Processus de Poisson (et Markov continu)

[email protected]
Yassine Hachaïchi

06/12/2023 1
 Loi de Poisson
La loi de Poisson est utilisée pour décrire un ensemble de
phénomènes accidentels où la probabilité est très faible: Panne des
machines, accidents d’avions, des fautes dans un texte de livre….
Elle est connue par « Loi des petites probabilités » ou aussi « loi
des phénomènes rares »

06/12/2023 2
 Loi de Poisson
Principe : Si une variable aléatoire X représente le nombre de
succès dans un intervalle de temps considéré, alors X obéit à une
distribution de Poisson.
𝑋~𝑃𝑜(𝜆)
Ce qui se lit « X suit une loi de Poisson de paramètre λ »

λ = Le nombre moyen de succès dans l’intervalle de temps considéré

06/12/2023 3
 Loi de Poisson

Définition mathématique : Une v.a. X qui prend toutes les valeurs

entières k telles que k = 0,1,2,… avec les probabilités :
𝑒 −𝜆 𝜆𝑘
𝑃(𝑋 = 𝑘) =
𝑘!
s’appelle une variable aléatoire de poisson de paramètre λ.

06/12/2023 4
 Loi de Poisson
❖Mesures caractéristiques : Si X est une v.a. de Poisson, alors :
➢L’espérance mathématique de X est : 𝐸 𝑋 = 𝜆
➢La variance de X est : 𝑉 𝑋 = 𝜆

𝑋 = Le nombre de succès obtenus pendant une durée de temps donnée.

𝑡 = Période de temps considérée
𝛼 = Intensité du processus considéré (constante de proportionnalité) ;
correspond au nombre moyen de succès pour une période de temps
unitaire.
λ = 𝛼 × 𝑡 nombre moyen de succès dans l’intervalle de temps
considéré
06/12/2023 5
Sa fonction (série)
génératrice :
𝑮𝑿 𝒔
∞ 𝒌
𝝀 −𝝀 𝒌
=෍ 𝒆 𝒔
𝒌!
𝒌=𝟎
𝝀 𝒔−𝟏
=𝒆

06/12/2023 6
 Loi exponentielle
La loi exponentielle est une loi de probabilité continue définie sur des
valeurs réelles positives.
Cette loi correspond au temps mesuré entre des événements issus d'un
processus de Poisson, i.e. un processus continu de comptage dans lequel
les événements arrivent de façon continue et indépendamment les uns des
autres avec une intensité constante.
La fonction de densité de la loi exponentielle dépend d'un paramètre réel
𝜆 strictement positif, appelé intensité. Si X suit une loi exponentielle
d'intensité 𝜆 > 0 sur 𝑋 Ω = ℝ+ , on note :
𝑋~𝐸𝑥𝑝 𝜆 𝑜𝑢 ℇ(𝜆)

06/12/2023 7
 Fonction de densité et fonction de
répartition
La variable aléatoire réelle X suit une loi exponentielle de paramètre
𝜆 > 0 sur 𝑋 Ω = ℝ+ si sa fonction de densité est définie par :
𝑓𝑋 𝑥 = 𝜆 × e−𝜆𝑥 ; ∀𝑥 ∈ 𝑋 Ω = ℝ+

Sa fonction de répartition 𝐹𝑋 (𝑥) = Pr(𝑋 ≤ 𝑥) est définie par

𝐹𝑋 𝑥 = 1 − e−𝜆𝑥 ; ∀𝑥 ∈ ℝ+

06/12/2023 8
06/12/2023 9
 Espérance et variance de la loi
exponentielle
Si la variable aléatoire réelle X suit une loi
exponentielle de paramètre 𝜆 > 0 sur 𝑋 Ω = ℝ+ alors
1 1
𝐸 𝑋 = ;𝑉 𝑋 = 2
𝜆 𝜆

