1

IFT-3655, Modèles Stochastiques

aft
Processus de Poisson

Prof. Pierre L’Ecuyer

DIRO, Université de Montréal

Dr
Ces “diapos” sont surtout un support pour les présentations en classe.
Elles ne contiennent pas toutes les explications détaillées.
Pour cela il est recommandé d’étudier le livre recommandé, de Sheldon Ross.
 2
Processus de comptage
Un processus de comptage est un processus en temps continu {N(t), t ≥ 0}, à valeurs

aft
dans {0, 1, 2, . . . }, dont les trajectoires sont non décroissantes et continues à droite.

Habituellement, N(0) = 0, et les instants de saut 0 < T1 ≤ T2 ≤ · · · ≤ Tj ≤ · · · s’appellent

les instants d’arrivées. Ainsi, N(t) représente le nombre d’arrivées durant [0, t].

Dr
 2
Processus de comptage
Un processus de comptage est un processus en temps continu {N(t), t ≥ 0}, à valeurs

aft
dans {0, 1, 2, . . . }, dont les trajectoires sont non décroissantes et continues à droite.

Habituellement, N(0) = 0, et les instants de saut 0 < T1 ≤ T2 ≤ · · · ≤ Tj ≤ · · · s’appellent

les instants d’arrivées. Ainsi, N(t) représente le nombre d’arrivées durant [0, t].
L’accroissement du processus sur un intervalle de temps (s, s + t] est N(s + t) − N(s).
Les accroissements sont indépendents si pour tout ensemble d’intervalles disjoints
Ij = (sj , sj + tj ], les Yj = N(sj + tj ) − N(sj ) sont indépendants.

Dr
Les accroissements sont stationnaires si N(s + t) − N(s) ne dépend que de t et pas de s.
 2
Processus de comptage
Un processus de comptage est un processus en temps continu {N(t), t ≥ 0}, à valeurs

aft
dans {0, 1, 2, . . . }, dont les trajectoires sont non décroissantes et continues à droite.

Habituellement, N(0) = 0, et les instants de saut 0 < T1 ≤ T2 ≤ · · · ≤ Tj ≤ · · · s’appellent

les instants d’arrivées. Ainsi, N(t) représente le nombre d’arrivées durant [0, t].
L’accroissement du processus sur un intervalle de temps (s, s + t] est N(s + t) − N(s).
Les accroissements sont indépendents si pour tout ensemble d’intervalles disjoints
Ij = (sj , sj + tj ], les Yj = N(sj + tj ) − N(sj ) sont indépendants.

Dr
Les accroissements sont stationnaires si N(s + t) − N(s) ne dépend que de t et pas de s.
Exemples: Nombre de clients arrivant à un magasin jusqu’au temps t, nombre d’appels
d’ambulances, nombre d’achats en ligne d’un produit, nombre d’appels dans un centre
d’appels, nombre de buts marqué par un joueur en t secondes de jeu, etc. Discuter.
 2
Processus de comptage
Un processus de comptage est un processus en temps continu {N(t), t ≥ 0}, à valeurs

aft
dans {0, 1, 2, . . . }, dont les trajectoires sont non décroissantes et continues à droite.

Habituellement, N(0) = 0, et les instants de saut 0 < T1 ≤ T2 ≤ · · · ≤ Tj ≤ · · · s’appellent

les instants d’arrivées. Ainsi, N(t) représente le nombre d’arrivées durant [0, t].
L’accroissement du processus sur un intervalle de temps (s, s + t] est N(s + t) − N(s).
Les accroissements sont indépendents si pour tout ensemble d’intervalles disjoints
Ij = (sj , sj + tj ], les Yj = N(sj + tj ) − N(sj ) sont indépendants.

Dr
Les accroissements sont stationnaires si N(s + t) − N(s) ne dépend que de t et pas de s.
Exemples: Nombre de clients arrivant à un magasin jusqu’au temps t, nombre d’appels
d’ambulances, nombre d’achats en ligne d’un produit, nombre d’appels dans un centre
d’appels, nombre de buts marqué par un joueur en t secondes de jeu, etc. Discuter.
On note Aj = Tj − Tj−1 . Si les Aj sont des v.a. i.i.d., on a un processus de renouvellement.
 3

aft
0
0 s1 t 1 s2 t2 s3 t3 s t s4 t 4

Dr
 3

aft
0
0 s1 t 1 s2 t2 s3 t3 s t s4 t 4

N(t)
4

0
0T1 T2
Dr
T3 T4 T5 T6 t
 4
Processus de Poisson

aft
Un processus de Poisson est un processus de comptage pour lequel
(a) N(0) = 0;
(b) les arrivées se font une à une (la prob. de 2 arrivées simultanées est 0);
(c) pour s, t ≥ 0, la v.a. N(s + t) − N(s) est indépendente de {N(u), u ≤ s}
(i.e., ne dépend pas de l’histoire passée).

Dr
 4
Processus de Poisson

aft
Un processus de Poisson est un processus de comptage pour lequel
(a) N(0) = 0;
(b) les arrivées se font une à une (la prob. de 2 arrivées simultanées est 0);
(c) pour s, t ≥ 0, la v.a. N(s + t) − N(s) est indépendente de {N(u), u ≤ s}
(i.e., ne dépend pas de l’histoire passée).

Intuition: un processus sera approx. Poisson si les événements arrivent au hasard,

def
Posons a(t) = E[N(t)]. Dr
indépendamment les uns des autres.
 5
Taux cumulé et fonction de taux
Supposons que a(t) = E[N(t)] est continue partout, et dérivable sauf possiblement en un

aft
nombre fini de points sur tout intervalle fini.
λ(t) = Ra0 (t) est la fonction de taux du processus;
t
a(t) = 0 λ(s)ds est la fonction de taux cumulé.

Dr
 5
Taux cumulé et fonction de taux
Supposons que a(t) = E[N(t)] est continue partout, et dérivable sauf possiblement en un

aft
nombre fini de points sur tout intervalle fini.
λ(t) = Ra0 (t) est la fonction de taux du processus;
t
a(t) = 0 λ(s)ds est la fonction de taux cumulé.

Dans ce cas, pour h > 0 très petit, les probabilités d’avoir un saut, plus d’un saut, et aucun
saut du processus dans l’intervalle de temps (t, t + h] sont

P[N(t + h) − N(t) = 1] = E[N(t + h)] − E[N(t)] + o(h) = λ(t)h + o(h);

Dr
P[N(t + h) − N(t) > 1] = o(h);
P[N(t + h) − N(t) = 0] = 1 − λ(t)h + o(h).

