Exemple 16.

12 (Modèle de diusion de chaleur de

Ehrenfest :suite)
On considère à nouveau le modèle de Ehrenfest, décrit sous sa forme de
tirages de boules dans une urne (voir les exemples 16.2 et 16.10, dont on
reprend les notations). On rappelle que X représente le nombre de boules
rouges contenues dans l'urne à l'instant n, et que le processus X = (X )
n

est une chaîne de Markov homogène, à valeurs dans l'intervalle d'entiers

n n∈N

E = {0, 1, . . . , m}, dont la matrice de transition M est donnée, pour tout

k ∈ {0, 1, . . . , m}, par

M (k, k + 1) = pk , M (k, k − 1) = qk ,

où k k
pk = 1 − , qk = .
m m
Cette chaîne est irréductible, apériodique, récurrente positive (ce
dernier point est une conséquence du corollaire 16.44). Il résulte donc du
théorème 16.54 que X admet une probabilité invariante unique. On se
propose de la déterminer.
On cherche d'abord une mesure invariante µ ; une telle mesure est solu-
tion du système d'équations
X
µ(y) = µ(x)M (x, y).
x∈E

Système qui s'écrit, en notant µ pour µ(k),

k

µ = µ p +µ q si 1 ≤ k ≤ m − 1,
(16.75)
 k k−1 k−1 k+1 k+1
µ0 = µ1 q1 ,

µm = µm−1 pm−1 .


Puisque p k+1 + qk+1 = 1 , on a alors, si 1 ≤ k ≤ m − 1,

µk+1 − µk = µk+1 pk+1 − µk−1 pk−1 , (16.76)
et donc
m−1
X m−1
X
(µj+1 − µj ) = (µj+1 pj+1 − µj−1 pj−1 ),
j=k j=k

ou encore, en faisant des changements d'indices,

m
X m−2
X
µm − µ k = µj pj − µj p j ,
j=k+1 j=k−1

1
 soit
µm − µk = µm pm + µm−1 pm−1 − µk−1 pk−1 − µk pk . (16.77)
Ainsi, puisque
pk + qk = 1, pm = 0, et pm−1 =
1
m
,
on a 1
µm − µm−1 = µk qk − µk−1 pk−1
m
En remarquant que d'après (16.75)),
1
µm − µm−1 = 0,
m
et, dès que 1 ≤ k ≤ m − 1,
µk =
pk−1
qk
µk−1 . (16.78)
soit, par itération,
µk =
pk−1 pk−2 · · · p1 p0
qk qk−1 · · · q2 q1
µ0 . (16.79)
Puisque
m−k+1 m−k+2
· · · m−1 m  
pk−1 pk−2 · · · p1 p0 m m m m m(m − 1) · · · (m − k + 1) m
= k k−1 2 1
= =
qk qk−1 · · · q2 q1 m m ··· m m
k! k
on a
si 1 ≤ k ≤ m − 1. (16.80)
 
m
µk = µ0
k
Par ailleurs, d'après (16.75) et (16.80), on a
1 1
µm − µm−1 = mµ0 = µ0 ,
m m
soit encore  
m
µm µ0 .
m
Ainsi, toute mesure suivante est déterminée par
si 1 ≤ k ≤ m. (16.81)
 
m
µ = µk 0
k
Il existe donc une unique probabilité invariante µ, déterminée par les
égalités équivalentes
m  
" m  #
X m X m
µ0 + µ0 = 1 ⇐⇒ µ0 = 1.
k k
k=1 k=0

Ce qui donne
2
 1
µ0 = 2m

La probabilité invariante est alors donnée par

µ =
k
( )m
k
2m si 0 ≤ k ≤ m.
Autrement dit, la probabilité invariante est la loi binomiale B(m, ). 1

Ainsi, la chaîne d'Ehrenfest est irréductible, récurrente positive apé- 2

riodique et admet d'après le théorème 16.55 ci-dessous,une probabilité

limite µ qui est la loi binomiale B(m, ).Autrement dit, le régime sta-
1

tionnaire est comme si on avait autant de boules de chaque couleur, et

2

qu'on les tirait au hasard.