06/12/2023 10
Un processus de Poisson est un processus stochastique à temps
continu (dans ℝ+ ) à valeurs entières.
On dit que c’est un processus de comptage, et on note 𝑁𝑡 𝑡≥0 ou
𝑁(𝑡) 𝑡≥0 .
Généralement, 𝑁 𝑡 représente le nombre de fois qu’un certain
événement aléatoire se produit dans l’intervalle de temps 0, 𝑡 .
Par exemple, l’émissions de particules radioactives, les appels
téléphoniques, … on appelles les instants d’occurrences, les
instants-tau, et les événements les tops (terminologie empruntée à
la radioactivité)

06/12/2023 11
 Processus de Poisson homogène
Définition. Un processus de comptage 𝑵 𝒕 𝒕≥𝟎 est un
processus qui permet de dénombrer les occurrences d’un
événement aléatoire donné en fonction du temps : temps
d’arrivée des clients à un service, temps d’arrivée de requêtes à
un ordinateur, etc. 𝑵𝒕 est la v.a. égale au nombre
d’occurrences appartenant à l’intervalle de temps
𝟎, 𝒕 .

06/12/2023 12
 Propriétés
Soit un processus de comptage 𝑵 𝒕 𝒕≥𝟎
• ∀𝒔 > 𝒕 ≥ 𝟎, 𝑵 𝒔 ≥ 𝑵 𝒕 Croissant
• ∀𝒕 ≥ 𝟎, 𝑵 𝒕 ≥ 𝟎 Positif
• (𝑵 𝒕 − 𝑵 𝒔 ) désigne donc le nombre d’occurrences
appartenant à l’intervalle de temps ]𝒔, 𝒕].

06/12/2023 13
Un processus de Poisson homogène d’intensité 𝝀 est un processus
de comptage 𝑁𝑡 𝑡≥0 qui vérifie les propriétés suivantes :
(1) 𝑁𝑡 𝑡≥0 est à accroissements indépendants ; les occurrences sur
des intervalles de temps disjoints sont donc indépendantes :
∀ 𝑡𝑖 𝑖=1,..,𝑛 𝐯é𝐫𝐢𝐟𝐢𝐚𝐧𝐭 0 < 𝑡1 < 𝑡2 < … < 𝑡𝑛 ,
(𝑁𝑡1 — 𝑁0 ), (𝑁𝑡2 — 𝑁𝑡1 ), … , (𝑁𝑡𝑛 — 𝑁𝑡𝑛—1 ) sont des v.a.
indépendantes.
(2) ∀𝑠, 𝑡 > 0, la v.a. (𝑁𝑡+𝑠 − 𝑁𝑠 ) est de loi de Poisson de paramètre 𝜆𝑡
𝑒 −𝜆𝑡 𝜆𝑡 𝑘
∀𝑘 ∈ 𝑁 ; 𝑃 𝑁𝑡+𝑠 − 𝑁𝑠 = 𝑘 = .
𝑘!
RQ. Les processus de Poisson sont stationnaires : 𝑁𝑡+𝑠 − 𝑁𝑠 et
𝑁𝑡+𝑠′ − 𝑁𝑠′ ont la même loi, et c’est la loi de 𝑁𝑡 . Les occurrences sur
un intervalle dépend uniquement de la largeur de cet intervalle !
06/12/2023 14
Théorème : L'intensité d'un processus de Poisson, définie
comme étant le nombre moyen d'occurrences par unité de
temps, est égale à 𝝀.

06/12/2023 15
 Exemple
Le processus de comptage des voitures contrôlées a un guichet
d'autoroute, durant un intervalle de temps donné où l'intensité 𝝀 est
constante, est un processus de Poisson. Supposons que le nombre
de voitures franchissant un péage donne est décrit par un processus
de Poisson de paramètre 𝝀 = 𝟐𝟒𝟎 (voitures par heure). Le nombre
aléatoire de véhicules franchissant le péage en une minute est décrit
1
par la v.a. de Poisson 𝑁 𝑠 + − 𝑁(𝑠) de loi :
60
1 𝑒 −4 4 𝑘
∀𝑘 ∈ 𝑁, 𝑃 𝑁 𝑠 + −𝑁 𝑠 =𝑘 = .
60 𝑘!

