n>1 une suite de variables indépendantes, de loi exponentielle de paramètre . On définit
S0 = 0 et on pose
Sn = T 1 + T 2 + . . . + T n .
Alors le processus (N (t))t>0 définit par
1
X
N (t) = 1Sn 6t = max{n > 0 : Sn 6 t}
n=1

est un processus de Poisson d’intensité .

Les deux définitions sont équivalentes.

5 Propriétés du processus de Poisson

5.1 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. On sait déjà que la somme de variables de Poisson indépendante suit une loi de Poisson. Il en
est de même pour les processus de Poisson

Proposition 12. Somme de deux processus de Poisson

Considérons deux processus de Poisson (N 1 (t))t>0 et (N 2 (t))t>0 indépendants d’intensité respective 1 et
1 2
2 . Alors le processus N (t) = N (t) + N (t) est un processus de Poisson d’intensité 1 + 2 .
La probabilité que le premier processus saute avant le second est égale à

1
P(T11 < T12 ) = ,
1+ 2

où T11 est le premier instant de saut de N 1 et T12 le premier instant de saut de N 2 .

La probabilité que les deux processus sautent en même temps est nulle car leurs temps de saut sont
indépendants et suivent des lois gammas (loi continue !).

Hélène Guérin; 9 octobre 2012. 14

Preuve. On considère le processus N (t) = N 1 (t) + N 2 (t). On a N (0) = 0. Par ailleurs, si t, s > 0, alors

N (t + s) N (s) = N 1 (t + s) N 1 (s) + N 2 (t + s) N 2 (s) .

N 1 est un processus de Poisson, par conséquent N 1 (t + s) N 1 (s) suit la loi P( 1 t) et est indépendant
de N 1 (s). De même N 2 (t + s) N 2 (s) suit la loi P( 2 t) et est indépendant de N 2 (s). Les processus N 1
et N 2 étant indépendants, obtient que (voir la proposition 7) N (t + s) N (s) suit une loi de Poisson
P( 1 t + 2 t) et est indépendant de N (s) = N 1 (s) + N 2 (s).
Par ailleurs, le premier instant de saut de N a lieu dès que le premier processus entre N 1 et N 2 saute, par
conséquent N saute pour la première fois en T1 = min(T11 , T12 ). Les instants T11 et T12 étant indépendants,
on utilise alors les résultats sur le minimum de variables exponentielles indépendantes (voir la proposition
3 de ce chapitre) pour conclure. ⇤

Exemple 9. Considérons une compagnie d’assurance. Les sinistres pour un assuré arrivent selon un
processus de Poisson de paramètre . La compagnie a n clients. On suppose que les assurés ont des
comportements indépendants. Alors le nombre de sinistres que doit gérer la compagnie d’assurance est
un processus de Poisson d’intensité n .
Supposons par exemple que le nombre moyen de sinistre par individu sur une année est de 0.01. On peut
modéliser les instants d’arrivée des sinistres par un processus de Poisson d’intensité = 0.01/365 par
jour. On considère que la compagnie d’assurance a 5000 clients. Alors le premier sinistre de l’année pour la
compagnie arrive à l’instant T1 qui suit une loi exponentielle de paramètre 5000 = 50/365. En moyenne
le premier sinistre que devra prendre en charge la compagnie arrive au bout de 365/50 ' 7, 3 jours.
Exemple 10. On considère une compagnie d’assurance qui a une branche assurance automobile et une
branche assurance habitation. On peut modéliser les instants d’arrivée des sinistres à l’aide de processus de
Poisson indépendants pour chacune des branches, d’intensité a pour la branche automobile et d’intensité
h pour la branche habitation. Au final, pour la compagnie les instants d’arrivée d’un sinistre (quel qu’il
soit) sont les temps d’arrivée d’un processus de Poisson d’intensité a + h .