De plus, d'après le théorème 16.54, le temps moyen de retour en k,
partant de k, est ( ) On donne maintenant une condition nécessaire et su-
2m

sante pour l'existence d'une probabilité limite, c'est à dire d'une probabi-
m
k

lité µ qui soit telle que, pour tout x, y ∈ E, la suite de terme généralM (x, y) n

soit convergente de limite µ(y), indépendante de [Link] une telle probabilité

µ, on a alors, pour tout y ∈ E

limn Px (Xn = y) = µ(y)

Théorème 16.55. Une chaîne de Markov homogène de matrice de transi-

tion M possède une probabilité limite si et seulement si elle admet une
unique classe récurrente positive apériodique C telle que P (T < +∞) = 1, 1

pour tout x, y ∈ E.
x y

Démonstration.S'il existe une probabilité limite µ, il résulte de la pro-

position 16.53 que c'est l'unique probabilité invariante;le théorème 16.54
assure alors l'existence d'une unique classe récurrente positive C .Elle est
apé[Link] en eet qu'elle soit périodique et notons C k =
0, 1, · · · , d − 1, les classes cycliques de C , indexées comme à la proposition
k

[Link] ce cas, pour tous x ∈ C et y ∈ C , on aurait

0 1

lim M nd+1 (x, y) =d

Ey (Ty1 )
> 0 et, pour tout n ∈ N , M (x, y) = 0
∗ nd

ce qui est en contradiction avec l'existence d'une probabilité limite.

Enn, pour tous x ∈ E et y ∈ C , on a
Px (Ty1 <+∞)
limn M n (x, y) = Ey (Ty1 )
= µ(y) > 0

ce qui démontre que l'application x 7→ P (T < +∞) est constante; mais, y

1

étant récurrent, on a P (T < +∞) = [Link] en résulte que P (T < +∞) = 1

x y
1 1

pour tous x ∈ E et y ∈ C
y y y y

Inversement supposons qu'il existe une unique classe récurrente positive apé-
riodique C telle que P (T < +∞) = [Link] tous x ∈ E et y ∈ C .pour de
1

tels points, on alors

x y

3
 1
limn M n (x, y) = Ey (Ty1 )
>0

Par ailleurs, si x ∈ E et y ∈/ C et y est récurrent nul ou transitoire et on

a lim M (x, y) = [Link] dénitive pour tout x, y ∈ E, la suite de terme
n

général M (x, y) est convergente de limite π(y) indépendante de [Link]

n
n

la mesure π ainsi dénie est non nulle, il résulte de la proposition 16.53 que
c'est l'unique probabilité invariante.
Nous terminons ce paragraphe en faisant l'étude d'un modèle génétique.
Exemple 16.13. (Modèle génétique.) Un caractère héréditaire chez un
individu dépend, en général, de la possession de son patrimoine génétique
de la présence de gènes de deux types G et g, appelés allèles, qui appa-
raissent par couple GG, gg, Gg et gG, ces deux derniers étant génétiquement
les mê[Link] pour la mise en évidence du caractère, seuls comptent les
couples non ordonnés GG, gg, Gg, sont appelés gé[Link] gène G est
souvent prédominât, et les génotypes Gg,GG donnent le même caractère
héréditaire appelé phé[Link] qu'un individu possède le génotype
GG,gg ou Gg , il est dit dominant, récessif ou hybride.
Un individu reçoit indépendamment de chaque parent un gène de manière
aléatoire.
 Si chacun des parents est dominant(respectivement récessif), il est
lui-même dominant(respectivement récessif)
 Si l'un des parents est dominant et l'autre récessif, il est lui-même
hybride
 Si l'un des parents est dominant et l'autre hybride, il reçoit le gène
G du parent dominant et reçoit le gène G ou g de l'autre parent avec
la même probabilité; ainsi, il a même probabilité d'être dominant ou
hybride.
 De même, si l'un des parents est récessif et l'autre hybride, il a même
probabilité d'être récessif ou hybride.
 Si les deux parents sont hybrides, il a la même probabilité de recevoir
de chaque parent le gène G ou g. Il sera donc dominant avec la pro-
babilité , récessif avec la probabilité et hybride avec la probabilité
1 1

.
1
4 4

Considérons le processus suivant : un individu de caractère donné se marie

2

avec un hybride et donne naissance à des enfants. On choisit au hasard un des

enfants et le marie à nouveau avec un hybride, et ainsi de suite. Désignons
par X le type génétique du n-ième descendant ainsi observé. Le processus
est une chaîne de Markov de matrice de transition
n
(X )
n n∈N