06/12/2023 16
06/12/2023 17
 Exercice
Soient 𝑁𝑡 𝑡≥0 un processus de Poisson homogène d'intensité 𝝀 et
𝒊 ≤ 𝒋 ≤ 𝒌 ∈ ℕ et 𝒔 < 𝒕 < 𝒖 ∈ ℝ+ .
Déterminer
𝑷 𝑵𝒖 = 𝒌 𝑵𝒔 = 𝒊 , (𝑵𝒕 = 𝒋))
𝑷( 𝑵𝒖 = 𝒌 , 𝑵𝒔 = 𝒊 , (𝑵𝒕 = 𝒋))
𝑷 𝑵𝒖 = 𝒌 𝑵𝒔 = 𝒊 , (𝑵𝒕 = 𝒋)) =
𝑷( 𝑵𝒔 = 𝒊 , (𝑵𝒕 = 𝒋))
𝑷( 𝑵𝒖−𝒕 = 𝒌 − 𝒋 , 𝑵𝒔 = 𝒊 , (𝑵𝒕−𝒔 = 𝒋 − 𝒊))
=
𝑷( 𝑵𝒔 = 𝒊 , (𝑵𝒕−𝒔 = 𝒋 − 𝒊))

= 𝑷(𝑵𝒖−𝒕 = 𝒌 − 𝒋)
06/12/2023 18
 Seconde Caractérisation

Définition Un processus de comptage vérifie l’hypothèse

d’événements rares si pour tout accroissement infinitésimal Δ𝑡 :
(1) 𝑃 𝑁Δ𝑡 = 1 = 𝜆 Δ𝑡 + 𝑜(Δ𝑡) ;
(2) 𝑃(𝑁 Δ𝑡 ≥ 2) = 𝑜(Δ𝑡).
Par conséquent, 𝑃 𝑁Δ𝑡 = 0 = 1 − 𝜆 Δ𝑡 + 𝑜(Δ𝑡)
Théorème Un processus de comptage à accroissements
stationnaires, indépendants et vérifiant l’hypothèse
d’événements rares est un processus de Poisson homogène.

06/12/2023 19
 Troisième Caractérisation

Théorème La v.a. continue 𝑇𝑛 associée au temps de réalisation de la

n-ième occurrence vérifie la relation :
{𝑇𝑛 ≤ 𝑡} = {𝑁𝑡 ≥ 𝑛}.
Définition Les v.a. 𝑈𝑖 = 𝑇𝑖 − 𝑇𝑖−1 , ∀ 𝑖 ≥ 2 et 𝑈1 = 𝑇1 sont les
intervalles de temps entre deux occurrences consécutives appelés
aussi temps d’inter-arrivées.
Théorème Le processus de comptage 𝑁𝑡 𝑡≥0 est un processus de
Poisson d’intensité λ si et seulement si les temps d’inter-arrivées
𝑈𝑖 𝑖 sont indépendants et de même loi exponentielle 𝐸𝑥𝑝 𝜆 .
06/12/2023 20
Théorème Le processus de Poisson 𝑁𝑡 𝑡≥0 d’intensité λ et dont la
suite 𝑇𝑛 𝑛∈𝑁 des temps d’occurrences possède les propriétés
suivantes.
(1) Absence de mémoire :
∀𝑠, 𝑡 ≥ 0 ; 𝑃 𝑇𝑛 ≤ 𝑠 + 𝑡 𝑇𝑛 > 𝑠 = 𝑃(𝑇𝑛 ≤ 𝑡).
(2) ∀𝑠, 𝑡 𝑠 < 𝑡 ∀𝑘 ≤ 𝑛 ∶
𝑠 𝑘 𝑠 𝑛−𝑘
𝑃 𝑁𝑠 = 𝑘 𝑁𝑡 = 𝑛 = 𝐶𝑛𝑘 1−
𝑡 𝑡
𝑖
(3) Soient n processus de Poisson 𝑁𝑡 indépendants d’intensités
𝑡
𝑛 𝑖
𝜆𝑖 𝑖 , alors Σ𝑖=1 𝑁𝑡 est un processus de Poisson d’intensité
𝑡
𝑛
Σ𝑖=1 𝜆𝑖
06/12/2023 21
Définition Un processus de Poisson non homogène d’intensité
𝜆(𝑡) fonction du temps est un processus de comptage non
stationnaire et à accroissements indépendants vérifiant les deux
axiomes :
(1) ∀𝑡; 𝑃 𝑁 𝑡 + Δ𝑡 − 𝑁 𝑡 = 1 = 𝜆(𝑡) + 𝑜(Δ𝑡) où 𝜆(𝑡) est
une fonction positive ;
(2) ∀𝑡; 𝑃(𝑁 𝑡 + Δ𝑡 − 𝑁 𝑡 ≥ 2) = 𝑜(Δ𝑡).