5.2 Décomposition 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.

Hélène Guérin; 9 octobre 2012. 15

On considère un processus de Poisson (N (t))t>0 de paramètre permettant de comptabiliser des événements
liés à une population. Les individus de cette population peuvent être soit du type I soit du type II. Par
exemple : soit de sexe masculin, soit de sexe féminin si on regarde les visiteurs dans un musée, ou soit
des sinistres “habitation” soit des sinistres “automobile” si on considère une compagnie d’assurance. On
suppose que la proportion d’individus de type I est égale à p (la proportion d’individus de type II est
par conséquent 1 p).
On note N 1 (t) le nombre de sauts de type I intervenus dans l’intervalle de temps [0, t] et N 2 (t) le nombre
de sauts de type II intervenus dans l’intervalle [0, t].
On a par conséquent N (t) = N 1 (t) + N 2 (t)

Proposition 13. Décomposition d’un processus de Poisson selon des classes

Soit (N (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 1 (t))t>0 et (N 2 (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) .

Cette proposition se généralise facilement lorsque

P qu’on découpe la population en k sous groupes qui sont
distribués selon les proportions p1 , . . . , pk ( ki=1 pi = 1).
Preuve. Montrons que N 1 et N 2 sont des processus de Poisson au sens de la première définition. On a de
façon évidente que N 1 (0) = N 2 (0) = 0, car N (0) = 0.
Cherchons la loi jointe de (N 1 (t), N 2 (t)) : soit n, k 2 N et t > 0 fixés, on a

P(N 1 (t) = n, N 2 (t) = k) = P(N (t) = n + k dont n sauts sont de type I et k de type II)
✓ ◆ n+k
n+k
= pn (1 p)k e
n (n + k)!
(p )n p ((1 p) )k (1 p)
= e ⇥ e .
(n)! k!

Par conséquent N 1 (t) et N 2 (t) sont indépendants et suivent respectivement les lois de Poisson P(p ) et
P((1 p) ).
Étudions les accroissements de N 1 (le raisonnement est identique pour N 2 ). Soient t, s > 0, N 1 (t +
s) N 1 (s) correspond au nombre de sauts du type I du processus N . Comme N a des accroissements
indépendants, les sauts de type I de N sur (s, t + s] sont indépendants de tous les sauts intervenus
avant l’instant s, et donc indépendant de ceux de type I avant l’instant s. Donc N 1 a des accroissements
indépendants. On montre que les accroissements sont stationnaires de la même façon que précédemment
en calculant P(N 1 (t + s) N 1 (s) = n, N 2 (t + s) N 2 (s) = k) pour tout s, t > 0 et k, n 2 N. ⇤

Exemple 11. On considère une compagnie d’assurance qui s’occupe d’assurance habitation et assurance
automobile. On suppose que sa proportion de contrat automobile est égal à 3/4. On suppose que les
sinistres arrivent selon un processus de Poisson d’intensité 10 par mois. Le probabilité de ne pas avoir de
sinistre habitation pendant 3 mois peut être calculé de la manière suivante.
Le nombre de sinistre habitation est un processus de Poisson de paramètre 1/4 ⇥ 10 = 2.5 par mois. Par
conséquent la probabilité de ne pas avoir de sinistre habitation pendant trois mois est égale à

P(pas de sinistre habitation pendant 3 mois) = P(T1h > 3) = e 3⇥2.5

' 5.53.10 4
.

où T1h représente le premier instant où un sinistre habitation intervient.

