PROCESSUS DE POISSON : Corrigé des exercices

1. Les arrivées d’autobus à une station forment un processus de Poisson d’intensité

λ = 4/h.
1) Dans cette question seulement, chaque autobus s’arrête un temps fixe τ = 1mn à la
station. Un passager qui arrive à un instant θ monte dans le bus si celui-ci est là, attend
pendant un temps τ 0 = 5mn, puis, si l’autobus n’est pas arrivé pendant le temps τ 0 , quitte
la station et s’en va à pied. Déterminer la probabilité que le passager prenne l’autobus.

2) On suppose que de l’arrêt à chez vous, vous mettez t1 mn en bus et t2 mn à pied.

Vous avez décidé d’attendre le bus pendant smn et, s’il n’est pas arrivé alors, de partir à
pied.
a) Si W est le temps mis pour rentrer et T le temps écoulé entre votre arrivée et
celle du bus, vérifier que W = (T + t1 )1I[0,s[

(T )−λs
+ (s + t2 )1I[s,+∞[
(t).
1 1
b) En déduire que E(W ) = λ + t1 + e t2 − t1 − λ .
c) Déterminer le temps moyen mis pour rentrer chez vous. Trouver les valeurs de
1 1 1
s qui minimisent ce temps suivant que λ < t2 −t 1
, λ > t2 −t 1
ou λ = t2 −t 1
.

3) Votre objectif est de prendre le dernier bus qui passe avant t0 = 23h (ainsi vous
échouez si un bus passe entre l’instant t où vous partez et t0 , ou bien si vous n’êtes pas
encore parti à t0 ). Votre statégie consiste à choisir un instant s < t0 et à prendre le
premier bus qui se présente à partir de s.
a) Montrer que la probabilité de succès est p(s) = λ(t0 − s)e−λ(t0 −s) .
b) Quelle est la valeur s0 de s qui maximise cette probabilité ?
c) Déterminer la probabilité de gain pour s = s0 (on montrera qu’elle est en par-
ticulier indépendante de λ).

1) Le passager rentrera à pied si, quand il arrive, il n’y a pas d’autobus, c’est-à-dire si le dernier
autobus est arrivé avant l’instant θ − τ et si, à l’instant θ + τ 0 , il n’y a toujours pas d’autobus ; il y a
donc aucune arrivée entre θ − τ et θ + τ 0 .
0
Or P ([Nθ+τ 0 − Nθ−τ = 0]) = P ([Nθ+τ 0 −(θ−τ ) = 0]) = P ([Nτ +τ 0 = 0]) = e−λ(τ +τ ) et la probabilité
0
que le passager prenne l’autobus est donc 1 − e−λ(τ +τ ) = 1 − e−0,4 .

2) a) Soit T le temps (aléatoire) écoulé entre notre arrivée et celle du prochain bus. On sait que T
suit la loi exponentielle E(λ). Le temps W mis pour rentrer est :
• T + t1 si le bus arrive avant s, c’est-à-dire si T ≤ s ;
• s + t2 si on rentre à pied, c’est-à-dire si T > s.
On a donc W = (T + t1 )1I[0,s] (T ) + (s + t2 )1I]s,+∞[ (T ) = h(T ).
b) On en déduit :
Z Z s Z +∞
E(W ) = h(t)fT (t)dt = (t + t1 )λe−λt dt + (s + t2 )λe−λt dt
0 s
Z s
 s  s  +∞
= −te−λt 0 + e−λt dt + t1 −e−λt 0 + (s + t2 ) −e−λt s
0
−λs 1 1
= −se + − e−λs + t1 (1 − e−λs ) + se−λs + t2 e−λs
λ λ
 1

1



soit E(W ) = λ + t1 + e−λs t2 − λ + t1 .

c) s 7→ e−λs décroı̂t de 1 (pour s = 0) à 0 (pour s → +∞) donc :

1
• si λ > t2 −t 1
, c’est-à-dire si λ1 + t1 < t2 , le minimum est obtenu lorsque s → +∞, et vaut λ1 + t1 :
on a donc intérêt à attendre le bus jusqu’à ce qu’il arrive ;
1
• si λ < t2 −t 1
, c’est-à-dire si λ1 + t1 > t2 , le minimum est obtenu lorsque s = 0, et vaut t2 : on
n’a donc pas intérêt à prendre le bus (il n’y en a pas assez souvent) ;
1
• si λ = t2 −t 1
, c’est-à-dire si λ1 + t1 = t2 , E(W ) est indépendant de s et quoiqu’on décide, le
temps moyen est de t2 .