06/12/2023 22
Théorème Le processus de Poisson non homogène
𝑁𝑡 𝑡≥0 d’intensité 𝝀(𝒕) strictement positive (La primitive Λ de λ
𝑥
définie par Λ 𝑥 = ‫׬‬0 𝜆 𝑢 𝑑𝑢 est donc croissante), alors :
𝑘
𝑒 − Λ 𝑠+𝑡 −Λ 𝑠 Λ 𝑠+𝑡 −Λ 𝑠
(1) 𝑃 𝑁 𝑠 + 𝑡 − 𝑁 𝑠 = 𝑘 =
𝑘!
(2) 𝑁Λ−1 𝑡 est un processus de Poisson homogène d’intensité 1.
𝑡

06/12/2023 23
 Chaînes de Markov à temps continu
Le processus aléatoire 𝑿𝒕 𝒕≥𝟎 d’espace d’états 𝑬 = 𝒆𝒊 𝒊∈𝑰 , fini ou
dénombrable, est une chaîne de Markov à temps continu, si sont
vérifiées les deux propriétés :
(1) propriété de Markov :
∀ 𝑒1 , 𝑒2 , . . . , 𝑒𝑛 , 𝑒𝑛+1 ∈ 𝐸 𝑛+1 , ∀0 ≤ 𝑡1 < 𝑡2 < · · · < 𝑡𝑛 < 𝑡𝑛+1 ,
𝑷 𝑿𝒕𝒏+𝟏 = 𝒆𝒏+𝟏 𝑿𝒕𝒏 = 𝒆𝒏 , . . . , 𝑿𝒕𝟏 = 𝒆𝟏 ) = 𝑷 𝑿𝒕𝒏+𝟏 = 𝒆𝒏+𝟏 𝑿𝒕𝒏 = 𝒆𝒏 )
(2) homogénéité : ∀ 𝑡1 , 𝑡2 , 𝑡 ∈ ℝ+ , ∀ 𝑒𝑖 , 𝑒𝑗 ∈ 𝐸 ∶
𝑃 𝑋𝑡1 +𝑡 = 𝑒𝑗 𝑋𝑡1 = 𝑒𝑖 ) = 𝑃 𝑋𝑡2 +𝑡 = 𝑒𝑗 𝑋𝑡2 = 𝑒𝑖 ) = 𝑝𝑖,𝑗 (𝑡).

06/12/2023 24
06/12/2023 25
Théorème. La matrice de transition 𝑃(𝑡) = 𝑝𝑖,𝑗 𝑡
𝑖,𝑗∈𝐼
vérifie les deux propriétés :
(1) ∀𝑡, ∀𝑖, 𝑗 ∈ 𝐼, 𝑝𝑖,𝑗 𝑡 ≥ 0;
(2) ∀𝑡, ∀𝑖 ∈ 𝐼, Σ𝑗 𝑝𝑖,𝑗 𝑡 = 1.
Théorème. (Equations de Chapman-Kolmogorov)
∀𝑠, 𝑡 𝑒𝑡 ∀𝑖, 𝑗 ∈ 𝐼, 𝑝𝑖,𝑗 𝑠 + 𝑡 = ෍ 𝑝𝑖,𝑘 𝑠 𝑝𝑘,𝑗 𝑡
𝑘∈𝐼
Soit, sous f orme matricielle : 𝑃(𝑠 + 𝑡) = 𝑃(𝑠)𝑃(𝑡).