Hélène Guérin; 9 octobre 2012. 16

Exemple 12. Supposons que vous vendez aux enchères un objet sur un site internet payant. Les propo-
sitions arrivent selon un processus de Poisson d’intensité .
A chaque proposition, soit vous acceptez l’o↵re et la vente est finie, soit vous la refusez et vous attendez
une nouvelle proposition.
Le site internet sur lequel vous avez déposé votre o↵re est payant. On suppose que ça vous coûte c $ par
unité de temps jusqu’à ce que vous vendiez votre objet.
Vous souhaitez avoir un gain maximal. Votre gain correspond au prix de vente de votre objet moins le
coût d’utilisation du site internet.
On suppose que vous vous fixez un prix minimal y pour votre objet et vous acceptez la première o↵re qui
est supérieur à y. Quelle est la meilleure valeur pour y ?
On suppose que les propositions suivent une loi uniforme sur [0, 500]. Votre prix minimal étant y, la
probabilité d’avoir une proposition X supérieure à y est
500 y
P(X > y) = .
500
Par conséquent la proportion d’o↵re supérieur à y arrivent selon un processus de Poisson d’intensité
(500 y)/500 et le temps d’attente T pour avoir une telle o↵re suit une loi exponentielle de paramètre
(500 y)/500.
Le gain moyen sachant qu’on ne considère que des o↵res supérieures à y est par conséquent :

G(y) = E[montant de l’o↵re accepté] cE[le temps de vente]

= E[X|X > y] cE[T ]
Z 1
500
= xfX|X>y (x)dx c
0 (500 y)
Z 500
x 500c 500 + y 500c
= dx =
y 500 y (500 y) 2 (500 y)

On veut trouver la meilleure valeur de y afin d’optimiser ce gain. Calculons donc la dérivée du gain :
1 500c
G0 (y) = .
2 (500 y)2

La dérivée est nulle si et seulement si

p
y = 500 1000c/ .

Par conséquent, si = 0.05 par minute (soit 3 o↵res par heure) et c = 0.1 $ par minute, on trouve
y ' 455 $.
Si jamais le coût du site internet est trop élevé et que les o↵res n’arrivent pas assez rapidement (par
exemple c = 3 $ et = 0.01) , il n’y a pas de solution optimale comprise entre 0 et 500. Il est alors
optimal d’accepter la première o↵re venue.

Exemple 13. Considérons le système de Bonus-Malus en assurance automobile. On suppose qu’il y a

juste K niveaux de prime. La niveau 0 correspondant à la prime la plus basse et plus le conducteur a
eu d’accident au cours de la précédente année plus son niveau de prime augmente. La prime d’assurance
payée chaque année par un conducteur est une chaı̂ne de Markov de matrice de transition (Pi,j )06i,j6K .
On considère l’ensemble des assurés de la compagnie d’assurance et on suppose que chacun se comporte
de façon indépendante des autres.

Hélène Guérin; 9 octobre 2012. 17

On suppose que initialement le nombre d’assurés dans chacun des niveaux 0, 1, . . . , K de primes est
distribué selon la loi de Poisson de paramètre respectif 0 , 1 , . . . , K . On souhaite connaı̂tre la distribution
des assurés à l’instant n.
Pour i fixé, on note Nj (i) le nombre d’assurés qui sont passés du niveau i à l’instant initial au niveau j
à l’instant n. Chaque personne initialement dans le niveau i se comporte de façon indépendante et a une
n d’être au niveau j à l’instant n. Par conséquent le nombre N (i) d’individus passant du
probabilité Pi,j j
niveau i au niveau j suit une loi de Poisson de paramètre i Pi,j n.
P
Le nombre d’individu dans l’état j à l’instant n est donc K i=0 Nj (i). Une somme de variables de Poisson
indépendantes suit encore une loi de Poisson de paramètre la somme des paramètre. PK On enn déduit que le
nombre d’individu dans l’état j à l’instant n suit la loi de Poisson de paramètre i=0 i Pi,j .

