Calculateur de probabilité de Poisson

Qu'est-ce que la distribution de Poisson ?

La distribution de Poisson modélise le nombre d'événements se produisant dans un intervalle fixe lorsque les événements arrivent indépendamment à un taux moyen constant.

Paramètre :

• λ (lambda) = taux moyen d'événements par intervalle

La question : Quelle est P(X = k), la probabilité d'exactement k événements ?

La formule

$P(X = k) = \frac{e^{-\lambda} \lambda^k}{k!}$

Où $e \approx 2,71828$ est le nombre d'Euler.

Exemple : Un centre d'appels reçoit 4 appels par heure en moyenne. Quelle est P(exactement 6 appels dans la prochaine heure) ?

$P(X = 6) = \frac{e^{-4} \times 4^6}{6!} = \frac{0,0183 \times 4096}{720} = 0,104$

Environ 10,4% de chance.

Quand la loi de Poisson s'applique-t-elle ?

La distribution de Poisson nécessite :

1. Les événements se produisent indépendamment : Un événement n'affecte pas les autres
2. Taux constant : Le taux moyen ne change pas sur l'intervalle
3. Proportionnel à l'intervalle : La probabilité évolue avec la longueur de l'intervalle
4. Événements rares : La probabilité de 2+ événements dans un intervalle minuscule est négligeable

Exemples classiques

• Appels à un centre d'appels par heure
• Fautes de frappe par page
• Voitures passant un point par minute
• Événements de désintégration radioactive par seconde
• Requêtes serveur par minute
• Buts dans un match de football
• Accidents à une intersection par an

Non approprié pour

• Événements qui tendent à se regrouper (utiliser binomiale négative)
• Événements avec des taux variables (utiliser Poisson non homogène)
• Événements qui ne sont pas indépendants

Applications

Théorie des files d'attente

« Une banque a 3 clients par heure en moyenne. Quelle est P(exactement 5 clients en une heure) ? »

λ = 3, k = 5 P(X = 5) = (e^(-3) × 3^5) / 5! = 0,101

Ingénierie de fiabilité

« Une machine tombe en panne 2 fois par an en moyenne. Quelle est P(0 panne l'année prochaine) ? »

λ = 2, k = 0 P(X = 0) = e^(-2) × 2^0 / 0! = 0,135

Environ 13,5% de chance de zéro panne.

Biologie

« Une lame de microscope a 8 bactéries par cm² en moyenne. Quelle est P(exactement 10 dans un cm² donné) ? »

λ = 8, k = 10 P(X = 10) = (e^(-8) × 8^10) / 10! = 0,099

Analyse sportive

« Une équipe marque 1,5 but par match en moyenne. Quelle est P(exactement 2 buts) ? »

λ = 1,5, k = 2 P(X = 2) = (e^(-1,5) × 1,5²) / 2! = 0,251

Assurance

« Les réclamations arrivent à 0,5 par jour en moyenne. Quelle est P(3+ réclamations demain) ? »

P(X ≥ 3) = 1 - P(X ≤ 2) = 1 - [P(0) + P(1) + P(2)]

Moyenne et variance

Une propriété unique de la distribution de Poisson :

$E(X) = \lambda$

$Var(X) = \lambda$

$ET(X) = \sqrt{\lambda}$

La moyenne égale la variance. Si les données observées ont une variance très différente de la moyenne, le modèle de Poisson peut ne pas convenir.

Changer l'intervalle

Si λ est le taux par unité de temps, pour un intervalle différent :

• Taux pour 2 heures = 2λ
• Taux pour une demi-heure = λ/2
• Taux pour tout intervalle t = λt

Exemple : Si 4 appels par heure, alors :

• Par 30 minutes : λ = 2
• Par 2 heures : λ = 8

Développement historique

Siméon Denis Poisson (1781-1840) a introduit la distribution en 1837, étudiant la probabilité de condamnations dans les affaires judiciaires.

La distribution est devenue célèbre grâce à l'analyse de Ladislaus Bortkiewicz en 1898 des soldats de cavalerie prussiens tués par des coups de chevaux — un exemple classique d'événements rares.

A.K. Erlang a appliqué les processus de Poisson à la modélisation des appels téléphoniques au début des années 1900, fondant la théorie des files d'attente.

Relation avec la binomiale

La distribution de Poisson apparaît comme une limite de la binomiale :

Si n → ∞, p → 0, et np → λ, alors :

Binomiale(n, p) → Poisson(λ)

Règle empirique : Quand n ≥ 20 et p ≤ 0,05, utilisez Poisson avec λ = np.

Cela explique pourquoi Poisson fonctionne pour les événements rares : beaucoup d'essais (n), petite probabilité (p), compte attendu modéré (λ = np).

Probabilités cumulatives

$P(X \leq k) = \sum_{i=0}^{k} P(X = i)$

$P(X \geq k) = 1 - P(X \leq k-1)$

Exemple : « Quelle est P(au moins 3 appels) ? »

P(X ≥ 3) = 1 - [P(0) + P(1) + P(2)]

Approximation normale

Pour grand $\lambda$ (typiquement $\lambda > 10$) :

$X \sim N(\lambda, \sqrt{\lambda})$ approximativement

Avec correction de continuité :

$P(X \leq k) \approx \Phi\left(\frac{k + 0,5 - \lambda}{\sqrt{\lambda}}\right)$

Surdispersion

Quand variance > moyenne, les données montrent une « surdispersion » — plus de variabilité que Poisson ne prédit. Causes :

• Regroupement d'événements
• Taux hétérogènes entre sujets
• Corrélation entre événements

Solutions : régression binomiale négative, modèles quasi-Poisson.

Régression de Poisson

Lors de la modélisation de données de comptage avec des prédicteurs :

$\log(\lambda) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \ldots$

Les coefficients s'exponentient en ratios de taux :

• $e^{\beta_1}$ = effet multiplicatif sur le taux par unité d'augmentation de $X_1$

Calculs associés

• Calculateur de taux de Poisson — Estimer λ à partir des données
• Calculateur de probabilité binomiale — Alternative discrète
• Calculateur de probabilité normale — Approximation pour grand λ
• Intervalle de confiance pour la moyenne — Intervalle pour λ

Résumé

La distribution de Poisson modélise le compte d'événements indépendants se produisant à un taux moyen constant λ. Des centres d'appels à la désintégration radioactive en passant par les scores sportifs, les probabilités de Poisson répondent aux questions sur les comptes d'événements. La propriété clé de la distribution — la moyenne égale la variance — fournit une vérification de l'ajustement du modèle. En tant que limite de la binomiale pour les événements rares, la distribution de Poisson est fondamentale en théorie des probabilités et largement appliquée en files d'attente, fiabilité et analyse de données de comptage.