Rappel: On dit que g (h) = o(h) si limh→0 g (h)/h = 0.

 6
Processus de Poisson stationnaire

On a un processus de Poisson stationnaire si λ(t) = λ > 0 pour tout t ≥ 0.

aft
Définition équivalente:

{N(t), t ≥ 0} est un processus de Poisson stationnaire de taux λ ssi

(a) N(0) = 0;
(b) les accroissements du processus sont indépendants; et
(c) pour tout s > 0 et tout h > 0 très petit,

Dr
P(N(s + h) − N(s) = 1) = λh + o(h), et
P(N(s + h) − N(s) > 1) = o(h).
 6
Processus de Poisson stationnaire

On a un processus de Poisson stationnaire si λ(t) = λ > 0 pour tout t ≥ 0.

aft
Définition équivalente:

{N(t), t ≥ 0} est un processus de Poisson stationnaire de taux λ ssi

(a) N(0) = 0;
(b) les accroissements du processus sont indépendants; et
(c) pour tout s > 0 et tout h > 0 très petit,

Dr
P(N(s + h) − N(s) = 1) = λh + o(h), et
P(N(s + h) − N(s) > 1) = o(h).

Si λ = 1, on a un processus de Poisson standard.

 7

aft
X4
x = a(t)
0.85
X3

0.5
X2

X1
0
0 T1
Dr
T2 1 2 T3 3 t T4 4

Ici, pour t = 3.5, on a x = a(t) = 1.0 et N(3.5) = N0 (a(3.5)) = N0 (1) = 3.

 7

aft
X4
x = a(t)
0.85
X3

0.5
X2

X1
0
0 T1
Dr
T2 1 2 T3 3 t T4 4

Ici, pour t = 3.5, on a x = a(t) = 1.0 et N(3.5) = N0 (a(3.5)) = N0 (1) = 3.

Note: Si λ(·) est constant [par morceaux], alors a(·) est linéaire [par morceaux].
Si λ(·) est linéaire, alors a(·) est quadratique (plus coûteux à inverser).
 8
Standardisation
Un processus de Poisson non-stationnaire peut être transformé en processus stationnaire
simplement en étirant et comprimant l’échelle du temps (changement de variable).

aft
Dr
 8
Standardisation
Un processus de Poisson non-stationnaire peut être transformé en processus stationnaire
simplement en étirant et comprimant l’échelle du temps (changement de variable).

aft
Supposons que l’on veut un processus de Poisson N de taux λ(t) et de taux cumulé a(t) au
temps t, pour tout t ≥ 0.
Soit N0 = {N0 (x), x ≥ 0} un processus de Poisson standard (de taux 1) et soit
N = {N(t), t ≥ 0} défini par N(t) = N0 (a(t)) pour t ≥ 0. Si les sauts de N sont aux temps
T1 , T2 , . . . et ceux de N0 sont à X1 , X2 , . . . , alors on a Xj = a(Tj ), i.e., Tj = a−1 (Xj ).

Dr
 8
Standardisation
Un processus de Poisson non-stationnaire peut être transformé en processus stationnaire
simplement en étirant et comprimant l’échelle du temps (changement de variable).

aft
Supposons que l’on veut un processus de Poisson N de taux λ(t) et de taux cumulé a(t) au
temps t, pour tout t ≥ 0.
Soit N0 = {N0 (x), x ≥ 0} un processus de Poisson standard (de taux 1) et soit
N = {N(t), t ≥ 0} défini par N(t) = N0 (a(t)) pour t ≥ 0. Si les sauts de N sont aux temps
T1 , T2 , . . . et ceux de N0 sont à X1 , X2 , . . . , alors on a Xj = a(Tj ), i.e., Tj = a−1 (Xj ).
Proposition {N(t), t ≥ 0} est un processus de Poisson de taux cumulé a(·) ssi
{N0 (x), x ≥ 0} est un processus de Poisson standard.

Dr
 8
Standardisation
Un processus de Poisson non-stationnaire peut être transformé en processus stationnaire
simplement en étirant et comprimant l’échelle du temps (changement de variable).

aft
Supposons que l’on veut un processus de Poisson N de taux λ(t) et de taux cumulé a(t) au
temps t, pour tout t ≥ 0.
Soit N0 = {N0 (x), x ≥ 0} un processus de Poisson standard (de taux 1) et soit
N = {N(t), t ≥ 0} défini par N(t) = N0 (a(t)) pour t ≥ 0. Si les sauts de N sont aux temps
T1 , T2 , . . . et ceux de N0 sont à X1 , X2 , . . . , alors on a Xj = a(Tj ), i.e., Tj = a−1 (Xj ).
Proposition {N(t), t ≥ 0} est un processus de Poisson de taux cumulé a(·) ssi
{N0 (x), x ≥ 0} est un processus de Poisson standard.

Dr
Preuve. Les axiomes (a) et (b) pour un processus de Poisson sont satisfaits pour N ssi ils le
sont pour N0 , car a(·) est continue et non-décroissante.
 8
Standardisation
Un processus de Poisson non-stationnaire peut être transformé en processus stationnaire
simplement en étirant et comprimant l’échelle du temps (changement de variable).

aft
Supposons que l’on veut un processus de Poisson N de taux λ(t) et de taux cumulé a(t) au
temps t, pour tout t ≥ 0.
Soit N0 = {N0 (x), x ≥ 0} un processus de Poisson standard (de taux 1) et soit
N = {N(t), t ≥ 0} défini par N(t) = N0 (a(t)) pour t ≥ 0. Si les sauts de N sont aux temps
T1 , T2 , . . . et ceux de N0 sont à X1 , X2 , . . . , alors on a Xj = a(Tj ), i.e., Tj = a−1 (Xj ).
Proposition {N(t), t ≥ 0} est un processus de Poisson de taux cumulé a(·) ssi
{N0 (x), x ≥ 0} est un processus de Poisson standard.

Dr
Preuve. Les axiomes (a) et (b) pour un processus de Poisson sont satisfaits pour N ssi ils le
sont pour N0 , car a(·) est continue et non-décroissante.
Reste à vérifier que E[N(t)] = a(t) pour t > 0 ssi E[N0 (x)] = x pour x > 0.
 8
Standardisation
Un processus de Poisson non-stationnaire peut être transformé en processus stationnaire
simplement en étirant et comprimant l’échelle du temps (changement de variable).

aft
Supposons que l’on veut un processus de Poisson N de taux λ(t) et de taux cumulé a(t) au
temps t, pour tout t ≥ 0.
Soit N0 = {N0 (x), x ≥ 0} un processus de Poisson standard (de taux 1) et soit
N = {N(t), t ≥ 0} défini par N(t) = N0 (a(t)) pour t ≥ 0. Si les sauts de N sont aux temps
T1 , T2 , . . . et ceux de N0 sont à X1 , X2 , . . . , alors on a Xj = a(Tj ), i.e., Tj = a−1 (Xj ).
Proposition {N(t), t ≥ 0} est un processus de Poisson de taux cumulé a(·) ssi
{N0 (x), x ≥ 0} est un processus de Poisson standard.

