PROCESSUS ALÉATOIRES : PRÉSENTATION

I- INTRODUCTION

La théorie des processus aléatoires concerne l’étude mathématique de phénomènes

physiques, biologiques ou économiques évoluant dans le temps, et dont l’évolution est de
caractère aléatoire, c’est-à-dire non prévisible avec certitude.

Pour définir un processus aléatoire, il faut :

1- Un espace des temps T (T ⊂ R+ )

Les deux espaces des temps les plus utilisés sont :

• T = N : le processus est dit discret ; on regarde ce qu’il se passe à chaque unité de

temps, ou bien on fait une suite d’opérations et on regarde ce qu’il se passe à chaque
opération (ex : lancer d’une pièce).

• T = R+ : le processus est dit continu : on garde les yeux fixés sur un système qui évolue
dans le temps à partir d’un instant t0 que l’on prend pour origine des temps (t = 0).

2- Un espace des états E

L’ensemble E peut être :

• discret : c’est-à-dire fini ou dénombrable. Il sera, dans ce cas, souvent pratique d’identifier
E avec une partie de N ou de Z.

• non discret : par exemple E = R ou E ⊂ R2 (partie du plan) ou E ⊂ R3 (partie de

l’espace)

3- Une famille de variables aléatoires (Xt )t∈T .

Ces variables aléatoires sont toutes définies sur un même espace probabilisé (Ω, A, P )
et à valeurs dans l’espace des états E.

Ainsi, à chaque instant t ∈ T , on associe, non pas une valeur déterministe (comme
dans le calcul d’une trajectoire mécanique) mais une valeur aléatoire décrite par une varia-
ble aléatoire Xt à valeurs dans E.

La variable aléatoire Xt peut représenter les résultats d’essais successifs comme par
exemple, le jet d’une pièce à pile ou face, ou des observations successives sur une carac-
téristique d’une population.
2 Processus aléatoires : Présentation

Le processus aléatoire est la famille de variables aléatoires (Xt )t∈T .

Un processus aléatoire est une généralisation d’un vecteur aléatoire. Comme dans
le cas du vecteur aléatoire, la connaissance de la loi de Xt pour tout t ∈ T est loin de
caractériser le processus.

En particulier, elle ne donne aucune information sur le passage de t à t + ∆t et donc,

sur l’évolution du processus.

Ce qui jouera le plus grand rôle dans l’étude des processus aléatoires, ce sont les pro-
babilités de transition.

Si B1 et B2 sont des parties de E, on note P ([Xt+∆t ∈ B2 ]/[Xt ∈ B1 ]) la probabilité

de transition de B1 à B2 entre t et t + ∆t (c’est-à-dire la probabilité d’être dans B2 à
l’instant t + ∆t sachant qu’on était dans B1 à l’instant t ).

Les éléments principaux qui différencient les processus aléatoires généraux sont l’espace
des états E, l’espace des temps T et les relations de dépendance entre les Xt .

4- Quelques relations de dépendance.

• Processus de comptage :
Un processus de comptage (Nt )t∈T , où T ⊂ R, est un processus croissant (si s ≤ t, alors
Ns ≤ Nt ), à valeurs dans E = N.

• Processus à accroissements indépendants :

Un processus croissant (Xt )t≥0 est dit à accroissements indépendants si pour tout n ∈ N∗ ,
et pour tous t1 , · · · , tn tels que t1 < t2 < · · · < tn , les accroissements Xt1 − X0 , Xt2 − Xt1 ,
· · · , Xtn − Xtn−1 sont des variables aléatoires indépendantes.

• Processus homogène dans le temps :

Le processus (Xt )t≥0 est dit homogène, si pour tout t et pour tout s, la loi de Xt+s − Xs
ne dépend pas de s.

• Processus de Markov :
Le processus (Xt )t≥0 est dit de Markov, si pour tout n ∈ N, pour tous t1 , · · · , tn , tn+1 tels
que t1 < t2 < · · · < tn < tn+1 :

P ([Xtn+1 = en+1 ]/[Xt1 = e1 ] ∩ · · · ∩ [Xtn = en ]) = P ([Xtn+1 = en+1 ]/[Xtn = en ])

c’est-à-dire, la probabilité de n’importe quel comportement futur, le présent étant connu,

n’est pas modifié par toute connaissance supplémentaire du passé.
Processus aléatoires 3

II- EXEMPLES DE PROCESSUS ALÉATOIRES

1- Signal télégraphique

Ce processus, utilisé en théorie de la communication, rend compte de l’état d’occupation

d’une ligne.

T2k : instant de la fin de la k ième communication ;

T2k+1 : instant du début de la (k + 1)ième communication.

T = R+ ; E = {−1, 1}

Xt = 1 si la ligne est libre, c’est-à-dire s’il existe k tel que T2k ≤ t < T2k+1 ;
Xt = −1 si la ligne est occupée, c’est-à-dire s’il existe k tel que T2k+1 ≤ t < T2k+2 .

On a là, un processus (dit à créneaux), markovien, à accroissements indépendants,

homogène dans le temps.

Problèmes qui se posent :

• Trouver la loi de Xt ;
• Calculer P ([Xt = ej ]/[Xs = ei ]) pour s ≤ t et pour ei , ej ∈ E ;
• Existe-t-il une loi limite de la loi de Xt quand t tend vers l’infini ?

2- Processus de ramification

Ce processus est utilisé pour suivre l’évolution de certaines populations animales ou

cellulaires, ou bien d’un nom chez les humains.

Chaque individu génère, indépendamment des autres, un nombre aléatoire de descen-

dants.

Xn est le nombre d’individus total à la nième génération.

E = N ; T = N.

Le processus est markovien.

Problèmes qui se posent :

• Déterminer la loi de Xn ;
• Trouver une relation entre Xn et Xn+1 ;
• Existe-t-il une probabilité non nulle d’extinction de l’espèce ?
4 Processus aléatoires : Présentation

3- Files d’attente

Ces processus sont utilisés en recherche opérationnelle.

Des clients se présentent à des guichets à des temps aléatoires, pour y recevoir des
services de durée aléatoire (ex : banque, magasin, péage d’autoroute...)

Xt est le nombre de clients en attente à l’instant t.

E = N ; T = R+ .

Problèmes qui se posent :

• Existence d’un régime stationnaire, nombre moyen de clients en attente, durée moyenne
de l’attente d’un client ;
• Détermination du nombre minimal de guichets assurant un bon écoulement de la file.

4- Mouvement Brownien

Dans un gaz, chaque particule est soumise aux impacts incessants de ses voisines. Les
collisions provoquent des déplacements.

Xt est la position d’une particule donnée à l’instant t.

Xt − Xs est le déplacement pendant [s, t[ : c’est la somme d’un grand nombre de petits
déplacements indépendants et il sera légitime de supposer que sa loi est une loi Normale.

E ⊂ R ; T = R+ .

Le processus est à accroissements indépendants, homogène dans le temps.