Processus ponctuel

Soit ${\displaystyle S}$ un espace métrique localement compact équipé de sa tribu borélienne ${\displaystyle {\mathcal {B}}(S)}$. On note ${\displaystyle N_{S}}$ l'ensemble des motifs de points de ${\displaystyle S}$, c'est-à-dire l'ensemble des sous-ensembles localement finis de ${\displaystyle S}$. Un élément de ${\displaystyle N_{S}}$ sera appelé "configuration" et sera noté ${\displaystyle \omega }$.

On munit ${\displaystyle N_{S}}$ de la tribu ${\displaystyle {\mathcal {N}}_{S}}$[1] - [2] - [3] engendrée par les applications de comptage ${\displaystyle f_{B}}$ : ${\displaystyle N_{S}\to \mathbb {N} ,\ \omega \mapsto \#(\omega \cap B)}$, où B est un compact de ${\displaystyle S}$ et où ${\displaystyle \#}$ désigne le cardinal de l'ensemble fini considéré.

Un processus ponctuel est alors une application mesurable ${\displaystyle X}$ d'un espace de probabilité vers l'espace mesuré ${\displaystyle (N_{S},{\mathcal {N}}_{S})}$.

L'exemple le plus commun d'espace ${\displaystyle S}$ est l'espace euclidien ${\displaystyle \mathbb {R} ^{d}}$ ou un de ses sous-espaces. Mais les processus ponctuels ne sont pas limités à ces exemples.

Un cas particulier des processus ponctuels est celui des processus ponctuels définis sur la droite réelle ${\displaystyle \mathbb {R} }$ (ou la demi-droite réelle ${\displaystyle \mathbb {R} ^{+}}$). Dans les applications concrètes, cela représente souvent l'occurrence d'événements dans le temps. Pour donner quelques exemples, un processus ponctuel dans le temps peut modéliser les temps d'arrivée de visiteurs dans un musée (avec le processus de Poisson par exemple), la durée avant déclenchement d'une maladie chez une personne (processus de Cox) ou encore les temps auxquels on observe des influx nerveux dans les neurones (processus de Hawkes).

La mesure intensité du processus ${\displaystyle X}$ est une mesure sur ${\displaystyle S}$ qui mesure le nombre moyen de points du processus qui tombe dans un borélien de ${\displaystyle S}$, et s'écrit pour ${\displaystyle B\in {\mathcal {S}}}$, ${\displaystyle m_{X}(B):=\mathbb {E} [\#(X\cap B)]}$.

Dans le cas où on étudie des processus ponctuels sur ${\displaystyle \mathbb {R} }$ (ou ${\displaystyle \mathbb {R} ^{+}}$), on peut proposer une autre façon intuitive de mesurer l'intensité d'un processus ponctuel : cette mesure est appelée l'intensité du processus ponctuel ${\displaystyle \lambda }$ et est définie comme[4] :

${\displaystyle \lambda =lim_{h\rightarrow 0}{\frac {\mathrm {Pr} \{N(0,h]>0\}}{h}}}$

D'après le théorème de Khinchin[4], cette limite existe si le processus ponctuel est stationnaire (mais elle peut être infinie). Intuitivement, l'intensité représente la probabilité qu'il y ait au moins une occurrence dans l'intervalle ${\displaystyle ]x;x+h]}$ quand ${\displaystyle h}$ tend vers zéro.

La fonctionnelle de Laplace[3] d'un processus ponctuel ${\displaystyle X}$, noté ${\displaystyle \Psi _{X}}$, est une fonctionnelle de l'ensemble de toutes les fonctions ${\displaystyle f}$ positives de ${\displaystyle S}$ dans ${\displaystyle \mathbb {R} }$ et est définie comme suit:

${\displaystyle \Psi _{X}(f)=\mathbb {E} \left[\exp \left(-{\underset {x\in X}{\sum }}f(x)\right)\right]}$

Cette fonctionnelle joue un rôle similaire à la fonction caractéristique d'une variable aléatoire. En effet la fonctionnelle de Laplace caractérise la loi d'un processus ponctuel, c'est-à-dire que deux processus ponctuels qui ont des fonctionnelles de Laplace égales ont la même loi.

Compte tenu de la structure de la tribu sur ${\displaystyle {\mathcal {N}}_{S}}$, la loi d'un processus ponctuel ${\displaystyle X}$ est entièrement déterminée par les probabilités ${\displaystyle (\mathbb {P} (\#(X\cap B)=k))_{k,B}}$ où ${\displaystyle k}$ parcourt l'ensemble des entiers naturels ${\displaystyle \mathbb {N} }$ et ${\displaystyle B}$ l'ensemble des boréliens bornés de ${\displaystyle S}$. Mais le théorème de Rényi nous donne une caractérisation beaucoup plus simple.

Cette section regroupe les propriétés fondamentales des processus ponctuels de Poisson. Ces résultats sont souvent la conséquence du théorème de Rényi.

${\displaystyle m(dx,dy)=100dxdy}$, fenêtre ${\displaystyle [0,1]^{2}}$

${\displaystyle m(dx,dy)=100xdxdy}$, fenêtre ${\displaystyle [0,1]^{2}}$

La dernière proposition fournit une méthode simple et très efficace pour simuler des processus ponctuels de Poisson.

Pour simuler un processus ponctuel de Poisson d'intensité ${\displaystyle m}$ dans un compact ${\displaystyle B}$[1] - [3] :

• Déterminer le nombre de points. Pour ce faire on simule une loi de Poisson ${\displaystyle n}$ de moyenne ${\displaystyle m(B)}$.
• Déterminer la position des ${\displaystyle n}$ points. Pour cela, on simule ${\displaystyle n}$ variables aléatoires i.i.d. de loi ${\displaystyle m}$ restreinte sur ${\displaystyle B}$.