Dr
Preuve. Les axiomes (a) et (b) pour un processus de Poisson sont satisfaits pour N ssi ils le
sont pour N0 , car a(·) est continue et non-décroissante.
Reste à vérifier que E[N(t)] = a(t) pour t > 0 ssi E[N0 (x)] = x pour x > 0.
Si E[N0 (x)] = x, alors E[N(t)] = E[N0 (a(t))] = a(t).
 8
Standardisation
Un processus de Poisson non-stationnaire peut être transformé en processus stationnaire
simplement en étirant et comprimant l’échelle du temps (changement de variable).

aft
Supposons que l’on veut un processus de Poisson N de taux λ(t) et de taux cumulé a(t) au
temps t, pour tout t ≥ 0.
Soit N0 = {N0 (x), x ≥ 0} un processus de Poisson standard (de taux 1) et soit
N = {N(t), t ≥ 0} défini par N(t) = N0 (a(t)) pour t ≥ 0. Si les sauts de N sont aux temps
T1 , T2 , . . . et ceux de N0 sont à X1 , X2 , . . . , alors on a Xj = a(Tj ), i.e., Tj = a−1 (Xj ).
Proposition {N(t), t ≥ 0} est un processus de Poisson de taux cumulé a(·) ssi
{N0 (x), x ≥ 0} est un processus de Poisson standard.

Dr
Preuve. Les axiomes (a) et (b) pour un processus de Poisson sont satisfaits pour N ssi ils le
sont pour N0 , car a(·) est continue et non-décroissante.
Reste à vérifier que E[N(t)] = a(t) pour t > 0 ssi E[N0 (x)] = x pour x > 0.
Si E[N0 (x)] = x, alors E[N(t)] = E[N0 (a(t))] = a(t).
Inversement, en posant a(t) = x on a N0 (x) = N(a−1 (x)). Donc si E[N(t)] = a(t) alors
E[N0 (x)] = E[N(a−1 (x))] = a(a−1 (x)) = x. Rendu ici, 12 mars
 9

Proposition. Si {N(t), t ≥ 0} est un processus de Poisson stationnaire de taux λ et

aft
s, t > 0, alors N(s + t) − N(s) suit la loi de Poisson de moyenne λt.

Dr
 9

Proposition. Si {N(t), t ≥ 0} est un processus de Poisson stationnaire de taux λ et

aft
s, t > 0, alors N(s + t) − N(s) suit la loi de Poisson de moyenne λt.
Preuve. Ross (2014) donne une preuve pour le cas stationnaire en utilisant la transformée de
Laplace de N(t). En gros, il obtient une équation différentielle pour cette transformée de
Laplace, puis intègre pour résoudre, et reconnait que c’est la transformée de Laplace pour
une loi de Poisson. Mon argument ici est plutôt dans l’esprit de sa remarque de la page 301.

Dr
 9

Proposition. Si {N(t), t ≥ 0} est un processus de Poisson stationnaire de taux λ et

aft
s, t > 0, alors N(s + t) − N(s) suit la loi de Poisson de moyenne λt.
Preuve. Ross (2014) donne une preuve pour le cas stationnaire en utilisant la transformée de
Laplace de N(t). En gros, il obtient une équation différentielle pour cette transformée de
Laplace, puis intègre pour résoudre, et reconnait que c’est la transformée de Laplace pour
une loi de Poisson. Mon argument ici est plutôt dans l’esprit de sa remarque de la page 301.
Sans perte de généralité, on peut supposer s = 0, car le processus est stationnaire.
L’idée est de diviser l’intervalle (0, t] en n = t/h sous-intervalles égaux de longueur h, pour

Dr
un h très petit. Soit Xi le nombre d’arrivées dans l’intervalle i, pour i = 1, . . . , n. Les Xi sont
indépendants et Xi est approximativement Bernoulli(p) avec p = λh, et
N(t) = X1 + · · · + Xn est approximativement binomiale(n, p). Quand h → 0, on a p → 0
avec np = λt, cette loi binomiale(n, p) converge vers la loi de Poisson(λt). Comme on peut
prendre h aussi petit que l’on veut, la loi de N(t) doit être cette loi de Poisson.
 10

aft
Proposition. Si {N(t), t ≥ 0} est un processus de Poisson et s, t > 0, alors N(s + t) − N(s)
suit la loi de Poisson de moyenne
Z s+t
a(s + t) − a(s) = λ(x)dx.
s

Dans le cas stationnaire, la moyenne est tλ.

Dr
 10

aft
Proposition. Si {N(t), t ≥ 0} est un processus de Poisson et s, t > 0, alors N(s + t) − N(s)
suit la loi de Poisson de moyenne
Z s+t
a(s + t) − a(s) = λ(x)dx.
s

Dans le cas stationnaire, la moyenne est tλ.

Dr
Preuve. En changeant l’échelle de temps on obtient un processus de Poisson stationnaire N0
de taux 1. L’intervalle (s, s + t] pour N correspond à (a(s), a(s + t)] pour N0 , et le nombre
d’arrivées dans cet intervalle est Poisson de moyenne a(s + t) − a(s).
 11
Inter-arrivées exponentielles
Proposition. Un processus de comptage {N(t), t ≥ 0}, avec N(0) = 0, est un processus de

aft
Poisson stationnaire de taux λ ssi les v.a. A1 , A2 , . . . sont i.i.d. de loi Expon(λ).

Dr
 11
Inter-arrivées exponentielles
Proposition. Un processus de comptage {N(t), t ≥ 0}, avec N(0) = 0, est un processus de

aft
Poisson stationnaire de taux λ ssi les v.a. A1 , A2 , . . . sont i.i.d. de loi Expon(λ).
Preuve. Plaçons nous à l’instant Tj−1 de la (j − 1)-ième arrivée. P(Aj > h) est la probabilité
qu’il n’y ait aucune arrivée dans l’intervalle de temps (Tj−1 , Tj−1 + h].