5.3 Loi conditionnelle en fonction du nombre de sauts

Soit (N (t))t>0 un processus de Poisson d’intensité .
On le considère sur l’intervalle [0, t]. Sur cet intervalle, le nombre de saut suit une loi de Poisson de
paramètre t. Connaissant le nombre de sauts, que peut-on dire de la loi des instants de sauts.
Par exemple, sachant qu’il n’y a eu qu’un saut sur l’intervalle de temps [0, t], quelle est la loi du premier
instant de saut T1 . Cet instant est forcément inférieur à t. On a pour s 6 t
P(T1 < s, N (t) = 1) P(avoir 1 saut sur [0, s) et aucun saut sur [s, t])
P(T1 < s|N (t) = 1) = =
P(N (t) = 1) te t
P(avoir 1 saut sur [0, s))P(avoir aucun saut sur [s, t])
= par indépendance des accroissements
te t
se s e (t s) ) s
= =
te t t
Par conséquent la loi de T1 sachant que N (t) = 1 est la loi uniforme sur [0, t].

Definition 6. Considérons Y1 , . . . , Yn des variables aléatoires. On définit la statistique d’ordre Y(1) , . . . , Y(n)
comme étant les variables réordonnées par ordre croissant : Y(k) est le k ème plus petite valeur parmi
Y1 , . . . , Y n .
On a Y(1) 6 Y(2) 6 . . . 6 Y(n) .

Theorem 2. Sachant que N (t) = k, les instants de saut S1 , S2 , . . . , Sk ont la même loi que la statistique
d’ordre d’un k-échantillon de loi uniforme sur [0, t] : (U(1) , . . . , U(k) ).

Preuve. Voir Ross page 327. ⇤

Ce résultat est très utile en simulation. En e↵et quand on veut simuler un processus de Poisson jusqu’à
l’instant t. Le nombre de sauts sur cet intervalle de temps suit une loi de Poisson P( t). On simule par
conséquent N ⇠ P( t), puis on simule N variables uniforme sur [0, t] que l’on ordonne par ordre croissant
pour avoir les instants de sauts de notre processus.
En R, cela donne le programme suivant :

pdf("[Link]")
# Longueur de l’intervalle de temps
T=30
# Intensite du parametre de Poisson
lambda=0.3

Hélène Guérin; 9 octobre 2012. 18

# Simulation du nombre de sauts N sur l’intervalle [0,T]
N=rpois(1,lambda*T)
# Simulation de N variables uniforme sur [0,T] independantes
U=runif(N,min=0,max=T)
# Ordonnement des variables uniformes par ordre croissant
X=sort(U)

# Dessin d’une realisation du processus de Poisson sur l’intervalle [0,T]

plot(c(0,X,T),c(0:N,N),type="s",col="dark red",
xlab="Temps",ylab="Processus de Poisson",
main="Trajectoire d’un processus de Poisson d’intensite 0.3")
[Link]()
Voici le résultat :
Trajectoire d'un processus de Poisson d'intensité 0.3
7
6
5
Processus de Poisson

4
3
2
1
0

0 5 10 15 20 25 30

Temps

6 Processus de Poisson généralisés

6.1 Processus de Poisson non homogène
Un processus de Poisson non homogène est un processus de Poisson dont le taux de saut n’est plus
constant mais dépend du temps : (t).
Soit (N (t))t>0 un processus de Poisson non homogène d’intensité ( (t))t>0 . On a
– N (0) = 0.
– N a des accroissements indépendants, mais ils ne sont plus stationnaires.
– Si on regarde les sauts sur un petit accroissement de temps, on a
1 1
lim P(N (t + h) N (t) = 1) = (t) lim P(N (t + h) N (t) > 2) = 0.
h!0 h h!0 h
Si (N 1 (t))t>0 et (N 2 (t))t>0 sont deux processus de Poisson non homogènes d’intensité respective ( 1 (t))t>0
et ( 2 (t))t>0 , alors (N (t))t>0 avec N (t) = N 1 (t) + N 2 (t) est un processus de Poisson non homogène
d’intensité ( 1 (t) + 2 (t))t>0 .
Exemple 14. Un magasin ouvre à 8h00. De 8h00 à 10h00, les clients arrivent selon un processus de Poisson
d’intensité 4 par heure. De 10h00 à midi, l’intensité est de 8 par heure. De midi à 14h00, l’intensité croı̂t
de 8 par heure (à midi) jusqu’à 10 par heure (à 14h00). De 14h00 à 17h00, l’intensité décroı̂t de 10 par