GG Gg gg
1 1
GG 2 2 0
1 1 1
Gg 4 2 4
1 1
gg 0 2 2

4
 1 1

2 2 0
Mh = 1 1 1
4 2 4
1 1
0 2 2
Le graphe associé à cette chaîne de Markov est
g1
../../Downloads/Documents scanné[Link]

La chaîne est irréductible apériodique et récurrente positive. Elle

admet donc une probabilité invariante unique. Calculons la. Déterminons
d'abord les mesures invariantes v = (a, b, c) ; v est valeur propre à gauche de
M associée à la valeur propre 1 et est donc solution du système :
h

1 1
2a + 4b = a

1 1 1
 2a + 2b + 2c = b
1 1
4b + 2c = c

Qui a pour solution (a, 2a, a).Les mesures invariantes sont alors données
par (a, 2a, a), avec a ≥ 0 [Link] existe donc une seule probabilte
invariante v;elle estdeterminee par la condition a + 2a + a = 1, ce qui
0

donne v = 41 , 21 , 14 .
0

Si on note E = {GG, gg, Gg} l'espace d'états, il en résulte, puisque la chaine

est irréductible apériodique, que ∀ x, y ∈ E,
1
limn Mhn (x, y) = Ey (Ty1 )
= v0 (y)

En particulier, on obtient les temps moyens de retour en un point :

E (T ) = E (T ) = 4 et E (T ) = 2
GG
1
GG gg
1
gg Gg
1
Gg

Si au lieu de marier l'un des enfants choisi au hasard avec un hybride, on le

marie avec un dominant, le processus (X ) est une chaine de Markov de
matrice de transition
n n∈N∗

GG Gg gg
GG 1 0 0
1 1
Gg 2 2 0
gg 0 1 0
 
1 0 0
Mn = 21
 1
2 0

0 1 0
le graphe associé a cette chaine de Markov est
g2
../../Downloads/Documents scanné[Link]

5
Chaque état forme une classe de communication.L'état gg est essentiel, les
états gg et Gg sont transitoires et GG est un état absorbant.
16.8 Loi forte des grands nombres
On donne un théorème de loi forte des grands nombres pour une chaine de
Markov homogène que l'on applique ensuite, dans le cas ni, a l'estimation
de sa matrice de transition.
16.8.1 Théorème de loi forte
Théorème 16.56(Théorème de Chacon-Orstein)
Soit X un processus qui, ∀ x ∈ E, est une chaine de Markov homogène sur
la base de processus (Ω, A, (A ) , P ) de loi initiale δ et de matrice de
transition M .On suppose que X admet une unique classe récurrente positive
n n∈N x x

C (on rappelle qu'il existe alors une unique probabilité invariante π ).On sup-
pose de plus qu'existe un y ∈ C tel que, pour tout x ∈ E, P (T < +∞) = 1. 1

Soient f et g des fonctions dénies sur E ; π- intégrables;on suppose que g

x y

n
X
f (Xj )
ne s'annule [Link], pour tout x ∈ E, la suite de terme général X j=1
n
g(Xj )

est P convergente et on a
j=1
x − p.s
n
X X
f (Xj ) f (x)π(x)
j=1 x∈E
lim n = X Px − p.s
n X g(x)π(x)
g(Xj )
x∈E
j=1

Démonstration
Pour tout x ∈ E on a P (R ) = [Link] eet, une modication triviale de la
démonstration du lemme 16.36 permet d'établir que pour tout p ∈ N , on a
x y
∗

p
Px (Typ+1 < +∞) = Px (Ty1 < +∞) Px (Ty1 < +∞)


Il en résulte alors des hypothèses que

p
Px (Ry ) = limn ↘ Px (Ty1 < +∞) Px (Ty1 < +∞) = 1


Soit µ la mesure sur E dénie par pour tout x ∈ E.