0 Tj−1 Tj−1 + h Tj

Dr
 11
Inter-arrivées exponentielles
Proposition. Un processus de comptage {N(t), t ≥ 0}, avec N(0) = 0, est un processus de

aft
Poisson stationnaire de taux λ ssi les v.a. A1 , A2 , . . . sont i.i.d. de loi Expon(λ).
Preuve. Plaçons nous à l’instant Tj−1 de la (j − 1)-ième arrivée. P(Aj > h) est la probabilité
qu’il n’y ait aucune arrivée dans l’intervalle de temps (Tj−1 , Tj−1 + h].

0 Tj−1 Tj−1 + h Tj
Si on a un processus stationnaire de taux λ, alors P(Aj > h) est la prob. qu’une v.a.
Poisson(λh) soit 0, i.e., P(Aj > h) = e −λh , i.e., Aj ∼ Expon(λ).

Dr
Les Aj sont aussi indépendants car les accroissements du processus sont indépendants.
 11
Inter-arrivées exponentielles
Proposition. Un processus de comptage {N(t), t ≥ 0}, avec N(0) = 0, est un processus de

aft
Poisson stationnaire de taux λ ssi les v.a. A1 , A2 , . . . sont i.i.d. de loi Expon(λ).
Preuve. Plaçons nous à l’instant Tj−1 de la (j − 1)-ième arrivée. P(Aj > h) est la probabilité
qu’il n’y ait aucune arrivée dans l’intervalle de temps (Tj−1 , Tj−1 + h].

0 Tj−1 Tj−1 + h Tj
Si on a un processus stationnaire de taux λ, alors P(Aj > h) est la prob. qu’une v.a.
Poisson(λh) soit 0, i.e., P(Aj > h) = e −λh , i.e., Aj ∼ Expon(λ).

Dr
Les Aj sont aussi indépendants car les accroissements du processus sont indépendants.
Inversement, si on suppose que les Aj sont i.i.d. Expon(λ), alors la probabilité d’aucune
arrivée dans l’intervalle de longueur h est P(Aj > h) = e −λh = 1 − λh + o(h),
et la probabilité de plus d’une arrivée est inférieure à
P[Aj ≤ h et Aj+1 ≤ h] = P[Aj ≤ h] · P[Aj+1 ≤ h] = (1 − e −λh )2 = (λh + o(h))2 = o(h).
De plus, pour les intervalles disjoints les nombres d’arrivées sont indépendants à cause de
l’absence de mémoire de la loi exponentielle. 
 12
Simulation d’un processus de Poisson
Taux d’arrivée constant λ. Dans le cas stationnaire, il suffit de générer les inter-arrivées

aft
Aj , qui sont exponentielles i.i.d. de taux λ (moyenne 1/λ). On a Tj = Tj−1 + Aj .

Dr
 12
Simulation d’un processus de Poisson
Taux d’arrivée constant λ. Dans le cas stationnaire, il suffit de générer les inter-arrivées

aft
Aj , qui sont exponentielles i.i.d. de taux λ (moyenne 1/λ). On a Tj = Tj−1 + Aj .

Taux d’arrivée constant par morceaux. Supposons que le taux d’arrivée est λ1 > 0
jusqu’au temps τ1 , puis λ2 > 0 par la suite. On peut alors générer les arrivées selon le taux
constant λ1 jusqu’à ce qu’on atteigne le temps τ1 . Rendu là, on efface la prochaine arrivée
prévue après τ1 et on recommence à générer des arrivées selon le taux λ2 . On peut oublier le
temps depuis la dernière arrivée avant τ1 , puisque la loi exponentielle est sans mémoire:
rendu au temps τ1 , le temps jusqu’à la prochaine arrivée est exponentiel de taux λ2 .

Dr
Ici, on efface T4 et on regénère (T4 − τ1 ) ∼ Expon(λ2 ).
 12
Simulation d’un processus de Poisson
Taux d’arrivée constant λ. Dans le cas stationnaire, il suffit de générer les inter-arrivées

aft
Aj , qui sont exponentielles i.i.d. de taux λ (moyenne 1/λ). On a Tj = Tj−1 + Aj .

Taux d’arrivée constant par morceaux. Supposons que le taux d’arrivée est λ1 > 0
jusqu’au temps τ1 , puis λ2 > 0 par la suite. On peut alors générer les arrivées selon le taux
constant λ1 jusqu’à ce qu’on atteigne le temps τ1 . Rendu là, on efface la prochaine arrivée
prévue après τ1 et on recommence à générer des arrivées selon le taux λ2 . On peut oublier le
temps depuis la dernière arrivée avant τ1 , puisque la loi exponentielle est sans mémoire:
rendu au temps τ1 , le temps jusqu’à la prochaine arrivée est exponentiel de taux λ2 .

λ2
λ1
0 T1 T2
Dr
Ici, on efface T4 et on regénère (T4 − τ1 ) ∼ Expon(λ2 ).

T3 τ1 T4 T4
 13
Simulation d’un processus de Poisson

aft
Recyclage du vieux T4 .
Rendu au temps τ1 , on a que E1 = T4 − τ1 ∼ Expon(λ1 ).
Donc E1 λ1 ∼ Expon(1), puis E2 := E1 λ1 /λ2 ∼ Expon(λ2 ).
Il suffit donc de remplacer le vieux T4 = τ1 + E1 par T4 = τ1 + E2 .
Pas besoin de générer une nouvelle exponentielle!

Dr
 13
Simulation d’un processus de Poisson

aft
Recyclage du vieux T4 .
Rendu au temps τ1 , on a que E1 = T4 − τ1 ∼ Expon(λ1 ).
Donc E1 λ1 ∼ Expon(1), puis E2 := E1 λ1 /λ2 ∼ Expon(λ2 ).
Il suffit donc de remplacer le vieux T4 = τ1 + E1 par T4 = τ1 + E2 .
Pas besoin de générer une nouvelle exponentielle!

En général, lorsque le taux d’arrivée est constant par morceaux et passe de λj−1 à λj , il suffit
de multiplier la durée résiduelle jusqu’à la prochaine arrivée par λj−1 /λj .

Dr
 13
Simulation d’un processus de Poisson

aft
Recyclage du vieux T4 .
Rendu au temps τ1 , on a que E1 = T4 − τ1 ∼ Expon(λ1 ).
Donc E1 λ1 ∼ Expon(1), puis E2 := E1 λ1 /λ2 ∼ Expon(λ2 ).
Il suffit donc de remplacer le vieux T4 = τ1 + E1 par T4 = τ1 + E2 .
Pas besoin de générer une nouvelle exponentielle!

En général, lorsque le taux d’arrivée est constant par morceaux et passe de λj−1 à λj , il suffit
de multiplier la durée résiduelle jusqu’à la prochaine arrivée par λj−1 /λj .