Hélène Guérin; 9 octobre 2012. 19

heure (à 14h00) jusqu’à 2 par heure (à 17h00). On souhaite connaitre la moyenne du nombre de clients
qui entrent dans le magasin ce jour.
On note Ni les processus de Poisson associé à chaque période. Le nombre N (t) de clients entrant avant
l’instant t est un processus de Poisson non homogène. On souhaite évaluer
E[N (17) N (8)] = E[N1 (10) N1 (8)] + E[N2 (12) N2 (10)] + E[N3 (14) N3 (12)] + E[N2 (17) N2 (14)].
N 1 est un PP d’intensité 4, donc N1 (10) N1 (8) ⇠ P(4 ⇥ 2) et E[N1 (10) N1 (8)] = 8.
N 2 est un PP d’intensité 8, donc N2 (12) N2 (10) ⇠ P(8 ⇥ 2) et E[N2 (12) N2 (10)] = 16.
N 3 est un PP d’intensité 8 + (t 12) = t 4. L’intensité correspondant au taux de sauts par unité de
temps on a donc Z 14
E[N3 (14) N3 (12)] = (t 4)dt = 18.
12
8 142 8
N 4 est un PP d’intensité 10 3 (t 14) = 3 3t
et donc
Z
1 17
E[N3 (14) N3 (12)] = (142 8t)dt = 18.
3 14
Le nombre moyen de clients sur une journée est 8 + 16 + 18 + 18 = 60.

6.2 Processus de Poisson composé

On revient sur notre problème initial, on souhaite estimer la probabilité de ruine d’une compagnie d’assu-
rance. Les instants des sinistres peuvent être modélisé à l’aide d’un processus de Poisson mais la hauteur
des sauts dépend du montant que la compagnie devra débourser pour couvrir le sinistre, il n’est pas
conséquent pas constant égal à 1.
On va donc maintenant introduire la notion de processus de Poisson composé où l’amplitude des sauts
est aléatoire.
Definition 7. Un processus (Xt )t>0 est appelé processus de Poisson composé s’il peut s’écrire pour t > 0
N (t)
X
Xt = Yi
i=1

où (N (t))t>0 de paramètre et (Yi )i>1 est une suite de variables indépendantes, de même loi que Y et
indépendantes de (N (t))t>0 .

Une trajectoire du processus de Poisson composé d’intensité = 0.3

dont l’amplitude des sauts suit la loi uniforme sur [ 5, 5].

Hélène Guérin; 9 octobre 2012. 20

Propriété 14. On a
E[Xt ] = tE[Y ] V ar(Xt ) = tE[Y 2 ].
Preuve. Pour calculer ces quantités on va conditionner par rapport à N (t). Comme les Yi sont indépendantes,
de même loi et indépendants de N , en utilisant les résultats sur les sommes aléatoires (voir Proposition
9), on a
N (t)
X
E[Xt ] = E[E[ Yi |N (t)]] = E[N (t)]E[Y ] = tE[Y ]
i=1
et
V ar(X(t)) = E[Y ]2 V ar(N (t)) + V ar(Y )E[N (t)] = t(E[Y ]2 + V ar(Y )) = tE[Y 2 ].
⇤

Exemple 15. On suppose que des familles immigrent au Québec selon un processus de Poisson de taux
2 par semaine. Si le nombre de personne dans chaque famille est indépendant et suit la loi

p(0) = 1/6, p(1) = 1/3, p(2) = 1/3, p(4) = 1/6.