3) a) On veut prendre le dernier bus avant t0 et, pour cela, on décide de prendre le premier qui se
présente après s. On aura alors gagné si 1 bus exactement se présente entre s et t0 (en effet, s’il y en a
2 ou plus, on n’aura pas pris le dernier, et s’il n’y en a pas, on sera encore là en t0 ). La probabilité de
succès dans ce cas est alors

p(s) = P ([Nt0 − Ns = 1]) = P ([Nt0 −s = 1]) = e−λ(t0 −s) λ(t0 − s)

soit p(s) = λe−λt0 (t0 − s)eλs .

b) On cherche le maximum de p. Comme p est une fonction dérivable, il vient

p0 (s) = λe−λt0 eλs [−1 + λ(t0 − s)] = λe−λ(t0 −s) (λt0 − 1 − λs).

λt0 −1 1
On a donc un maximum pour s = λ = t0 − λ (ou bien s = 0 si λt0 − 1 < 0, ce qui n’est pas le cas
ici).
1
A.N. t0 = 8h, λ = 14 h, donc s0 =7h45mn .
1 1
Il faut donc prévoir 1/4h, ce qui est normal car λ = 4 h est le temps moyen entre 2 bus.
c) La probabilité de gain est alors p(s0 ) = λe (t0 − s0 ) avec s0 = t0 − λ1 , soit t0 − s0 = λ1 .
−λ(t0 −s0 )

On a donc p(s0 ) = e−1 ≈ 0, 37 .

2. Le long d’une route à voie unique, l’écoulement des véhicules peut être décrit par
un processus de Poisson (Nt ) de paramètre λ = 2/mn.
1) Sachant que 4 véhicules sont passés en 3 minutes, déterminer la probabilité que 3
soient passés dans les 2 premières minutes.
2) Pour cause de travaux, on doit interrompre le traffic pendant une durée t. On
compte alors une longueur de 8m de route occupée par véhicule immobilisé et on cherche
la valeur de t telle que la queue formée ne dépasse 250m qu’avec une probabilité de 0,2.
Exprimer la condition à l’aide de Nt , puis à l’aide des temps Ui inter-arrivées entre
les véhicules. On donnera une estimation de t à l’aide du théorème central limite, en
considérant 30 comme grand.
[On peut lire sur les tables que P ([X ≤ −0, 84]) = 0, 2 pour une variable X de loi
normale N (0, 1) et on rappelle que si Y suit la loi exponentielle E(λ), E(Y ) = 1/λ et
var(Y ) = 1/λ2 ].

1) Sachant que 4 véhicules sont passés en 3 minutes, la probabilité que 3 soient passés dans les 2
premières minutes est
 P ([N2 = 3] ∩ [N3 − N2 = 1])
P ([N2 = 3]/[N3 = 4]) =
P ([N3 = 4])
P ([N2 = 3])P ([N3 − N2 = 1]) P ([N2 = 3])P ([N1 = 1])
= =
P ([N3 = 4]) P ([N3 = 4])
3 1
e−4 43! e−2 21! 43 × 2 × 4 44 × 2 25 32
= 64
= 4 4
= 4 4
= 4
= ≈ 0, 395.
e−6 4! 3! × 3 × 2 3 ×2 3 81