Dr
Lorsque le taux n’est constant par morceaux, les choses sont plus compliquées en général,
mais on peut en principe générer un processus de Poisson standard, puis appliquer la fonction
de taux cumulé inverse (page 8).
 14
Loi de probabilité de Tn dans le cas stationnaire
L’instant Tn de la n-ième arrivée est une somme de n v.a. i.i.d Expon(λ).

aft
Mais on sait qu’une telle somme suit une loi d’Erlang(n, λ), qui est aussi une loi
Gamma(n, λ), que nous avons vue précédemment.
D’autre part, on sait que N(t) ∼ Poisson(λt) et que N(t) ≥ n ssi Tn ≤ t.
On peut en déduire:
Proposition. Si X ∼ Poisson(λt) et Y ∼ Gamma(n, λ), alors P[X ≥ n] = P[Y ≤ t].

Dr
 14
Loi de probabilité de Tn dans le cas stationnaire
L’instant Tn de la n-ième arrivée est une somme de n v.a. i.i.d Expon(λ).

aft
Mais on sait qu’une telle somme suit une loi d’Erlang(n, λ), qui est aussi une loi
Gamma(n, λ), que nous avons vue précédemment.
D’autre part, on sait que N(t) ∼ Poisson(λt) et que N(t) ≥ n ssi Tn ≤ t.
On peut en déduire:
Proposition. Si X ∼ Poisson(λt) et Y ∼ Gamma(n, λ), alors P[X ≥ n] = P[Y ≤ t].

Exemple (Ross, page 303). Des immigrants arrivent à un territoire au taux λ par jour.

Dr
(a) Quelle est l’espérance du temps d’arrivée du 10-ième immigrant?
 14
Loi de probabilité de Tn dans le cas stationnaire
L’instant Tn de la n-ième arrivée est une somme de n v.a. i.i.d Expon(λ).

aft
Mais on sait qu’une telle somme suit une loi d’Erlang(n, λ), qui est aussi une loi
Gamma(n, λ), que nous avons vue précédemment.
D’autre part, on sait que N(t) ∼ Poisson(λt) et que N(t) ≥ n ssi Tn ≤ t.
On peut en déduire:
Proposition. Si X ∼ Poisson(λt) et Y ∼ Gamma(n, λ), alors P[X ≥ n] = P[Y ≤ t].

Exemple (Ross, page 303). Des immigrants arrivent à un territoire au taux λ par jour.

Dr
(a) Quelle est l’espérance du temps d’arrivée du 10-ième immigrant?
E[T10 ] = 10/λ.
 14
Loi de probabilité de Tn dans le cas stationnaire
L’instant Tn de la n-ième arrivée est une somme de n v.a. i.i.d Expon(λ).

aft
Mais on sait qu’une telle somme suit une loi d’Erlang(n, λ), qui est aussi une loi
Gamma(n, λ), que nous avons vue précédemment.
D’autre part, on sait que N(t) ∼ Poisson(λt) et que N(t) ≥ n ssi Tn ≤ t.
On peut en déduire:
Proposition. Si X ∼ Poisson(λt) et Y ∼ Gamma(n, λ), alors P[X ≥ n] = P[Y ≤ t].

Exemple (Ross, page 303). Des immigrants arrivent à un territoire au taux λ par jour.

E[T10 ] = 10/λ.
Dr
(a) Quelle est l’espérance du temps d’arrivée du 10-ième immigrant?

(b) Quelle est P(T11 − T10 > 2)?

 14
Loi de probabilité de Tn dans le cas stationnaire
L’instant Tn de la n-ième arrivée est une somme de n v.a. i.i.d Expon(λ).

aft
Mais on sait qu’une telle somme suit une loi d’Erlang(n, λ), qui est aussi une loi
Gamma(n, λ), que nous avons vue précédemment.
D’autre part, on sait que N(t) ∼ Poisson(λt) et que N(t) ≥ n ssi Tn ≤ t.
On peut en déduire:
Proposition. Si X ∼ Poisson(λt) et Y ∼ Gamma(n, λ), alors P[X ≥ n] = P[Y ≤ t].

Exemple (Ross, page 303). Des immigrants arrivent à un territoire au taux λ par jour.

E[T10 ] = 10/λ.
Dr
(a) Quelle est l’espérance du temps d’arrivée du 10-ième immigrant?

(b) Quelle est P(T11 − T10 > 2)?

C’est P(A11 > 2) = e −2λ .
 15
Générer directement le nombre d’arrivées
On sait que pour un processus de Poisson, le nombre d’arrivées durant un intervalle (s, s + t],

aft
soit N(s + t) − N(s), est Poisson(a(s + t) − a(s)). On peut donc générer ce nombre
directement.

Dr
 15
Générer directement le nombre d’arrivées
On sait que pour un processus de Poisson, le nombre d’arrivées durant un intervalle (s, s + t],

aft
soit N(s + t) − N(s), est Poisson(a(s + t) − a(s)). On peut donc générer ce nombre
directement.
Mais comment générer ensuite les instants de ces arrivées?

Dr
 15
Générer directement le nombre d’arrivées
On sait que pour un processus de Poisson, le nombre d’arrivées durant un intervalle (s, s + t],

aft
soit N(s + t) − N(s), est Poisson(a(s + t) − a(s)). On peut donc générer ce nombre
directement.
Mais comment générer ensuite les instants de ces arrivées?

Dans le cas stationnaire, c’est facile:

Proposition. Pour un processus de Poisson stationnaire, conditionnellement à
N(s + t) − N(s) = n, les temps de ces n arrivées ont la même loi que n v.a. i.i.d.

Dr
Uniforme(s, s + t). Il suffit donc de générer n v.a. indépendantes selon la loi uniforme sur
(s, s + t) et les trier en ordre croissant.
On génère U1 , . . . , Un ∼ Uniforme(0, 1) indépendantes, on pose Xi = s + tUi pour
i = 1, . . . , n, puis on trie les Xi en ordre croissant et ils deviennent les instants des arrivées.
 16
Superposition et décomposition

aft
Superposition de processus de Poisson: Si N1 (·), · · · Nk (·) sont des processus de Poisson
indépendants de taux λ1 (·), . . . , λk (·), alors N(·) = N1 (·) + · · · Nk (·) est un processus de
Poisson de taux λ(·) = λ1 (·) + · · · + λk (·).

Dr
 16
Superposition et décomposition

aft
Superposition de processus de Poisson: Si N1 (·), · · · Nk (·) sont des processus de Poisson
indépendants de taux λ1 (·), . . . , λk (·), alors N(·) = N1 (·) + · · · Nk (·) est un processus de
Poisson de taux λ(·) = λ1 (·) + · · · + λk (·).