 y 
T1
X
µ(x) = Ey  1(Xn =x) 
n=1

nombre moyen de passage en x, avant le premier retour en y, par la chaine

qui part de y a l'instant initial.C'est une mesure [Link] eet, on a

6
 T1
  
y
X X X
µM (x) = µ(z)M (z, x) = Ey  1(Xn =z)  M (z, x) =
z∈E z∈E n=1
T1
 !  1 
y Ty
X X X
Ey  1(Xn =z) M (z, x)
 = Ey  M (Xn , x)
n=1 z∈E n=1

soit, en partitionnant,   1 
h i Ty −1
X
µM (x) = Ey 1(Ty1 =1) M (X1 , x) +Ey 1(Ty1 ⩾2)  M (Xn , x) + M (XTy1 , x)

en remarquant que X , on a alors

n=1
Ty1 = X0 = y Py − p.s
Ty1 −1
 
h i X
µM (x) = Ey 1(Ty1 =1) M (X0 , x) + Ey 1(Ty1 ⩾2) M (Xn , x)

soit encore
n=0

Ty1 −1
 
X
µM (x) = Ey  M (Xn , x)
n=0

Cette égalité peut s'écrire, par la propriété de Markov

+∞
X h i X+∞ h i
µM (x) = Ey 1(n<Ty1 ) PXn (X1 = x) = Ey 1(n<Ty1 ) EyAn 1(Xn+1 =x)
n=0 n=0

soit, puisque (n < T ) ∈ A , 1

y n

T1
 
+∞
X h i y
X
µM (x) = Ey 1(n<Ty1 ) 1(Xn+1 =x) = Ey  1(Xn =x)  = µ(x)
n=0 n=1

ce qui démontre que µ est une mesure invariante.C'est une mesure bornée,
puisque, E étant dénombrable et y étant récurrent positif, on a
T1 T1
   !
y y
X X X X
µ(E) = Ey  1(Xn =x)  = Ey  1(Xn =x)  = Ey [Ty1 ] < +∞
x∈E n=1 n=1 x∈E

Il en résulte que est une probabilité invariante par unicité de la pro-

µ

babilité invariante on a donc

Ey [Ty1 ]

µ
π= Ey [Ty1 ]

ce qui donne dans ce cas, une interprétation intuitive de la probabilité inva-

riante.
Si f est une fonction positive sur E, on a alors, par calcul simple
7
 T1 Ty1 −1
 
y
R X X X
f dµ = f (x)µ(x) = Ey  f (Xn ) = f (Xn ); (16.82)
x∈E n=1 n=0

si f est de signe quelconque, on en déduit classiquement un critère d'intégra-

bilité; les formules (16.82) restant vraies pour les fonctions µ-inté[Link]
principe de la démonstration est maintenant de découper les sommes étudiées
selon les diérents temps de passage en y, les morceaux étant indépendants
de même loi on utilise alors la loi des grands nombres pour les variables
aléatoires indépendantes.
Soient donc f une fonction µ-intégrable, et pour tout p ∈ N, la variable
aléatoire dénie par
 p+1
Ty −1
sur {T < +∞},


p
 X
 f (Xn ), y
Zp = p

sur {T = +∞}.

 n=T y

0, p
y

(on rappelle que T = 0). Puisque, pour tout x ∈ E et tout p ∈ N , on a

0 ∗

P (T < +∞) = 1, les variables aléatoires Z sont P -p.s. nies.

y
p

Démontrons que, pour tout x ∈ E elles sont P -indépendantes et de

x y p x

même loi En eet, soit, pour tout p ∈ N , un borélien quelconque A de

x
1 ∗

R, puisque P -p.s., on a
p
x
h i
Typ+1 = Typ + τy1 θTyp (X)

, il résulte de la propriété de Markov forte que

.
 
Aτ p  
Ex y 1(Zp ∈Ap ) = EXT p 1 PTy1 −1 = Py (Z0 ∈ Ap )
y ( n=0 f (Xn ∈Ap ))

Il en résulte que, pour tout N , on a, par un conditionnement classique,

    
N N −1 A
TyN −1
Y Y  
Ex  1{Zp ∈Ap }  = Ex  1{Zp ∈Ap }  Ex 1{ZN ∈AN }

p=1 p=1
 
N
Y −1
= Ex  1{Zp ∈Ap }  Py (Z0 ∈ AN ).
p=1

Une itération rétrograde conduit alors à l'égalité

 
N
Y N
Y
Ex  1{Zp ∈Ap }  = Py (Z0 ∈ Ap ),
p=1 p=1

1. 15.