2) Si Qt est la longueur de la queue à l’instant t, on cherche t tel que P ([Qt > 250]) ≤ 0, 2. Or
pour avoir plus de 250m de queue, il faut au moins 32 véhicules (car 250/8 = 31, 25), et on a donc
P
32
[Qt > 250] = [Nt ≥ 32] = [T32 ≤ t]. Mais T32 = Ui avec les Ui indépendantes de même loi expo-
i=1
nentielle E(2), donc E(T32 ) = 32 32
2 = 16 et var(T32 ) = 4 = 8 et d’après le théorème central limite, en
condidérant 32 comme grand, Th 32 suit approximativement
i la loi normale N (16 ; 8). On cherche donc t
T32√
−16 t−16
tel que P ([T32 ≤ t]) = 0, 2 = P 2 2
≤ 2 2
√ = 0, 2. L’indication donne alors t−16
√ ≈ −0, 84 donc
2 2
√
t ≈ 16 − 2 2 × 0, 84 ≈ 13, 6 (13mn40s).

3. Au football, on suppose que les buts sont marqués suivant un processus de Poisson
(Nt ) de paramètre λ. On s’intéresse ici seulement aux parties qui se sont terminées avec
2 buts marqués. La durée d’une partie est une constante notée T ; les instants des buts
sont des variables aléatoire notées A1 et A2 .
1) Quelle est la probabilité qu’à la mi-temps il y ait eu exactement 2 buts ? 1 but ?
aucun but ?
2) Justifier que P [NT =2] ([A1 ≤ s] ∩ [A2 ≤ t]) = P [NT =2] ([Ns ≥ 1] ∩ [Nt = 2]) pour
0 < s < t < T . Montrer alors, en utilisant l’indépendance des accroissements (et en
distinguant 2 cas, selon que 2 buts sont marqués à l’instant s ou non), que :

[NT =2] 2st − s2

P ([A1 ≤ s] ∩ [A2 ≤ t]) = pour 0 < s < t < T.
T2

En déduire les lois de A1 et de A2 lorsque NT = 2. Quels sont les temps moyens pour
marquer chacun des 2 buts ?

[N =n]

1) D’après le cours, pour s ≤ t, PNs t = B n, st . Ici t = T , s = T2 et n = 2 donc P [NT =2] ([NT /2 =

k 1
2−k
k]) = C2k 12 2 = 14 C2k avec C20 = C22 = 1 et C21 = 2.
Ainsi, la probabilité qu’à la mi-temps il y ait eu exactement 2 buts ou aucun est 14 ; pour 1 but, c’est 12 .

2) [Ai ≤ t] = [Nt ≥ i] (le i-ième événement a eu lieu avant ou à t). On a donc

[A1 ≤ s] ∩ [A2 ≤ t] = [Ns ≥ 1] ∩ [Nt ≥ 2].

Mais, pour t ≤ T , [Nt ≥ 2] ∩ [NT = 2] = [Nt = 2] ∩ [NT = 2] car Nt ≤ NT . On a donc bien

P [NT =2] ([A1 ≤ s] ∩ [A2 ≤ t]) = P [NT =2] ([Ns ≥ 1] ∩ [Nt = 2]) = p pour 0 < s < t < T .
Exercice 4 : Soient {N (t)}t≥0 un processus de Poisson de taux λ, et T , une variable aléatoire suivant
une loi exponentielle de paramètre ν, indépendante du processus {N (t)}t≥0 .
1) Déterminer la loi de probabilité de la variable aléatoire N (T ), nombre d’événements du proces
de Poisson se produisant sur l’intervalle de temps [0, T ] : (P[N (T ) = n]).
2) calculer la moyenne de N (t)

Notons, N (T ) par NT et fT la densité de la variable aléatoire T . On a

Z
P ([NT = n]) = P ([NT = n] /[T = t]) fT (t)dt

avec P ([NT = n] /[T = t]) = P ([Nt = n]) (i.e. P [NT /T = t] = P [Nt ]). On sait que N (t)P(λt) i.e.
n
P ([Nt = n]) = e−λt (λt)
n! et fT (t) = νe
−νt 1
[0,+∞[ (t). Donc :

