3.
LE PROCESSUS PONCTUEL DE POISSON :
Le processus ponctuel de Poisson est un processus stochastique qui associe une
distribution de probabilité aux configurations de points sur R +. Ces points modélisent,
par exemple, les temps de passage d’un bus à un arrêt, les instants d’arrivée d’appels
téléphoniques dans une centrale, et ainsi de suite.
Dans certains cas, par exemple lorsque les bus suivent un horaire régulier et qu’il n’y a
pas de perturbation du trafic, les instants d’arrivée sont assez régulièrement espacés.
Dans d’autres situations, par exemple lorsque des travaux perturbent le trafic, les instants
d’arrivée deviennent beaucoup plus irréguliers, et on observe à la fois des longs temps
d’attente et des bus qui se suivent presque immédiatement. Le processus ponctuel de
Poisson modélise la situation la plus aléatoire possible, dans un sens qui reste à définir.
Figure 7- Une réalisation d’un processus de Poisson.
Le processus peut être caractérisé de plusieurs manières différentes. Une réalisation peut
être spécifiée par une suite croissante de nombres réels positifs
désignant les positions des points dans +. Alternativement, on peut décrire une
réalisation en donnant le nombre de points NI(ω) contenus dans chaque intervalle I de
la forme I =]t, t + s]. Si nous abrégeons N 0,t N t (communément appelé fonction de
comptage), nous aurons Nt ,t s Nt s Nt , et les Nt sont donnés en fonction des Xn par
Nt sup n 0 : X n t (3.1.1)
Inversement, les Xn se déduisent des Nt par la relation
X n inf t 0 : Nt n . (3.1.2)
3.1. Construction par la fonction de comptage
3.1.1. Définition
Le processus ponctuel de Poisson satisfait les conditions suivantes :
a) N I ne dépend que de la longueur de I, i.e. N t ,t s a la même loi que Ns.
b) Si I1, . . . , Ik sont deux à deux disjoints, N I1 , . . . , N I k sont indépendants.
PROCESSUS ALEATOIRES 18
c) NI existe pour tout I (de longueur finie).
d) Il existe un intervalle I tel que Pr ob N I 0 0 . (3.1.3)
1
e) Absence de points doubles: lim Pr ob N 2 0 (3.1.4)
0
3.1.2. Proposition
a) Soit t Nt . Alors il existe λ > 0 tel que t t .
b) Pour tout intervalle borné I ⊂ +, on a Pr ob NI 1 NI . (3.1.5)
3.1.3. Théorème
Si le processus satisfait les 5 conditions de la définition, alors les variables aléatoires
N t , t s suivent des lois de Poisson de paramètre s :
s
k
Pr ob N t ,t s k s k e s
k!
(3.1.6)
3.2. Construction par les temps d’attente
3.2.1. Théorème
Soit Zn X n X n1 la distribution des différences de position. Pour tout n, les variables
aléatoires Z1, . . . , Zn sont indépendantes, et suivent la même loi exponentielle Exp(λ).
On en déduit que
n
X n Z j (3.2.1)
j 1
suit une loi Gamma de paramètres (λ, n).
3.3. Généralisation
3.3.1. Le processus de Poisson inhomogène :
Dans ce cas le nombre de points N t ,t s suit une loi de Poisson de paramètre
t s
u du
t
où λ(u) est une fonction positive, donnant le taux au temps u. Ce processus permet
de décrire des situations où les points apparaissent avec une intensité variable, par
exemple si l’on veut tenir compte des variations journalières du trafic influençant les
horaires de passage de bus. On retrouve le processus de Poisson homogène si λ(u) est
constant.
PROCESSUS ALEATOIRES 19
3.3.2. Le processus de Poisson de dimension n ≥ 2 :
Ce processus peut être défini par sa fonction de comptage, en remplaçant les intervalles I
par des sous-ensembles (mesurables)de n. Les nombres de points dans deux ensembles
disjoints sont à nouveau indépendants, et le nombre de points dans un ensemble est
proportionnel à son volume. Ce processus peut par exemple modéliser la distribution des
étoiles dans une région de l’espace ou du ciel.
3.3.3. Le processus de naissance et de mort :
Le processus ponctuel de Poisson peut être considéré comme un processus de naissance
pur : Si Nt est interprété comme le nombre d’individus dans une population au temps t, ce
nombre augmente avec un taux constant λ. Plus généralement, dans un processus de
naissance et de mort, de nouveaux individus naissent avec un taux λ et meurent avec un
taux µ; éventuellement, λ = λ(Nt) et µ = µ(Nt) peuvent dépendre de la taille actuelle de la
population.
3.3.4. Le processus de Poisson composé :
Soit Nt la fonction de comptage d’un processus de Poisson simple, et soient Y1, Y2, . . . , des
variables aléatoires indépendantes et identiquement distribuées (i.i.d.) et indépendantes
de Nt. Alors le processus
Nt
St Yi
i 1
est appelé un processus de Poisson composé. A chaque instant Xn où le processus de
Poisson sous-jacent augmente d’une unité, le processus composé St augmente d’une
quantité aléatoire Yn. Si Nt décrit les instants d’arrivée de clients dans une station-service, et
Yn décrit la quantité d’essence achetée par le client n, alors St est la quantité d’essence
totale vendue au temps t. Si tous les Yi valent 1 presque sûrement, on retrouve
le processus de Poisson de départ.
3.3.5. Le processus de renouvellement :
Un tel processus est défini comme le processus de Poisson à partir de ses temps d’attente
Zn, sauf que les Zn ne suivent pas forcement une loi exponentielle. Il modélise par exemple
les instants de remplacement de machines de durée de vie aléatoire (d’où le terme de
“renouvellement” : chaque nouvelle machine étant supposée indépendante des
précédentes, le processus oublie son passé à chaque instant de renouvellement). Ce
PROCESSUS ALEATOIRES 20
processus n’a en général plus les propriétés d’indépendance de la fonction de comptage,
mais sous certaines hypothèses sur la loi des Zn (existence des deux premiers moments), il
existe des versions asymptotiques de ces propriétés.
Bibliographie
[1] Nils Berglund, Processus aléatoires et applications. DEA. Université d’Orléans, 2010,
pp.99. ffel-00439562v2f
[2] Mario Lefebvre, Processus stochastiques appliqués, Editions Hermann, 2006
[3] Sabin Lessard, Processus stochastiques : Cours et exercices corrigés, Editions Ellipses,
2014
[4] Roy L. Streit, Poisson Point Processes: Imaging, Tracking, and Sensing, Springer, ISBN
978-1-4419-6922-4
PROCESSUS ALEATOIRES 21