06/12/2023 26
 Hypothèses de continuité et de dérivabilité des 𝑝𝑖,𝑗 (𝑡)
On supposera vérifiées les hypothèses suivantes de continuité et de dérivabilité
des 𝑝𝑖,𝑗 (𝑡) :
H1 : ∀𝑖 𝑒𝑡 𝑗, 𝑖 ≠ 𝑗, lim+ 𝑝𝑖,𝑗 𝑡 = 0 𝑒𝑡 lim+ 𝑝𝑖,𝒊 𝑡 = 1.
𝑡→0 𝑡→0
𝑝𝑖,𝑗 𝑡 −𝑝𝑖,𝑗 𝟎
H2 : ∀𝑖 𝑒𝑡 𝑗, 𝑖 ≠ 𝑗, lim+ existe et est égale à 𝑝′𝑖,𝑗 𝟎 = 𝐚𝑖,𝑗
𝑡→0 𝒕
dénommé taux de transition instantané de 𝑒𝑖 à 𝐞𝑗 ; 𝐚𝑖,𝑗 est strictement positif si
la transition de 𝑒𝑖 à 𝐞𝑗 est possible, car la probabilité de transition de 𝑒𝑖 à 𝐞𝑗 croît
en fonction du temps.
𝑝𝑖,𝒊 𝑡 −𝑝𝑖,𝒊 𝟎
H3 : ∀𝑖, lim+ existe et est égale à 𝒑′𝒊,𝒊 𝟎 = 𝒂𝒊,𝒊 dénommé taux de
𝑡→0 𝒕
permanence 𝐚𝑖,𝒊 en l’état 𝐞𝑖, est négatif, puisque la probabilité de séjourner dans
un état quelconque décroît avec le temps.
06/12/2023 27
Définition. Sous les hypothèses précédentes, la matrice
𝐴 = 𝑎𝑖,𝑗 définie par
𝑖,𝑗
𝑷 𝒕 − 𝑰𝑬𝒕𝒂𝒕𝒔 𝒅
𝐥𝐢𝐦+ = 𝑷 𝒕 𝒕=𝟎+
𝒕→𝟎 𝒕 𝒅𝒕
existe ; elle est nommée générateur infinitésimal de la c.m.c.
𝑋𝑡 𝑡≥0 .
𝑎11 ⋯ 𝑎1𝑛
⋮ 𝑎𝑖,𝑗 ⋮
𝑎𝑛1 ⋯ 𝑎𝑛𝑛

06/12/2023 28
Théorème. Pour tout état i : 𝒂𝒊,𝒊 = −𝚺𝒋≠𝒊 𝒂𝒊,𝒋 .
𝑛
Preuve. ∀𝑖, Σ𝑗=1 𝑝𝑖,𝑗 (𝑡) = 1 ; par dérivation par rapport à t,
𝑛
∀𝑖, Σ𝑗=1 𝑝′𝑖,𝑗 (𝑡) = 0 c’est donc vrai pour 𝑡 = 0
𝑛 𝑛
Σ𝑗=1 𝑝𝑖,𝑗 ′ 0 = Σ𝑗=1 𝑎𝑖,𝑗 = 0
Théorème. Tout processus à accroissements indépendants vérifie la
propriété de Markov. (Comptage : les états sont des entiers)

𝑃 𝑋𝑡𝑛+1 = 𝑒𝑛+1 𝑋𝑡𝑛 = 𝑒𝑛 , . . . , 𝑋𝑡1 = 𝑒1 )

