Simulation de processus de poisson

homogènes et non homogènes

Master Sciences des données Année scolaire : 2018/2019 Pr : KAICER Mohammed

& Big Data ZLAIGA Amine
SALMI SAlim
SOMMAINE
I. Introduction ..................................................... Error! Bookmark not defined.
II. Processus de Poisson homogènes .............................................................. 3
Définitions préliminaires
Processus de Poisson homogènes - Première
approche.
Une construction des processus de Poisson
homogènes
III. Application à un exemple concret .............................................................. 6
Position du problème
Test de Kolmogorov - Smirnov
R et résultats
Test des TATAAT
Test des gènes
IV. Conclusion ............................................................................................... 14
V. Références ................................................................................................ 15
INTRODUCTION

Les études de phénomènes aléatoires au cours du temps sont aujourd’hui

légions, que ce soit dans le domaine de la physique nucléaire, de la
biologie cellulaire ou bien encore dans des situations concrètes de la vie
courante, comme pour l’étude du congestionnement d’une centrale
téléphonique (dépendant du processus des appels téléphoniques qui se
produisent à des instants aléatoires).

Les processus de Poisson (du nom du mathématicien français Siméon Denis

Poisson, XIXème siècle) sont des processus ponctuels, les plus simples à
étudier. Nous nous contenterons d’approfondir ceux dits homogènes, c’est
à dire de paramètre constant : l’apparition d’évènements est équilibrée au
cours d’une période d’étude (concrètement, on peut imaginer que le
nombre de coups de fils au cours d’une journée n’augmente pas
brusquement à l’heure du déjeuner), s’opposant ainsi aux processus de
Poisson dits inhomogènes.

Les évènements particuliers modélisés seront par la suite appelés des tops :
ils peuvent être temporels, par exemple s’ils représentent le moment
d’entrée d’une personne dans un établissement donné (comme une
banque), l’apparition d’un tremblement de terre ; ou bien spatiaux, comme
la position des gènes sur la chaîne d’ADN...

Ainsi, après avoir défini ce qu’est

réellement un processus de Poisson
homogène, nous illustrerons ce concept en
essayant de modéliser la position des
gènes et de séquences promotrices dans
une bactérie (Escherichia Coli) à partir de
son ADN, et ainsi voir si la présence de ces
gènes peut être ou non assimilé à un
processus de Poisson. Pour cela nous
utiliserons les tests de Kolmogorov - Smirnov
et le logiciel de statistique R.

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 2

Processus de Poisson homogènes

Définitions préliminaires

Un processus stochastique est une fonction aléatoire t → Xt.

Désignons par N(t) le nombre de tops se produisant dans l’intervalle de

temps [0, t], et supposons que N(0) = 0. Le processus {N(t) ; t ≥ 0}, est
appelé processus de comptage et vérifie :

 ∀t ≥ 0, N(t) ∈ N ;
 t → N(t) est croissante ;

 ∀ 0 < a < b, N(b) − N(a) représente le nombre de tops se

produisant dans l’intervalle de temps ]a, b].

Un processus de comptage est dit à accroissements stationnaires si la loi de

probabilité du nombre de tops se produisant dans un intervalle de temps
donné ne dépend que de la longueur de celui-ci.

Un processus de comptage est dit à accroissements indépendants si les

nombres de tops se produisant dans des intervalles de temps disjoints sont
indépendants.

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 3

Processus de Poisson homogènes - Première approche.

Un processus de comptage {N(t) ; t ≥ 0} est appelé processus de Poisson

d’intensité λ > 0 si :

a) N(0) = 0 ;

b) le processus est à accroissements indépendants ;

c) le nombre de tops se produisant dans un intervalle de temps de

longueur t ≥ 0 suit une loi de Poisson de paramètre λt, ie

∀s ≥ 0, ∀t ≥ 0, ∀n ∈ N, P(N(s + t) − N(s) = n) = e −λt (λt) n

Un processus de comptage {N(t) ; t ≥ 0} est appelé processus de Poisson

d’intensité λ > 0 si :

i. N(0) = 0 ;

ii. le processus est à accroissements indépendants, et stationnaires ;

iii. P(N(h) = 1) = λh + o(h) pour h → 0 ;

iv. P(N(h) ≥ 2) = o(h) pour h → 0.

Remarque : La définition 2 est plus générale que la définition 1 car elle demande
principalement que le processus soit indépendant et stationnaire. Comme nous allons
le voir, la loi de Poisson découle des hypothèses iii) et iv).

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 4

Une construction des processus de Poisson homogènes

Soit (Tn) n≥0 une suite croissante de variables aléatoires réelles positives telles
que (T1, T2 − T1, · · · , Tn − Tn−1, · · ·) soit une suite de variables aléatoires
indépendantes et de même loi, suivant une loi exponentielle de paramètre
λ > 0. On lui associe le processus de comptage {N(t) ; t ≥ 0}, avec N(t) = P
n≥1 1{Tn≤t}.

