17.11.2013 Views

Processus de Markov, de Levy, Files d'attente, Actuariat et Fiabilité ...

Processus de Markov, de Levy, Files d'attente, Actuariat et Fiabilité ...

Processus de Markov, de Levy, Files d'attente, Actuariat et Fiabilité ...

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

FILES D’ATTENTE, FIABILITÉ, ACTUARIAT<br />

Similarly, the variance<br />

Var S 1 = E(S 1 ) 2 − (ES 1 ) 2 =<br />

∞X<br />

−λ (λ)j<br />

jX<br />

= e E( X i ) 2 − (λEX 1 ) 2<br />

j!<br />

j=0<br />

i=1<br />

∞X<br />

−λ (λ)j<br />

= e (jEX1 2 j!<br />

+ j(j − 1)(EX 1) 2 ) − (λE = X 1 ) 2<br />

j=0<br />

= λEX 2 1 + λ(EX 1 ) 2 − λ(EX 1 ) 2 = λEX 2 1<br />

b) L<strong>et</strong> M X1 (u) = Ee uX 1 = R ∞<br />

0 eux f(x)dx = <strong>de</strong>note the moment generating fonction of one jump. Conditioning on the =<br />

number of jumps we find<br />

Ee uSt = Ee u(PN T<br />

t=1 Xt) = P ∞<br />

j=0 = e−λt (λt) j<br />

(M j! X1 (u)) j = e λt(M X (u)−1) 1 = e λt(R ∞<br />

0 (e ux −1)f(x)dx) . Taking logarithms<br />

yields :<br />

c(u) = λ(M X1 (u) − 1)<br />

Exercice 1.3.8 Déterminer la fonction <strong>de</strong> covariance<br />

Cov [X t , X t+s ]<br />

d’un processus <strong>de</strong> Poisson composé X t , t ≥ 0 (qu’on utilise pour modéliser le montant total<br />

<strong>de</strong>s sinistres).<br />

1.3.7 Conclusions<br />

En conclusion, le processus <strong>de</strong> Poisson homogène unidimensionel <strong>de</strong> taux λ est un processus<br />

<strong>de</strong> comptage, où ”l’avancé du compteur” se fait après <strong>de</strong>s temps exponentielles <strong>de</strong><br />

paramètre λ, <strong>et</strong> qui a plusieurs propriétés remaquables, comme :<br />

– distribution exponentielle (donc ”sans mémoire”) <strong>de</strong> paramètre λ pour les intervales<br />

a i entre les arrivées<br />

– la propriété <strong>de</strong> <strong>Markov</strong><br />

– (X t ) t≥0<br />

est homogène, c’est-à-dire les increments X [s,s+t] = X s+t − X s ont une distribution<br />

indépendante du moment initial s :<br />

∀s, t > 0, ∀k ∈ N , P [X s+t − X s = k] = P [X t = k] not.<br />

= p k (t) .<br />

– (X t ) t≥0<br />

est un processus à accroissements indépendants (P.A.I. en abrégé), c’est-àdire<br />

les v.a. X Ii , i = 1, ..., n sont indépendantes, si les intervalles I i , i = 1, ..., n sont<br />

disjoints. En particulier,<br />

∀s, t ≥ 0 avec s ≤ t , X t − X s est indépendante <strong>de</strong> X u pour tout u ≤ s.<br />

– (X t ) t≥0<br />

est un processus <strong>de</strong> <strong>Markov</strong>, <strong>et</strong> les probabilitées <strong>de</strong> transition satisfont P{X t =<br />

j|X 0 = i} = P{X t = j − i|X 0 = i} = p j−i (t).<br />

Exemple d’application du processus <strong>de</strong> Poisson : La pêche! On note X t le nombre <strong>de</strong> poissons<br />

pris par un pêcheur à la ligne dans l’intervalle <strong>de</strong> temps [0, t]. On fait les hypothèses<br />

suivantes :<br />

(h1) il y a un très grand nombre <strong>de</strong> poissons, <strong>de</strong> façon à ce qu’une prise n’influe pas sur<br />

la suite <strong>de</strong> la pêche<br />

(h2) l’appétit <strong>de</strong>s poissons ne varie pas avec le temps.

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!