Par conséquent, le nombre moyen de personnes immigrant au Québec sur une période de 50 semaines est

E[X(50)] = 2 ⇥ 50 ⇥ E[Y ] = 250,

où E[Y ] = 1.1/6 + 2.1/3 + 3.1/3 + 4.1/6 = 5/2 et la variance du nombre moyen de personnes immigrant
au Québec sur une période de 5 semaines est

V ar(X(50)) = 2 ⇥ 50 ⇥ E[Y 2 ] = 2150/3,

car E[Y 2 ] = 43/6.

Maintenant si on souhaite évaluer la probabilité qu’au moins 240 personnes immigrent au Québec dans les
prochaines 50 semaines. Comme X(50) est la somme de variables indépendantes et de même loi ayant une
variance finie (on imagine N (50) grand), on va utiliser l’approximation par la loi normale (voir Théorème
central limite, Chapitre 0) :
!
X(50) 250 240 250
P(X(50) > 240) = P p > p
2150/3 2150/3
= 1 ( 0.3735) où est la fonction de répartition de la loi N (0, 1)
= (0.3735) = 0.646.

7 Probabilité de ruine d’une compagnie d’assurance

On considère une compagnie d’assurance qui souhaite évaluer sa probabilité de ruine en fonction du
capital initial investi et des primes récoltées. On suppose qu’elle possède un capital initial c et on note Rt
la réserve de la compagnie à l’instant t.
Cette compagnie d’assurance
– perçoit des cotisations de ses clients que l’on supposera mensualisées et uniformément répartie sur
l’année : les recettes de la compagnie pendant un temps t sont égales à pt où p est le taux de cotisations
par unité de temps.
– verse des indemnités à ses assurés sinistrés en fonction du dommage qu’ils subissent.

Hélène Guérin; 9 octobre 2012. 21

On modélise l’apparition et les coûts des sinistres de la manière suivante :
– les coûts de sinistres (Yk )k>1 sont des variables indépendantes de même loi et d’espérance µ. Par facilité
on supposera ici qu’ils suivent la loi E(1/µ).
– les instants des sinistres sont modélisés comme les instants de sauts d’un processus de Poisson N (t)t>0
d’intensité .
Par conséquent la réserve de la compagnie d’assurance à l’instant t est :
Nt
X
Rt = c + pt Yk .
k=1

Trajectoire de Rt avec = 0.3, µ = 3, p = 1 et c = 10.

La compagnie est ruinée dès que sa réserve Rt descend sous 0. La probabilité de ruine de la compagnie
est par conséquent
pc = P(min Rt < 0|R0 = c)
t>0

et l’instant où la ruine intervient est

Tc = min{t > 0 : Rt < 0}.

La réserve moyenne et sa variance valent à l’instant t :

E[Rt ] = c + (p µ)t V ar(Rt ) = 2 µ2 t.

Si p < µ, on remarque que E[Rt ] ! 1. Par contre, si p = µ la réserve moyenne reste constante, mais
la variance E[V ar(Rt )] ! +1. On peut en fait montrer que dans ces deux cas que la compagnie a une
probabilité 1 d’être ruinée.
Si p > µ, on a E[Rt ] ! +1 et E[V ar(Rt )] ! +1, on ne peut rien en conclure.
Voici quelques simulations de la probabilité de ruine. On a pris un capital initial égale à c = 10, une
prime p = 1 par unité de temps et on a tracé en fonction du temps la probabilité de ruine avant l’instant
t (calculée par simulations) dans les trois di↵érents cas :

Hélène Guérin; 9 octobre 2012. 22

 cas p < µ cas p = µ cas p > µ
avec = 0.5 et µ = 3 avec = 0.5 et µ = 2 avec = 0.3 et µ = 3.

Dans le dernier cas (p > µ), on peut calculer explicitement par des techniques utilisant la propriété de
Markov la probabilité de ruine de la compagnie d’assurance qui est dans ce cas strictement inférieur à 1
et égale à
µ p pµ µ c
pc = e .
p

Hélène Guérin; 9 octobre 2012. 23