Processus de Poisson
Leçons : 263, 264
Soit (Ω, F , P) un espace probabilisé.
Définition 1
Un processus de comptage est une suite de variables aléatoires réelles (N (t)) t¾0 telles que
1 N (0) = 0.
2 ∀t ¾ 0, N (t) ∈ N∗ .
3 t 7→ N (t) est croissante.
Du point de vue de la modélisation, ∀0 ¶ a ¶ b, N (b) − N (a) représente le nombre de
« tops » se produisant dans l’intervalle de temps [a, b[.
Définition 2
Un processus de Poisson de densité λ > 0 est un processus de comptage (N (t)) t¾0 tel
que :
1 Le processus est à accroissement indépendants : ∀t 0 ¶ t 1 < · · · < t k , les variables
aléatoires Nt k − Nt k−1 , . . . , Nt 1 − Nt 0 sont indépendantes.
2 Pour tout (s, t) ∈ R2+ , N (s + t) − N (s) suit la loi de Poisson de paramètre λt.
Les processus de Poisson sont souvent utilisés pour modéliser des files d’attente, chaque
top représentant l’appel d’un client au guichet.
Proposition 3
Un processus de Poisson est à accroissements stationnaires : soit N1 , . . . , Nk le nombre de
tops se produisant dans les intervalles I1 , . . . , I k ; alors si τ ¾ 0, et N10 , . . . , Nk0 est le nombre
de tops se produisant dans les intervalles translatés de τ I10 + τ, . . . , I k0 , (N10 , . . . , Nk0 ) et
(N1 , . . . , Nk ) ont la même loi.
Proposition 4
Un processus de Poisson est localement continu : lim+ P(N (t + h) − N (t) ¾ 1) = 0.
h→0
Le but du développement est d’étudier le temps d’attente entre deux tops :
Théorème 5
Soit Sn = inf {t ¾ 0, N (t) ¾ n} et Tk = Sk − Sk−1 pour k ¾ 1. Alors
1 (Tn )n est une suite de variables aléatoires i.i.d. de loi E (λ) .
2 Sn = T1 + · · · + Tn suit la loi Γ (n, λ) de densité
λ
(
e−λs (λs)n−1 si s ¾ 0
fSn (s) = (n − 1)! .
0 sinon
Démonstration. Soit n ∈ N∗ .
Gabriel LEPETIT 1 ENS Rennes - Université Rennes 1
Étape 1 : Changement de variable : supposons que le vecteur aléatoire (S1 , . . . , Sn ) soit
à densité, de densité ϕ. Soit f : Rn → R continue bornée. Alors comme Sn ¾ . . . , ¾ S1 ,
par un changement de variable sk = t 1 + · · · + t k de jacobien 1 (la matrice jacobienne est
triangulaire), on a
E[ f (T1 , . . . , Tn )] = E[1Sn ¾···¾S1 f (S1 , . . . , Sn − Sn−1 )]
Z
= f (s1 , . . . , sn − sn−1 )ϕ(s1 , . . . , sn )ds1 . . . dsn
0¶s1 ¶···¶sn
Z
= f (t 1 , . . . , t n )ϕ(t 1 , . . . , t 1 + · · · + t n )dt 1 . . . dt n .
t 1 ,...,t n ¾0
Donc ψ : (t 1 , . . . , t n ) 7→ ϕ(t 1 , t 1 + t 2 , . . . , t 1 + · · · + t n ) est la densité de (T1 , . . . , Tn ).
Étape 2 : Calcul de la densité de (S1 , . . . , Sn ) :
Soit An l’évènement : S1 ∈ [s1 , s1 + h1 [, . . . , Sn ∈ [sn , sn + hn [ où 0 < s1 < s1 + h1 < s2 <
· · · < sn + hn . Alors An est la réunion des évènements :
• zéro top dans [0, s1 [ et exactement un top dans [s1 , s1 + h1 [
• zéro top dans [s1 + h1 , s2 [ et exactement un top dans [s2 , s2 + h2 [
.
• ..