Décomposition: inversement, si N(·) est un processus de Poisson de taux λ(·) et si chaque

arrivée est de type j avec probabilité pj , (indépendamment du temps et du passé), et Nj (t)
est le nombre d’arrivées de type j durant (0, t], alors Nj (·) est un processus de Poisson de
taux pj λ(·).

Dr
 16
Superposition et décomposition

aft
Superposition de processus de Poisson: Si N1 (·), · · · Nk (·) sont des processus de Poisson
indépendants de taux λ1 (·), . . . , λk (·), alors N(·) = N1 (·) + · · · Nk (·) est un processus de
Poisson de taux λ(·) = λ1 (·) + · · · + λk (·).

Décomposition: inversement, si N(·) est un processus de Poisson de taux λ(·) et si chaque

arrivée est de type j avec probabilité pj , (indépendamment du temps et du passé), et Nj (t)
est le nombre d’arrivées de type j durant (0, t], alors Nj (·) est un processus de Poisson de
taux pj λ(·).

Dr
Les preuves de ces propriétés sont assez simples. Voir Ross (2014), page 304.
 17

aft
Exemple. Des clients arrivent à un magasin de détail selon un processus de Poisson de taux
λ par heure. Chaque client qui arrive achète une paire de souliers avec probabilité p = 1/12.
Quelle est la probabilité que personne n’achète de souliers durant les 8 prochaines heures?

Dr
 17

aft
Exemple. Des clients arrivent à un magasin de détail selon un processus de Poisson de taux
λ par heure. Chaque client qui arrive achète une paire de souliers avec probabilité p = 1/12.
Quelle est la probabilité que personne n’achète de souliers durant les 8 prochaines heures?
Le taux d’arrivée des acheteurs de souliers est pλ. La probabilité qu’il n’y en ait aucun
durant les 8 prochaines heures est e −8pλ .

Dr
 17

aft
Exemple. Des clients arrivent à un magasin de détail selon un processus de Poisson de taux
λ par heure. Chaque client qui arrive achète une paire de souliers avec probabilité p = 1/12.
Quelle est la probabilité que personne n’achète de souliers durant les 8 prochaines heures?
Le taux d’arrivée des acheteurs de souliers est pλ. La probabilité qu’il n’y en ait aucun
durant les 8 prochaines heures est e −8pλ .

Quelle est la probabilité d’en vendre au moins trois paires?

Dr
 17

aft
Exemple. Des clients arrivent à un magasin de détail selon un processus de Poisson de taux
λ par heure. Chaque client qui arrive achète une paire de souliers avec probabilité p = 1/12.
Quelle est la probabilité que personne n’achète de souliers durant les 8 prochaines heures?
Le taux d’arrivée des acheteurs de souliers est pλ. La probabilité qu’il n’y en ait aucun
durant les 8 prochaines heures est e −8pλ .

Quelle est la probabilité d’en vendre au moins trois paires?

Dr
Le nombre X de paires vendues est une v.a. de Poisson(8pλ).
La probabilité de vendre au moins 3 paires est
P(X ≥ 3) = 1 − P(X ≤ 2) = 1 − e −8pλ − (8pλ)e −8pλ − (8pλ)2 e −8pλ /2.
 18
Exemple: acceptation d’une offre.
On a un item à vendre et on reçoit des offres X selon un processus de Poisson de taux λ.

aft
Les offres suivent une loi de probabilité de densité f , fonction de répartition F , et fonction de
survie F̄ définie par F̄ (x) = P(X > x).
Chaque offre est refusée ou acceptée. Première offre acceptée: on vend.
Tant qu’on ne vend pas, on paye un coût de c par unité de temps.

Dr
 18
Exemple: acceptation d’une offre.
On a un item à vendre et on reçoit des offres X selon un processus de Poisson de taux λ.

aft
Les offres suivent une loi de probabilité de densité f , fonction de répartition F , et fonction de
survie F̄ définie par F̄ (x) = P(X > x).
Chaque offre est refusée ou acceptée. Première offre acceptée: on vend.
Tant qu’on ne vend pas, on paye un coût de c par unité de temps.
Politique de décision: On accepte la première offre X > y . Comment optimiser y ?

Dr
 18
Exemple: acceptation d’une offre.
On a un item à vendre et on reçoit des offres X selon un processus de Poisson de taux λ.

aft
Les offres suivent une loi de probabilité de densité f , fonction de répartition F , et fonction de
survie F̄ définie par F̄ (x) = P(X > x).
Chaque offre est refusée ou acceptée. Première offre acceptée: on vend.
Tant qu’on ne vend pas, on paye un coût de c par unité de temps.
Politique de décision: On accepte la première offre X > y . Comment optimiser y ?
Pour un y donné, le revenu R(y ) (aléatoire) est le montant Xa de l’offre acceptée, moins c
fois le temps T1 où cette offre est acceptée. On veut maximiser E[R(y )] = E[Xa − cT1 ].

Dr
 18
Exemple: acceptation d’une offre.
On a un item à vendre et on reçoit des offres X selon un processus de Poisson de taux λ.

aft
Les offres suivent une loi de probabilité de densité f , fonction de répartition F , et fonction de
survie F̄ définie par F̄ (x) = P(X > x).
Chaque offre est refusée ou acceptée. Première offre acceptée: on vend.
Tant qu’on ne vend pas, on paye un coût de c par unité de temps.
Politique de décision: On accepte la première offre X > y . Comment optimiser y ?
Pour un y donné, le revenu R(y ) (aléatoire) est le montant Xa de l’offre acceptée, moins c
fois le temps T1 où cette offre est acceptée. On veut maximiser E[R(y )] = E[Xa − cT1 ]. On a

Dr
E[Xa ] = E[X | X > y ] =
E[X · I[X > y ]]
P[X > y ]
=
1
Z ∞

F̄ (y ) y
xf (x)dx.
 18
Exemple: acceptation d’une offre.
On a un item à vendre et on reçoit des offres X selon un processus de Poisson de taux λ.

aft
Les offres suivent une loi de probabilité de densité f , fonction de répartition F , et fonction de
survie F̄ définie par F̄ (x) = P(X > x).
Chaque offre est refusée ou acceptée. Première offre acceptée: on vend.
Tant qu’on ne vend pas, on paye un coût de c par unité de temps.
Politique de décision: On accepte la première offre X > y . Comment optimiser y ?
Pour un y donné, le revenu R(y ) (aléatoire) est le montant Xa de l’offre acceptée, moins c
fois le temps T1 où cette offre est acceptée. On veut maximiser E[R(y )] = E[Xa − cT1 ]. On a

Dr
E[Xa ] = E[X | X > y ] =
E[X · I[X > y ]]
P[X > y ]
=
1
Z ∞

F̄ (y ) y
xf (x)dx.