Remarque : On a alors : N(t) = 0 si t < T1 n si Tn ≤ t < Tn+1

Soit (Tn) n≥0 une suite croissante de variables aléatoires réelles positives telles
que (T1, T2 − T1, · · · , Tn − Tn−1, · · ·) soit une suite de variables aléatoires
indépendantes et de même loi, suivant une loi exponentielle de paramètre
λ > 0. On lui associe le processus de comptage {N(t) ; t ≥ 0}, avec N(t) = P
n≥1 1{Tn≤t}.

Théorème

Un processus de comptage défini par la définition 3 est un processus de

Poisson au sens de la définition 1.

Commençons d’abord par montrer quelques lemmes utiles.

Lemme 1 :

∀t ≥ 0, ∀n ≥ 1

∫ Rn {0<t1<···<tn≤t} dt1 · · · dtn = t n / n!

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 5

 Lemme 2 :

Soit {N(t) ; t ≥ 0} un processus de comptage. Alors N(t) suit une loi de Poisson
de paramètre λt. En outre, sachant que N(t) = n, {Ti} 1≤i≤n est un n-
échantillon de loi uniforme sur le segment [0, t], de densité

(t1, · · · , tn) 7→ n!/ t n {0<t1<···<tn≤t}

Application à un exemple concret

Position du problème

Nous venons donc de voir ce qu’était précisément un processus de Poisson

homogène, avec différentes définitions équivalentes. Nous allons
maintenant essayer de les appliquer dans le domaine concret. Le domaine
d’étude se situe dans le cadre de la biologie, avec des applications à des
données génomiques.

Escherichia Coli (ou "colibacille") est une bactérie intestinale des

mammifères, pouvant entraîner des infections urinaires, des gastro-entérites,
des méningites... L’atout de cette bactérie est qu’il s’agit de l’un des
organismes vivants les plus étudiés de nos jours. Son patrimoine génétique a
été entièrement séquencé en 1997. Son génome comprend 4,6 millions de
paires de bases codant environ 4200 protéines. Les génomes de Escherichia
Coli diffèrent selon leur type et cela dans des proportions très importantes
(40% seulement de gènes en communs pour trois catégories différentes de
Escherichia Coli).

Les données en notre possession, fournies par l’INRA (Institut National de la

Recherche Agronomique), sont de deux sortes. Nous savons d’un côté à
quelles positions sur la chaîne d’ADN se situe un des types de sites
promoteurs du gène (présence du mot "TATAAT", où A et T représentent les
bases azotées Adénine et Thymine), et nous connaissons également où
commencent les gènes.

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 6

 Notre but est de savoir si oui ou non, ces deux phénomènes peuvent être
associés à des processus de Poisson homogènes. Pour cela nous allons
tester, à partir des tests de Kolmogorov - Smirnov (que nous allons définir par
la suite), si les répartitions des sites promoteurs (respectivement des débuts
de gènes) suivent des lois uniformes, ou si encore les écarts entre chaque
début d’expression (top) peuvent être assimilés à une distribution
exponentielle.

Test de Kolmogorov – Smirnov

Ici, nous voulons tester si la répartition des séquences promotrices et des

gènes peut être modélisée par un processus de Poisson homogène. Nous
allons donc voir si ces points peuvent être vus comme des variables
aléatoires uniformes indépendantes et de même loi, rangées dans l’ordre
croissant), ou si les écarts entre les gènes ou les TATAAT répondent à la
définition 3, à savoir qu’ils sont indépendants, et suivent tous une loi
exponentielle de paramètre λ.

Pour cela, nous appliquerons le test de Kolmogorov - Smirnov qui a pour but
de déterminer si un échantillon suit bien une loi donnée connue par sa
fonction de répartition continue (qui rappelons-le, caractérise la loi d’une
variable aléatoire), ou bien si deux échantillons suivent la même loi.

Pour cela, nous appliquerons le test de Kolmogorov - Smirnov qui a pour but
de déterminer si un échantillon suit bien une loi donnée connue par sa
fonction de répartition continue (qui rappelons-le, caractérise la loi d’une
variable aléatoire), ou bien si deux échantillons suivent la même loi.

Ce test repose sur la quantité définie pour F et G deux fonctions de

répartition : D(F, G) = sup t∈ R |G(t)−F(t)|.

Commençons par énoncer une propriété

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 7

Propriété 1.

Soit (X1, X2, · · · , Xn) un n-échantillon de variables aléatoires indépendantes et de

même loi, de fonction de répartition F, et considérons la fonction de répartition
empirique Fn(t) = 1/ 1{ ≤ }

(estimateur sans biais et fortement consistant de F(t)).