• zéro top dans [sn−1 + hn−1 , sn [ et au moins un top dans [sn , sn + hn [.
Or, le processus étant à accroissements indépendants, les variables aléatoires « nombre
de tops » dans des intervalles disjoints sont indépendantes de sorte que
P(An ) = P(N (s1 ) = 0) × P(N (s1 + h1 ) − N (s1 ) = 1) × P(N (s2 ) − N (s1 + h1 ) = 0)×
P(N (s2 + h2 ) − N (s2 ) = 1) × · · · × P(N (sn ) − N (sn−1 + hn−1 ) = 0) × P(N (sn + hn ) − N (sn ) ¾ 1)
donc
P(An ) = e−λs1 e−λh1 (λh1 )e−λ(s2 −s1 −h1 ) e−λh2 (λh2 ) . . . e−λ(sn −sn−1 −hn−1 ) (1 − e−λhn )
= e−λsn λn−1 h1 . . . hn−1 (1 − e−λhn ).
Pour conclure, il suffit de remarquer que
Z s1 +h1 Z sn +hn
P(An ) = ... 10¶ξ1 ¶···¶ξn λn e−λξn dξ1 . . . dξn ,
ξ1 =s1 ξn =sn
ceci valant pour tous les pavés [s1 , s1 + h1 [× · · · × [sn + hn [, qui constituent une classe stable
par intersection engendrant B(Rn ) donc (S1 , . . . , Sn ) a pour densité 1ξ1 ¶···¶x n λn e−λξn .
Conclusion : selon la première étape, la densité de (T1 , . . . , Tn ) est
(t 1 , . . . , t n ) 7→ λn e−λt 1 . . . e−λt n 1R+n (t 1 , . . . , t n ).
En calculant les densités marginales, on constate immédiatement que f(T1 ,...,Tn ) (t 1 , . . . , t n ) =
f T1 (t 1 ) . . . f Tn (t n ) ; en d’autres termes, T1 , . . . , Tn sont indépendantes. La loi de Sn est donc
Γ (n, λ) en vertu du lemme ci-dessous.
Lemme 6
Si T1 , . . . , Tn sont n variables aléatoires i.i.d de loi E (λ), alors S = T1 + · · · + Tn suit la loi
Γ (n, λ)
Gabriel LEPETIT 2 ENS Rennes - Université Rennes 1
Démonstration. Calculons la transformée de Laplace d’une variable aléatoire V suivant la
loi Γ (n, λ), en rappelant que la transformée de Laplace caractérise la loi :
∞ ∞
λ λ
Z Z
L V (u) = E[e ] =
uS ux −λx
e e (λx) n−1
dx = e−x(λ−u) (λx)n−1 dx
Γ (n) 0
Γ (n) 0
bien définie pour λ − u > 0 donc en posant y = x(λ − u), on a
Z∞ n Z ∞
λ
n−1
λ λ λ
n
d 1
y y
L V (u) = e −y
= e y dy =
− y n−1
.
Γ (n) 0 λ−u λ − u Γ (n) λ − u 0
λ−u
Or, par le même changement de variable, si T ∼ E (λ),
+∞ ∞
λ λ
Z Z
L T (u) = e λe
ux −λx
dx = e− y d y =
0
λ−u 0
λ−u
donc comme la transformée de Laplace d’une somme de variable aléatoires indépendantes
est le produit de leurs transformées de Laplace, on a le résultat.
Remarque. • On peut aussi parler du paradoxe de l’inspection, ou paradoxe de l’auto-
bus, c’est dans le Foata–Fuchs juste après.
• Les deux premières propositions sont indépendantes du développement proprement
dit.
Références :
• Dominique FOATA et Aimé FUCHS (2004). Processus stochastiques : processus de Poisson,
chaînes de Markov et martingales. Dunod, pp. 28-31
• Dominique FOATA et Aimé FUCHS (2003). Calcul des probabilités. Dunod, p. 148 (pour
le lemme)
Gabriel LEPETIT 3 ENS Rennes - Université Rennes 1