8
ce qui prouve que les Z , p ∈ N , ont même loi sous P que Z sous P , et
∗

que les Z sont P -indépendantes.

p x 0 y

Montrons que Z est P -intégrable (il en est alors de même de tous les
p x

Z ). On a
1 x
p

Ty2 −1 Ty2 −1
   
X AT 1 X
Ex (|Z1 |) = Ex  f (Xn )  = Ex Ex y f (Xn )  .
n=Ty1 n=Ty1

soit, d'après la propriété de Markov forte,

Ty1 −1 Ty1 −1
   
X X
Ex (|Z1 |) = Ex EXT 1 f (Xn )  = Ey  f (Xn ) .
y
n=0 n=0

Il en résulte que
Ty1 −1
 
X Z
Ex (|Z1 |) ≤ Ey  |f (Xn )| = |f | dµ < +∞.
n=0

Un calcul similaire montre alors que E (Z ) = R f dµ.

Il résulte alors de la deuxième loi forte des grands nombres pour les
x 1

variables aléatoires indépendantes que

T n −1
(16.83)
n−1 y Z
1X 1 X Px -p.s.
Zp = f (Xk ) −→ f dµ.
n n
p=1 1 k=Ty

Soit alors la suite croissante des entiers aléatoires ν(n) = P 1 n

,
nombre de passages en y jusqu'à l'instant n. On a, par hypothèse, j=1 {Xj =y}

 
Px lim ν(n) = +∞ = Px (Ry ) = 1
n→+∞

et par dénition de ν(n),

Tyν(n) ≤ n < Tyν(n)+1 .
Si de plus f est positive, on en déduit les inégalités
ν(n) ν(n)+1
Ty n Ty
X X X
f (Xk ) f (Xk ) f (Xk )
k=0 k=0 k=0
≤ n ≤ .
ν(n) X ν(n)
1{Xj =y}
j=1

D'après (16.83), les termes extrêmes convergent P -p.s.; il en est de même

du terme médian. Dans ce cas, le théorème en résulte de suite, en se rappelant
x

9
que π est proportionnelle à µ. On en déduit le théorème dans le cas général
où f est de signe quelconque, en décomposant f en ses parties positive et
négative.
En particulier, on obtient la formulation traditionnelle de l'énoncé de la
loi forte des grands nombres pour les chaînes de Markov homogènes.
Corollaire 16.57 (Loi forte des grands nombres). Sous les hypo-
thèses du théorème de Chacon-Ornstein 16.56, on a pour toute fonction f
π -intégrable,
n Z
1X p.s.
f (Xj ) −−−→ f dπ.
n n→∞
j=1
Il sut d'appliquer le théorème de Chacon-Ornstein en
prenant pour g la fonction constante égale à 1.
Démonstration.

□
Sous les mêmes hypothèses, en prenant pour f l'indicatrice
d'un singleton, on obtient que, pour tous x, y ∈ E,
Remarque.

n
1X p.s.
1{Xj =y} −−−→ π(y).
n n→∞
j=1

Le quotient 1 Pn
1 représente le temps moyen passé par une
trajectoire dans l'état y entre les instants 1 et n. Ce résultat donne un procédé
n j=1 {Xj =y}

d'estimation de la probabilité invariante.

16.8.2. Estimation de la matrice de transition

On suppose ici que E = {x , . . . , x } est ni et que X est une chaîne

de Markov homogène irréductible de matrice de transition M ; elle est alors
1 L

récurrente positive et il existe une unique probabilité invariante π. On dénit,

pour i, j ∈ {1, 2, . . . , L} et n ∈ N , les variables aléatoires N et N par
∗ n
i
n
i,j

et = 1
n−1
X n−1
X
Nni = 1{Xk =xi } 1 n
Ni,j , {Xl =xi } {Xl+1 =xj }
k=0 l=0

qui représentent respectivement le nombre de visites en x et le nombre de

passages de x en x jusqu'au temps n. On a
i
i j
 
L
X n−1
X XL n−l
X
n
Ni,j =  1{X =x } 1{X
l i l+1 =xj } =
 1(Xl =xi ) ,
j=1 l=0 j=1 l=0

c'est-à-dire que N . On note

L
X
n n
i = Ni,j
j=1
n
Ni,j
n
M
ci,j = ,
Nin

10
et on étudie, pour tout x ∈ E, la convergence P -p.s. de la suite de terme
général Mc .
x
n
i,j
Proposition 16.58.
Avec les notations et hypothèses précédentes, pour i, j ∈ {1, 2, . . . , L} et pour
tout x ∈ E, px −p.s.
cn −
M i,j −−−→ M (xi , xj ).
n→∞
Démonstration. D'après la remarque précédente, on a déjà, pour i ∈
{1, 2, . . . , L} ,
(16.84)
N n
i Px -p.s
−−−−→ π(x ). i
n n→∞