Si F est continue, alors D(F, Fn) = supt∈R |Fn(t) − F(t)| ne dépend pas de F.

Ainsi, on peut donc construire une table de Kolmogorov - Smirnov représentant les
quantiles d’ordre α, notés par la suite ξn,α, en fonction de n et de α. ∀ F fonction de
répartition continue d’un n-échantillon

P(sup t∈R |Fn(t) − F(t)| ≤ ξn,α) = P(sup t∈R |F U n (t) − F U (t)| ≤ ξn,α) = α

où F U et F U n sont respectivement les fonctions de répartition et de répartition

empirique associées à la loi uniforme sur [0, 1].

Principe du Test.

On teste l’hypothèse nulle : H0 : ”F = F0” contre l’alternative : H1 = ”F 6= F0” au niveau α.

On accepte H0 si on a : ∀t ∈ R, |Fn(t) − F0(t)| ≤ ξn,1−α

où ξn,1−α est le quantile d’ordre 1 − α extrait de la table de Kolmogorov - Smirnov.

En effet, sous H0, on a : P(∀t ∈ R, |Fn(t) − F0(t)| ≥ ξn,1−α) = P(supt∈R |Fn(t) − F0(t)| ≥
ξn,1−α) = P(D(Fn, F) ≥ ξn,1−α) = 1 − (1 − α) = α donc c’est bien un test de niveau α.

La p-valeur est la valeur de α (le niveau du test) pour laquelle l’observation supt∈R
|Fn(t)−F0(t)| est à la limite entre les zones d’acceptation et de rejet de l’hypothèse
nulle. Elle représente la vraisemblance d’observer ceci sous H0, ainsi pour une petite p-
valeur (< 10 %) l’hypothèse nulle n’est pas vraisemblable, alors que pour une grande p-
valeur (> 20 %), elle semble généralement convaincante en l’absence d’autres
observations.

R ET résultats

Pour effectuer les tests, nous avons utilisé le logiciel de statistiques R

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 8

Test des TATAAT

D’après le lemme 2, on a vu que sachant le nombre total de tops d’un

processus de Poisson à l’instant t, ceux-ci sont uniformément répartis sur le
segment [0, t]. On va donc tester ici si les Ti suivent une loi uniforme sur le
segment [0, 9288442], où 9288442 représente la longueur de la chaîne
d’ADN étudiée. En effet, on note une forte ressemblance entre le graphe de
la fonction de répartition empirique des positions des TATAAT, et celui de la
fonction de répartition d’un n-échantillon de variables aléatoires uniformes
sur [0, 9288442]

Premièrement on récupère les données dans un tableau que l’on appelle tataat, puis
on transforme la colonne qui nous intéresse en un vecteur T :

> tataat=[Link]("Fichier de données des TATAAT ")

> T=tataat[[1]]

Ensuite, on teste si les Ti suivent bien une loi uniforme sur [0, 9288442] par le test de
Kolmogorov - Smirnov :

> [Link](T,punif,0,9288442

One-sample Kolmogorov-Smirnov test)

data : T

D = 0.0358, p-value = 0.1410

alternative hypothesis : two-sided

La p-valeur étant comprise entre 10% et 20%, on est dans la zone de flou. Ce test ne nous
permet pas de conclure.

Nous allons donc regarder les écarts entre les TATAAT, et tester s’ils sont exponentiels (en
se ramenant à la définition 3). En effet, lorsque l’on trace les graphes de la fonction de
répartition empirique des écarts entre les TATAAT, et de la fonction de répartition d’une
loi exponentielle (de paramètre 1035 9288442, cf. plus bas), on remarque une forte

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 9

ressemblance, d’où notre désir de modéliser la position des TATAAT par un processus de
Poisson.

Calculons à présent les différences des valeurs consécutives dans le nouveau vecteur t
représentant donc les écarts :

> t=diff(T)

On veut tester si les ti = Ti − Ti−1 suivent bien une loi exponentielle. Ne connaissant pas le
paramètre, mais sachant que la moyenne d’une loi exponentielle de paramètre λ vaut
1λ

Sachant que la longueur de l’ADN étudié est de 9288442, on peut supposer que Tn+1 ≈
9288442.

> n=length(t)

[1] 1035

> lt=1035/9288442

Finalement, on teste si les ti suivent bien une loi exponentielle de paramètre lt par le test
de Kolmogorov - Smirnov :

> [Link](t,pexp,lt)

One-sample Kolmogorov-Smirnov test

data : t

D = 0.1598, p-value < 2.2e-16

alternative hypothesis : two-sided

Warning message :

In [Link](t, pexp, lt) :

impossible de calculer les p-values correctes avec des ex-aequos

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 10

Ainsi on obtient une p-valeur tout à fait négligeable (< 2, 2 × 10−16), et on peut rejeter
l’hypothèse nulle ; les écarts entre les TATAAT ne suivent pas une loi exponentielle. On
peut expliquer ce résultat par le fait que les TATAAT sont auto-recouvrants (self
overlapping), c’est-à-dire qu’on peut trouver deux fois le mot TATAAT à la suite. On en
déduit donc que la répartition des TATAAT ne peut être modélisée par un processus de
Poisson homogène.