Une offre quelconque est acceptable avec probabilité p = P[X > y ] = F̄ (y ).

Donc les offres acceptables arrivent selon un processus de Poisson de taux pλ, et le temps
requis jusqu’à la première offre acceptable est T1 ∼ Expon(pλ), donc E[T1 ] = 1/(λF̄ (y )).
 19

Ainsi, Z ∞ 
1 c
r (y ) = E[R(y )] = E[Xa ] − cE[T1 ] = xf (x)dx − .
F̄ (y ) λ

aft
y

On a R∞ R 
d ∞
F̄ (y ) dy y xf (x)dx − y xf (x)dx − c/λ (−f (y ))
r 0 (y ) = =0
F̄ (y )2
ssi Z ∞ 
F̄ (y )yf (y ) = xf (x)dx − c/λ f (y )
y

ssi

ssi Dr F̄ (y )y =

y
∞
Z

y
∞
xf (x)dx − c/λ

(x − y )f (x)dx = c/λ.
 R∞ 20
On cherche y = y ∗ solution (ou racine) de y (x − y )f (x)dx = c/λ .
R∞
Le terme de gauche est décroissant en y et va de 0 xf (x)dx = E[X ] pour y = 0 à −∞
pour y → ∞. Donc si E[X ] > c/λ, on peut trouver une racine y ∗ de l’équation et c’est le

aft
seuil optimal. Sinon, il vaut mieux se débarrasser de l’item immédiatement en le donnant,
sans même attendre la première offre.

Dr
 R∞ 20
On cherche y = y ∗ solution (ou racine) de (x − y )f (x)dx = c/λ .
y
R∞
Le terme de gauche est décroissant en y et va de 0 xf (x)dx = E[X ] pour y = 0 à −∞
pour y → ∞. Donc si E[X ] > c/λ, on peut trouver une racine y ∗ de l’équation et c’est le

aft
seuil optimal. Sinon, il vaut mieux se débarrasser de l’item immédiatement en le donnant,
sans même attendre la première offre.
Si E[X ] > c/λ, le revenu espéré optimal est égal à la valeur du seuil:
Z ∞ 
∗ ∗ 1
r (y ) = E[R(y )] = xf (x)dx − c/λ
F̄ (y ∗ ) y∗
Z ∞ Z ∞ 
1 ∗ ∗
= (x − y )f (x)dx − c/λ + y f (x)dx

Dr
=
F̄ (y ∗ )
1
F̄ (y ∗ )
y∗
y∗
Z ∞

y ∗
f (x)dx = y ∗ .
y∗

Intuition: Si on rejette une offre, c’est comme si on recommençait à 0 et le revenu espéré est
r (y ∗ ). Il est rentable d’accepter l’offre ssi elle dépasse r (y ∗). Donc y ∗ = r (y ∗ ).
Autrement dit, y ∗ est la racine de y = r (y ).
 21
Réclamations d’assurance
Une compagnie d’assurances reçoit des réclamations selon un processus de Poisson

aft
stationnaire N = {N(t), t ≥ 0} de taux λ. Soit Ti l’instant de la i-ième réclamation et soit
Ci son montant, pour i = 1, 2, . . . . Supposons que les Ci sont des v.a. indépendantes de cdf
G , i.e., G (x) = P[Ci ≤ x], et de moyenne µ.
Les coûts futurs sont asujettis à un taux d’actualisation ρ > 0, ce qui veut dire que la valeur
actuelle d’un coût C payé dans s unités de temps est e −ρs C .
Le coût total actualisé des réclamations jusqu’au temps t sera alors
N(t)

E[D(t)] =
∞
X

n=0
Dr D(t) =
X

i=1
e −ρTi Ci .

On veut une formule pour E[D(t)]. On sait que N(t) ∼ Poisson(λt). On décompose

E[D(t) | N(t) = n] P[N(t) = n] =

∞
X

n=0
E[D(t) | N(t) = n] e λt
(λt)n
n!
.
 22

Conditionnellement à N(t) = n, les n instants des réclamations ont la même loi que n v.a.

aft
aléatoires i.i.d. Uniforme(0, t), triées en ordre croissant. Notons tU1 , . . . , tUn ces v.a.
uniformes non triées, où les Ui sont i.i.d. Uniforme(0, 1). On a alors
n
X n
X n
X
−ρTi −ρTi
E[D(t) | N(t) = n] = E[e Ci ] = E[e ] E[Ci ] = µ E[e −ρtUi ]
i=1 i=1 i=1
1
(1 − e −ρt )
Z
= nµ E[e −ρtU ] = nµ e −ρtu du = nµ ,
0 ρt

Dr
puis, puisque E[N(t)] = λt,

E[D(t)] = E[E[D(t) | N(t)]] = E N(t)µ

(1 − e −ρt )
ρt
 
=
λµ
ρ
1 − e −ρt .


 23
Un problème d’optimisation
Des commandes nous arrivent selon un processus de Poisson de taux λ durant l’intervalle de
temps [0, T ]. Au temps T , on va livrer (ou mettre à la poste) toutes les commandes reçues.

aft
On veut maintenant choisir (à l’avance) un temps intermédiaire t < T auquel on va faire une
livraison additionnelle, pour les commandes reçues durant [0, t].
Quelle est la valeur de t qui minimise le délai espéré de livraison total pour tous les items?

Dr
 23
Un problème d’optimisation
Des commandes nous arrivent selon un processus de Poisson de taux λ durant l’intervalle de
temps [0, T ]. Au temps T , on va livrer (ou mettre à la poste) toutes les commandes reçues.

aft
On veut maintenant choisir (à l’avance) un temps intermédiaire t < T auquel on va faire une
livraison additionnelle, pour les commandes reçues durant [0, t].
Quelle est la valeur de t qui minimise le délai espéré de livraison total pour tous les items?
Intuitivement, ce devrait être t = T /2, mais comment peut-on le prouver?