= 𝑃 𝑋𝑡𝑛+1 − 𝑋𝑡𝑛 = 𝑒𝑛+1 − 𝑒𝑛 𝑋𝑡𝑛 − 𝑋𝑡𝑛−1 = 𝑒𝑛 − 𝑒𝑛−1 , ⋯ )
Par indépendance = 𝑃 𝑋𝑡𝑛+1 − 𝑋𝑡𝑛 = 𝑒𝑛+1 − 𝑒𝑛

06/12/2023 29
Exemple. Un processus de Poisson 𝑁𝑡 𝑡≥0 est une chaîne de
Markov continue, puisqu’il vérifie la propriété de stationnarité et
que la propriété des accroissements indépendants implique la
propriété de Markov. Déterminons son générateur infinitésimal :
∀𝑡, ℎ > 0, 𝑃 𝑁𝑡+ℎ = 𝑖 + 1 𝑁𝑡 = 𝑖 = 𝜆 ℎ𝑒 −ℎ𝜆 et
𝑃(𝑁𝑡+ℎ = 𝑖|𝑁𝑡 = 𝑖) = 1 − 𝜆ℎ 𝑒 −ℎ𝜆 ,
d’où
𝑷 𝑵𝒕+𝒉 = 𝒊 + 𝟏 𝑵𝒕 = 𝒊
𝒂𝒊,𝒊+𝟏 = 𝐥𝐢𝐦 =𝝀;
𝒉→𝟎 𝒉

𝑷 𝑵𝒕+𝒉 = 𝒊 𝑵𝒕 = 𝒊 − 𝟏
𝒂𝒊,𝒊 = 𝒍𝒊𝒎 = −𝝀
𝒉→𝟎 𝒉
06/12/2023 30
 −𝜆 𝜆 0 0 0
0 −𝜆 𝜆 ⋮ ⋮
0 ⋱ ⋱ 0 ⋮
𝐴=
⋮ ⋱ ⋱ 𝜆 0
0 ⋯ 0 −𝜆 ⋱
0 ⋱
Peut-être de dimension infinie !!

06/12/2023 31
 Théorème (Equations de Kolmogorov)
Pour tout 𝑡 ≥ 0, la matrice de transition 𝑃(𝑡) d’une c.m.c. vérifie les
équations différentielles ci-dessous :
(a) équations inverses ou du passé :
∀𝑖, 𝑗 𝑝′𝑖,𝑗 (𝑡) = ෍ 𝑎𝑖,𝑘 𝑝𝑘,𝑗 𝑡
𝑘∈𝐼
soit : 𝑃′ (𝑡) = 𝐴 × 𝑃(𝑡) ;
(b) équations directes ou du futur :
∀𝑖, 𝑗 𝑝′ 𝑖,𝑗 (𝑡) = ෍ 𝑝𝑖,𝑘 (𝑡) 𝑎𝑘,𝑗
𝑘∈𝐼
soit : 𝑃′ 𝑡 = 𝑃 𝑡 × 𝐴
06/12/2023 32
 Théorème (Equations de Kolmogorov)

Si le nombre d’états est fini,

𝒕𝑨 𝒏
𝑷 𝒕 = 𝒆𝒕𝑨 =෍
𝒏!
𝒏∈𝑵

06/12/2023 33
Théorème. (Loi d’évolution d’une c.m.c.)
(1) Pour tout temps t le vecteur d’évolution 𝜋(𝑡) vérifie l’équation :
𝜋(𝑡) = 𝜋(0)𝑃(𝑡),
où ∀𝑖, 𝜋𝑖 (𝑡) = 𝑃(𝑋𝑡 = 𝑒𝑖 ) 𝑒𝑡 𝜋(𝑡) = (𝜋1 (𝑡), … , 𝜋𝑛 (𝑡)).
(2) π(t) est solution de l’équation d’évolution :
𝝅′ 𝒕 = 𝝅 𝒕 𝑨.
Preuve (1) Pour tout j,
𝝅𝒋 (𝒕) = 𝚺𝒊 𝒑𝒊,𝒋 𝒕 𝝅𝒊 (𝟎).
(2) 𝝅′ 𝒕 = 𝝅 𝟎 𝑷′ 𝒕 = 𝒅′ 𝒂𝒑𝒓è𝒔 é𝒒𝒖 𝒅𝒆 𝑲𝒐𝒍𝒎𝒐𝒈𝒐𝒓𝒐𝒗
𝝅(𝟎)𝑷(𝒕). 𝑨 = 𝝅(𝒕)𝑨.