Remarque : On a un message d’erreur qui nous dit que les p-valeurs ne sont pas
exactes car on a des doublons (par exemple, t contient 3 fois 31), ce qui ne devrait pas
être le cas puisque la fonction de répartition d’une loi exponentielle de paramètre lt
(Fl(t) = 1−e −lt1{t>0}) est continue. Toutefois, le test de Kolomogorov - Smirnov est bien
basé sur la différence entre les deux courbes de la figure 3. Le fait d’avoir des données
entières et donc qui ne peuvent être qu’approximativement exponentielles n’explique
pas une p-valeur aussi petite. L’approximation elle-même par une loi exponentielle est
donc a priori fausse.

> which(t==31)

[1] 375 399 651

Remarque : Le test de Kolmogorov - Smirnov nécessite d’avoir vraiment F0, or ici nous
avons estimé le paramètre. Si la calibration est théoriquement nécéssaire, les quantiles
étant légèrement faussés, la petitesse de la p-valeur nous conforte dans le fait que la
loi exponentielle est fausse. En effet, en pratique, créons un n-échantillon x de loi
exponentielle de paramètre lt, et estimons le paramètre par l’inverse de sa moyenne
m. On teste alors si les xi suivent bien une loi exponentielle de paramètre m :

> x=rexp(1035,lt)

> m=1/mean(x)

> [Link](x,pexp,m)

One-sample Kolmogorov-Smirnov test

data : x

D = 0.019, p-value = 0.85

alternative hypothesis : two-sided

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 11

On obtient ainsi une très grande p-valeur. De manière générale, cette procédure a
juste tendance à accepter H0 plus souvent, ce qui justifie ici notre estimation du
paramètre.

Test des genes

De même que précédemment, on remarque une nette ressemblance entre

les graphes de la fonction de répartition empirique de la position des gènes
et de la fonction de répartition d’une loi uniforme sur le segment [0,
9288442]. On effectue donc exactement les mêmes tests que pour les
TATAAT :

> genes=[Link]("fichier des données des gènes")

> G=genes[[1]]

> [Link](G,punif,0,9288442)

One-sample Kolmogorov-Smirnov test

data : G

D = 0.0213, p-value = 0.04052

alternative hypothesis : two-sided

Contrairement au test sur les TATAAT, on obtient une p-valeur qui n’est pas
dans la zone de flou (< 10%) ce qui nous permet de rejeter l’hypothèse nulle.
Ceci est dû au fait que nous avons beaucoup plus de données pour les
gènes.

De même que précédemment, on remarque une nette ressemblance (peut-être

même encore plus forte) entre les graphes respectifs de la fonction de répartition
empirique des écarts entre les gènes et de la fonction de répartition d’une loi
exponentielle de paramètre 4289 9288442 . On effectue donc le même test que pour
les TATAAT :

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 12

> genes=[Link]("Bureau/poisson/donnees/[Link]")

> G=genes[[1]] > g=diff(G)

> length(g) [1] 4289

> lg=4289/9288442

> [Link](g,pexp,lg)

One-sample Kolmogorov-Smirnov test

data : g

D = 0.1123, p-value < 2.2e-16

alternative hypothesis : two-sided

Warning message :

In [Link](g, pexp, lg) :

impossible de calculer les p-values correctes avec des ex-aequos

De même que lors du test des TATAAT, on obtient une p-valeur tout à fait négligeable.
On rejette donc l’hypothèse selon laquelle les gènes sont répartis selon un processus de
Poisson homogène, confirmant ainsi le résultat du test sur l’uniformité des positions.

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 13

Conclusion

En conclusion, on a pu voir grâce au test de Kolmogorov - Smirnov que ni les

gènes, ni les séquences promotrices TATAAT de la bactérie Escherichia Coli
ne sont répartis selon un processus de Poisson homogène. Il a été montré
par d’autres tests qu’ils peuvent être modélisés par un processus plus
complexe liant l’apparition des TATAAT et des gènes.

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 14

Références

Sheldon [Link], Introduction to probability models, Academic Press, 8th edition, 2003.

Sheldon [Link], Initiation aux probabilités, Presse Polythechniques et universitaires

romandes, 7ème édition, 2007.

Dominique FOATA, Aimé FUCHS, Processus stochastiques, DUNOD, 2002.

Jacques NEVEU, Cours de probabilités, Ecole Polythechnique, 1974.

SIMULATION DE PROCESSUS DE POISSON HOMOGENES ET NON HOMOGENES 15