(λt)n −νt
Z +∞
P [NT = n] = e−λt νe 1[0,+∞| (t)dt
0 n!
(λ)n ν +∞ −λt n −νt
Z
= e t e dt
n! 0
(λ)n ν +∞ −(λ+ν)t n
Z
= e t dt
n! 0
R +∞ −(λ+ν)t n 1 n
Denotons In = 0 e t dt, nous avons I0 = λ+ν et In = λ+ν In−1 . Donc,

n!
In =
(λ + ν)n

Finalement,
λn
P [NT = n] = ν
(λ + ν)n+1
2. Calculer la moyenne de la variable aléatoire N (T ). on a
Z
E ([NT = n]) = E ([NT = n] /[T = t]) fT (t)dt

Z +∞
E (NT ) = λE(T ) = λ tνe−νt dt
0
h i∞ Z +∞
−νt
= λν (−1/ν)te + (1/ν) e−νt dt
0 0
λ
= .
ν

Exercice 5 : Soit N = (N (t), t ≥ 0) un processus de Poisson d’intensité λ > 0, défini sur un espace
probabilisé (Ω, A, P ).
1) Calculer pour tous s, t ≥ 0 : Cov(N (s), N (t)) et E((N (t) − N (s))2 ).
2) Soit s < t et k = 0, . . . , n. Calculer : P (N (s) = k | N (t) = n).
3) Lorsque t → +∞, montrer que : N t(t) converge en moyenne quadratique vers λ.
4) Lorsque t → +∞, montrer que : N t(t) converge presque sûrement vers λ.
q  
t N (t)
5) Lorsque t → +∞, montrer que : λ t − λ converge en loi vers N (0, 1).

2
Question 1 voir le cours ) .
2)
P (N (s) = k, N (t) = n)
P (N (s) = k | N (t) = n) =
P (N (t) = n)
P (N (s) = k, N (t) − N (s) = n − k)
=
P (N (t) = n)
P (N (s) = k)P (N (t) − N (s) = n − k)
(N (s)independant de N (t) − N (s)) ⇒ =
P (N (t) = n)
n−k
−λ(k−s) (λ(t−s))
(λs)k e (n−k)!
= e−λs (λt)) n
k! e−λt n!
n!
= (s/t)k (1 − s/t)n−k
k!(n − k)!
= ckn (s/t)k (1 − s/t)n−k

(3) N (t) ; P (λt) ⇒ E(N (t)) = V (N (t)) = λt.

N (t)
 
⇒E = λ.
t
2 !
N (t) 1

⇒E −λ = E((N (t) − λt)2 )
t t2
 
et on sait que V (X) = E (X − E(X))2 alors
λ λ
= 2
V (N (t)) = −→ 0
t t
(4)
n
N (n) 1X
.t = n ∈ N poson = (N (i) − N (i − 1))
n n i=1
N (t) P.s
alors daprés theoreme forte des grands nombres on a t −→ E(N (1)) = λ
(5)
n
X
.t = n ∈ N poson N (n) = (N (i) − N (i − 1))
i=1
L
q  
t N (t)
theoreme centrale limite ⇒ λ t − λ → N (0, 1)
n→+∞

Loi faible des grands nombres

Théorème : Soit (Xn ) une suite de variables aléatoires intégrables, indépendantes deux à deux,
identiquement distribuées. Soit m leur espérance commune. On note :
X1 + · · · + Xn
Sn =
n
Alors la suite (Sn ) tend vers m en probabilité.

3
Loi forte des grands nombres Théorème : Soit (Xn ) une suite de variables aléatoires intégrables
mutuellement indépendantes, identiquement distribuées. Soit m leur espérance commune. On note :
X1 + · · · + Xn
Sn = .
n

Alors la suite (Sn ) tend vers m presque sûrement.

théorème centrale limite Théorème : Soit (Xn ) une suite de variables indépendantes identiquement
distribuées admettan un moment d’ordre 2 . On pose :

µ = E (X1 ) , σ 2 = Var (X1 )

Sn − nµ
Sn = X1 + · · · + Xn , Yn = √ .
σ n

Alors la suite (Yn ) converge en loi vers une variable aléatoire de loi N (0, 1) (la loi normale centrée réduite).