06/12/2023 34
 Temps de séjour
Le temps de séjour 𝑆𝑖 correspond au temps avant de changer d'état à partir de
l'état i.
Dans le cas discret, on remarque les propriétés ci-dessous.
Le temps de séjour 𝑆𝑖 prend la valeur entière k ≥ 1 avec probabilité
Pr(𝑆𝑖 = 𝑘) = 𝑃𝑖𝑖𝑘−1 (1 − 𝑃𝑖𝑖 ),
et par conséquent,
Pr 𝑆𝑖 > 𝑙 = ෍ Pr 𝑆𝑖 = 𝑘 = (1 − 𝑃𝑖𝑖 ) ෍ 𝑃𝑖𝑖𝑘−1 = 𝑃𝑖𝑖𝑙
𝑘≥𝑙+1 𝑘≥𝑙+1
pour tout entier 𝑙 ≥ 𝑂.
Le temps de séjour 𝑆𝑖 est donc une variable aléatoire discrète qui suit une loi
géométrique de paramètre (𝟏 − 𝑷𝒊𝒊 )

06/12/2023 35
Le cas 𝑃𝑖𝑖 = 0 correspond à un temps de séjour de 1 pour un état
réfléchissant et le cas 𝑃𝑖𝑖 = 1 à un temps de séjour infini pour
un état absorbant.
L'espérance du temps de séjour 𝑆𝑖 est donnée par
1
𝐸 𝑆𝑖 =
1 − 𝑃𝑖𝑖
La loi de probabilité du temps de séjour Si est sans mémoire, car
pour tous entiers 𝑘, 𝑙 ≥ 1, on a
Pr 𝑆𝑖 > 𝑘 + 𝑙
Pr 𝑆𝑖 > 𝑘 + 𝑙 𝑆𝑖 > 𝑘 = = 𝑃𝑖𝑖𝑙
Pr 𝑆𝑖 > 𝑘

06/12/2023 36
 Temps de séjour c. m. c.

Théorème (Caractère exponentiel des temps de séjour) Le temps

de séjour 𝑆𝑖 dans un état quelconque 𝑒𝑖 est une v.a. exponentielle de
paramètre −𝑎𝑖𝑖 ; avec 𝐴 = 𝑎𝑖,𝑗 (générateur infinitésimal)
𝑖,𝑗
définie par
𝑷 𝒕 − 𝑰𝒏 𝒅
𝐥𝐢𝐦+ = 𝑷 𝒕 𝒕=𝟎+
𝒕→𝟎 𝒕 𝒅𝒕

06/12/2023 37
 Preuve
Pour les temps t et h > 0, h étant petit par rapport à t :
𝑃 𝑆𝑖 > 𝑡 + ℎ = 𝑃 𝑆𝑖 > 𝑡 + ℎ 𝑆𝑖 > 𝑡 𝑃 𝑆𝑖 > 𝑡 = 𝑃(𝑆𝑖 > ℎ)𝑃(𝑆𝑖 > 𝑡)
comme conséquence de l’axiome d’homogénéité. Posons Φ(𝑡) =
𝑃(𝑆𝑖 > 𝑡) ; l’égalité ci-dessus s’écrit
Φ 𝑡 + ℎ = Φ 𝑡 Φ ℎ . Or Φ ℎ = 𝑝𝑖,𝑖 ℎ + 𝑜 ℎ
= 1 + 𝑎𝑖,𝑖 ℎ + 𝑜 ℎ ,
d’où l’on déduit l’équation différentielle 𝚽′(𝒕) = 𝒂𝒊,𝒊 𝚽(𝒕), qui a pour
solution Φ(𝑡) = 𝑒 𝑎𝑖,𝑖 𝑡 , sachant que Φ(0) = 1.
Alors, 1 − Φ 𝑡 = 1 − 𝑃 𝑆𝑖 > 𝑡 = 𝑃 𝑆𝑖 ≤ 𝑡 = 1 − 𝑒 𝑎𝑖,𝑖 𝑡
D’où, 𝑆𝑖 ∼ 𝐸𝑥𝑝(−𝑎𝑖𝑖 )