Soit (π ⊗ M )(A) la probabilité sur E × E dénie, pour toute partie A de

E × E par
L
Z "X #
(π ⊗ M )(A) = 1A (x, xi )M (x, xi ) dπ(x)
i=1

L
" #
X X
= 1A (x, xi )M (x, xi ) π(x).
x∈E i=1

On a bien sûr,
Z " L #
X X
f d(π ⊗ M ) = f (x, xi )M (x, xi ) π(x).
x∈E i=1

En adaptant la démonstration du théorème 16.57, on démontre que, pour

toute fonction sur E × E (ici l'intégrabilité est automatique), on a
(16.85)
n−1 Z
1X Px -p.s.
f (Xi , Xi+1 ) −−−−→ f dπ ⊗ M.
n n→∞
i=0

En eet, pour y ∈ E quelconque, si on dénit

 p+1
Ty −1
sur (T < +∞),


p
 X
 f (Xn , Xn+1 ) y
Z = p
n=Typ
sur (T = +∞),



0 p
y

par un calcul analogue à celui de la démonstration du théorème 16.57,

on a, pour tout borélien B de R,
AT p  
y
Ex 1{Zp ∈B} = Py (Z0 ∈ B).

Ceci permet encore de démontrer que les Z , p ∈ N , ont même loi sous ∗

que Z sous P et que les Z sont P -indépendantes.

p
Px 0 y p x

11
 Reste à calculer E (Z ). Par une démarche analogue à celle de la démons-
tration du théorème 16.57, la propriété de Markov forte permet de montrer
x 1

que l'on a
Ty1 −1
 
X
Ex (Z1 ) = Ex  f (Xn , Xn+1 ) .
n=0

Remarquant que (n < T ) ∈ A , il résulte de la propriété de Markov

1

simple que l'on a

y n

+∞
X h i X+∞ h i
Ex (Z1 ) = Ey 1{n<Ty1 } EyAn f (Xn , Xn+1 ) = Ey 1{n<Ty1 } EXn f (Xn , Xn+1 ) .
n=0 n=0

ce qui s'écrit encore

+∞ L
" !#
X X
Ex (Z1 ) = Ey 1(n<Ty1 ) f (Xn , xi ) M (Xn , xi ) .
n=0 i=1

ou encore
Ty1 −1
 !
X L
X
Ex (Z1 ) = Ey  f (Xn , xi ) M (Xn , xi )  .
n=0 i=1

Les formules (16.82) et l'égalité µ = E (T )π (cf. théorème 16.57) per-

1

mettent alors d'écrire

y y

L
" # Z
X X
Ex (Z1 ) = µ(x) f (x, xi ) M (x, xi ) = Ey (Ty1 ) f d(π ⊗ M ).
x∈E i=1

La convergence annoncée en (16.85) s'obtient ensuite comme à la n de

la démonstration du théorème 16.57 et de la remarque qui le suit.
En prenant pour f la fonction dénie par
f (x, y) = 1{xi } (x) 1{xj } (y),

il vient alors que

Z
n p.s.
Ni,j −−−−−→ f d(π ⊗ M ) = π(xi ) M (xi , xj ).
n→+∞

Tenant compte de (16.84), la proposition en résulte.

Exercices
Sauf mention contraire, les variables aléatoires introduites sont dénies
sur un espace probabilisé (Ω, A, P ), et les processus sur une base de processus
(Ω, A, (A )
n n∈N , P ) adéquats.

12
 Exercice 16.1. Gestion de stock. Un vendeur d'appareils photos a
remarqué que le nombre A d'acheteurs d'un appareil d'un certain type, pen-
dant la semaine t, était indépendant du nombre d'acheteurs de cet appareil
t

durant les semaines précédentes, et que sa loi était donnée par

P (At = 0) = 0.4, P (At = 1) = 0.4, P (At = 2) = 0.15,

P (At = 3) = 0.05, P (At > 3) = 0.

Le vendeur fait ses commandes en n de semaine, et n'en fait que s'il
n'a plus d'appareil en stock en n de semaine; dans ce cas, il décide d'en
commander deux.

13