L'objet simulé est une réalisation du processus ponctuel de Poisson sur la fenêtre ${\displaystyle B}$ de mesure d'intensité ${\displaystyle m}$.

La formule de Slivnyak-Mecke[5] - [6], aussi connue sous le nom de formule de Campbell, est une formule très utilisée en géométrie stochastique et en physique statistique.

Le terme de droite est dans de nombreux cas calculable et permet de calculer en moyenne, grâce à la formule de Slivnyak-Mecke, la somme des contributions de chaque point du processus.

Dans l'article fondateur de Alan G. Hawkes[7], le processus auto-excité est défini à partir de son intensité au temps ${\textstyle t}$, notée ${\textstyle \lambda (t)}$. L'intensité d'un processus ponctuel est une mesure du taux instantané d'occurrence d'événements. Dans le cas du processus de Hawkes, l'intensité ${\textstyle \lambda (t)}$ s'écrit :

${\displaystyle \lambda (t)=\nu +\int _{-\infty }^{t}g(t-u)\mathrm {d} N(u)}$

Dans cette formule, l'intensité est formée de deux composantes : le scalaire ${\textstyle \nu }$ qui représente le taux d'occurrence spontané (qui n'est pas dû aux événements antérieurs) et l'intégrale entre ${\textstyle -\infty }$ et ${\textstyle t}$, qui désigne la dépendance aux temps antérieurs. Ainsi, l'intensité au temps ${\textstyle t}$ dépend du nombre d'événements qui sont survenus au temps ${\textstyle u}$ (antérieur à ${\displaystyle t}$) ${\displaystyle N(u)}$.

L'influence de ${\displaystyle N(u)}$ sur ${\textstyle \lambda (t)}$ est décrite par la fonction ${\displaystyle g}$, appelée noyau. Le noyau décrit la façon dont l'excitation évolue en fonction du délai ${\displaystyle t-u}$ entre un événement passé (survenu au temps ${\textstyle u}$) et le temps ${\textstyle t}$. Cette fonction doit tendre vers zéro quand l'intervalle de temps est grand (l'excitation s'atténue) et elle doit prendre des valeurs positives uniquement. Cependant, des extensions du processus de Hawkes ont été proposées dans lesquelles ${\displaystyle g}$ peut prendre des valeurs négatives, et ainsi modéliser une auto-inhibition. Une paramétrisation simple de ${\displaystyle g}$ est l'exponentielle décroissante, par exemple de la forme ${\displaystyle g(t-u)=ae^{-a(t-u)}}$ (avec ${\displaystyle a}$ un paramètre de la fonction, scalaire).

Les processus de Hawkes ont également été généralisés au cas multivarié[3] : c'est-à-dire que plusieurs éléments (dimensions) s'excitent mutuellement. Par exemple, il peut s'agir de plusieurs neurones qui vont se transmettre des influx nerveux les uns aux autres. Dans le cas multivarié, l'équation du processus de Hawkes devient :

${\displaystyle \lambda _{i}(t)=\nu _{i}+\sum _{j=1}^{N}\int _{-\infty }^{t}g_{j\rightarrow i}(t-u)\mathrm {d} N_{j}(u)}$

L'indice ${\displaystyle i}$ (${\displaystyle 1\leq i\leq N}$) signifie qu'on s'intéresse à la dimension ${\displaystyle i}$ (neurone ${\displaystyle i}$ par exemple). Comme dans le cas univarié, ${\textstyle \nu _{i}}$ représente le taux d'occurrence spontané (qui peut être différent pour chaque dimension ${\displaystyle i}$). L'intégrale entre ${\textstyle -\infty }$ et ${\textstyle t}$ décrit l'influence de l'histoire du processus : pour la dimension ${\displaystyle i}$, on va sommer les influences des ${\displaystyle N}$ dimensions, et le noyau ${\displaystyle g_{j\rightarrow i}}$ décrit l'influence du neurone ${\displaystyle j}$ (${\displaystyle 1\leq j\leq N}$) sur le neurone ${\displaystyle i}$. On intègre la fonction ${\displaystyle g_{j\rightarrow i}}$ sur ${\displaystyle \mathrm {d} N_{j}(u)}$, qui est le nombre d'événements survenus au temps ${\textstyle u}$ dans la dimension ${\displaystyle j}$. Dans le cas où ${\displaystyle j=i}$, ${\displaystyle g_{i\rightarrow i}}$ décrit l'auto-excitation de la dimension ${\displaystyle i}$ sur elle-même.

Dans le cas où on observe un processus de Hawkes, mais qu'on ne connaît pas les ${\displaystyle g_{j\rightarrow i}}$, la question d'intérêt est souvent de déterminer quelles fonctions ${\displaystyle g_{j\rightarrow i}}$ sont non-nulles. En effet, si ${\displaystyle g_{j\rightarrow i}}$ est différente de zéro, cela signifie que la dimension ${\displaystyle j}$ excite la dimension ${\displaystyle i}$. Par exemple, dans le cas où on observe des neurones, une fonction ${\displaystyle g_{j\rightarrow i}}$ non nulle peut signifier que le neurone ${\displaystyle j}$ est connecté au neurone ${\displaystyle i}$.

De nombreuses généralisations du processus de Hawkes ont été proposées : pour prendre en compte l'auto-inhibition, dans le cas spatio-temporel, avec des noyaux non-paramétriques ou encore avec une intensité log-linéaire. De nombreux algorithmes d'inférence ont aussi été proposés afin de déterminer les paramètres (inconnus) d'un processus de Hawkes à partir d'une de ses réalisations.