06/12/2023 38
 Exemple
Considérons un système dont la durée de vie T entre deux pannes consécutives
est de loi exponentielle 𝐸𝑥𝑝(𝜆) et dont le temps de réparation R est de loi
exponentielle 𝐸𝑥𝑝(𝜇). Le système comporte donc deux états :
l’état de marche 𝐞𝟏 et l’état de réparation 𝒆𝟐 .
On décrit l’évolution temporelle du système grâce à une c.m.c. à deux états
𝑋𝑡 𝑡≥0 . Déterminons la matrice de transition et le générateur du processus.
Pour t petit, 𝑝2,2 (𝑡) = 𝑃(𝑋𝑡 = 𝑒2 |𝑋0 = 𝑒2 ) ≈ 𝑃(𝑅 > 𝑡) = 𝑒 −𝜇𝑡 , d’où l’on
déduit :
𝑑 𝑝2,2 𝑡
𝑎2,2 = ቚ = −𝜇 ;
𝑑𝑡 𝑡=0
𝑝1,1 (𝑡) = 𝑃(𝑋𝑡 = 𝑒1 |𝑋0 = 𝑒1 ) = 𝑃(𝑇 > 𝑡) = 𝑒 −𝜆𝑡 , d’où ∶ 𝑎1,1 = −𝜆 .

06/12/2023 39
On en déduit le générateur :
−𝝀 𝝀
𝑨 =
𝝁 −𝝁
On calcule facilement 𝑃(𝑡) en diagonalisant A.
− 𝜆+𝜇 𝑡
𝐴𝑡
1 𝜇 𝜆 𝑒 𝜆 −𝜆
𝑃 𝑡 =𝑒 = +
𝜇+𝜆 𝜇 𝜆 𝜇 + 𝜆 −𝜇 𝜇

𝝅(𝒕) = (𝝅𝟏 (𝒕), 𝝅𝟐 (𝒕)) = 𝝅(𝟎). 𝑷(𝒕).

Retrouvez le résultat en résolvant :
𝜋′ 𝑡 = 𝜋 𝑡 𝐴
Donnez la distribution, si le système est en marche à l’état initial.
06/12/2023 40
 Etude du régime stationnaire

Définition Une distribution de probabilités 𝜋 = 𝜋𝑖 𝑖 portée

par les états 𝑒𝑖 𝑖 est stationnaire si pour tout j et pour tout 𝑡 ≥
0:
Σ𝑖 𝜋𝑖 . 𝑝𝑖,𝑗 (𝑡) = 𝜋𝑗 ,
qui s’écrit aussi :
𝜋. 𝑃(𝑡) = 𝜋.

06/12/2023 41
Théorème (Equation d’équilibre d’une c.m.c.) Soit une
c.m.c. de générateur A, si 𝜋 est une distribution stationnaire,
elle satisfait l’équation d’équilibre :
𝝅. 𝑨 = 𝟎,
équivalente aux équations
∀ 𝒋 𝜮𝒊≠𝒋 𝝅𝒊 . 𝒂𝒊,𝒋 = −𝝅𝒋 . 𝒂𝒋,𝒋 ,
qui expriment l’égalité, en régime stationnaire, du flux moyen
entrant dans l’état 𝑒𝑗 et du flux moyen sortant vers l’ensemble
des autres états. On la détermine en résolvant le système
linéaire formé de l’équation d’équilibre et de l’équation de
normalisation 𝜮𝒊 𝝅𝒊 = 𝟏.
06/12/2023 42