Dr
 23
Un problème d’optimisation
Des commandes nous arrivent selon un processus de Poisson de taux λ durant l’intervalle de
temps [0, T ]. Au temps T , on va livrer (ou mettre à la poste) toutes les commandes reçues.

aft
On veut maintenant choisir (à l’avance) un temps intermédiaire t < T auquel on va faire une
livraison additionnelle, pour les commandes reçues durant [0, t].
Quelle est la valeur de t qui minimise le délai espéré de livraison total pour tous les items?
Intuitivement, ce devrait être t = T /2, mais comment peut-on le prouver?
Le nombre de commandes durant [0, t] est Poisson(λt) et le temps espéré d’attente pour
chacune est t/2, donc le temps espéré d’attente totale pour cette période est λt 2 /2. De
même le temps espéré d’attente totale pour la période (t, T ] est λ(T − t)2 /2. Donc la
fonction à minimiser est

Dr λt 2 /2 + λ(T − t)2 /2.

On dérive par rapport à t et on trouve pour quel t la dérivée est 0. Cela donne:
0 = λ(t + (T − t)(−1)) = λ(2t − T ), donc t = T /2.
 23
Un problème d’optimisation
Des commandes nous arrivent selon un processus de Poisson de taux λ durant l’intervalle de
temps [0, T ]. Au temps T , on va livrer (ou mettre à la poste) toutes les commandes reçues.

aft
On veut maintenant choisir (à l’avance) un temps intermédiaire t < T auquel on va faire une
livraison additionnelle, pour les commandes reçues durant [0, t].
Quelle est la valeur de t qui minimise le délai espéré de livraison total pour tous les items?
Intuitivement, ce devrait être t = T /2, mais comment peut-on le prouver?
Le nombre de commandes durant [0, t] est Poisson(λt) et le temps espéré d’attente pour
chacune est t/2, donc le temps espéré d’attente totale pour cette période est λt 2 /2. De
même le temps espéré d’attente totale pour la période (t, T ] est λ(T − t)2 /2. Donc la
fonction à minimiser est

Dr λt 2 /2 + λ(T − t)2 /2.

On dérive par rapport à t et on trouve pour quel t la dérivée est 0. Cela donne:
0 = λ(t + (T − t)(−1)) = λ(2t − T ), donc t = T /2.
Plusieurs autres applications: Clients qui arrivent pour une télécabine, un autobus, etc.
Versions plus intéressantes: Taux d’arrivée qui dépend du temps, taux aléatoire, etc.
 24
Estimer le nombre espéré de clients perdus
Des clients arrivent à un système de service selon un processus de Poisson de taux λ(t) au
temps t. Les durées de service suivent une loi quelconque, possiblement complexe, mais on

aft
suppose qu’on sait simuler le système. Il y a une limite sur le nombre de clients dans le
système. Chaque client qui arrive quand le système est plein est perdu.
On veut estimer E[L(T )], où L(t) est le nombre de clients perdus durant [0, t].

Dr
 24
Estimer le nombre espéré de clients perdus
Des clients arrivent à un système de service selon un processus de Poisson de taux λ(t) au
temps t. Les durées de service suivent une loi quelconque, possiblement complexe, mais on

aft
suppose qu’on sait simuler le système. Il y a une limite sur le nombre de clients dans le
système. Chaque client qui arrive quand le système est plein est perdu.
On veut estimer E[L(T )], où L(t) est le nombre de clients perdus durant [0, t].
Méthode Monte Carlo standard: On simule le système et on calcule L(T ). On répète cela n
fois pour obtenir n réalisations indépendantes de L(T ), disons L1 , . . . , Ln , puis on calcule un
intervalle de confiance pour E[L(T )] à partir de ces valeurs.

Dr
 24
Estimer le nombre espéré de clients perdus
Des clients arrivent à un système de service selon un processus de Poisson de taux λ(t) au
temps t. Les durées de service suivent une loi quelconque, possiblement complexe, mais on

aft
suppose qu’on sait simuler le système. Il y a une limite sur le nombre de clients dans le
système. Chaque client qui arrive quand le système est plein est perdu.
On veut estimer E[L(T )], où L(t) est le nombre de clients perdus durant [0, t].
Méthode Monte Carlo standard: On simule le système et on calcule L(T ). On répète cela n
fois pour obtenir n réalisations indépendantes de L(T ), disons L1 , . . . , Ln , puis on calcule un
intervalle de confiance pour E[L(T )] à partir de ces valeurs.
Mieux: Monte Carlo conditionnel: Effacer de la simulation les clients perdus (cacher L(T )),

Dr
et remplacer l’estimateur L(T ) par E[L(T ) | G], où G représente le reste de l’information.
Le taux d’arrivée des clients perdus (invisibles) est alors λ(t)P(t) où P(t) = I[le système est
plein au temps t]. L’estimateur CMC (sans biais) devient:

E[L(T ) | G] =
Z

0
T
λ(t)P(t)dt.
 25
Taux d’arrivée aléatoire

aft
Si {λ(t), t ≥ 0} est lui même un processus stochastique, {N(t), t ≥ 0} devient un processus
de Poisson doublement stochastique, ou processus de Cox.

Dans ce cas, {N(t), t ≥ 0} lui-même n’est un processus de Poisson que conditionnellement à

{λ(t), t ≥ 0}.

Dr
Exemples: centre d’appel, comptoir de glaces, etc.
 26
Processus de Poisson dans Rd

aft
Soit A ⊂ Rd tel que vol(A) < ∞.
On a des points qui apparaissent au hasard dans A.
Cela constitue un processus de Poisson stationnaire (de taux constant) dans A si pour
chaque sous-ensemble mesurable D ⊂ A de volume h, le nombre de points dans D est une
v.a. de Poisson de taux λh, et pour des sous-ensembles disjoints les nombres de points dans
les différents sous-ensembles sont indépendants.

Dr
 26
Processus de Poisson dans Rd

aft
Soit A ⊂ Rd tel que vol(A) < ∞.
On a des points qui apparaissent au hasard dans A.
Cela constitue un processus de Poisson stationnaire (de taux constant) dans A si pour
chaque sous-ensemble mesurable D ⊂ A de volume h, le nombre de points dans D est une
v.a. de Poisson de taux λh, et pour des sous-ensembles disjoints les nombres de points dans
les différents sous-ensembles sont indépendants.

Exemples d’application:

Dr
Positions des orignaux, ou lynx, ou renards, ou lièvres, etc., sur un territoire.
Positions des nids de poules sur la chaussée?
Etc.
 27
Processus de Poisson composé

aft
À chaque instant d’arrivée Ti , N(·) augmente (saute) de Di , où les Di sont i.i.d. et
indépendants des Ti (arrivées en groupes).

Dr
 27
Processus de Poisson composé

aft
À chaque instant d’arrivée Ti , N(·) augmente (saute) de Di , où les Di sont i.i.d. et
indépendants des Ti (arrivées en groupes).

Exemple. Voir Ross (2014), page 328, examples 5.26 et 5.28.

Dr