Calculateur de taux de Poisson

Estimez le taux à partir d'événements observés.

Veuillez entrer un nombre d'événements valide (≥ 0)

Exemples

Entrez le nombre d'événements et la période pour estimer le taux

Qu'est-ce que l'estimation du taux de Poisson ?

Étant donné des événements observés, nous estimons λ (lambda) — le vrai taux moyen. Ce calculateur fournit l'estimation du taux et son intervalle de confiance.

Estimation ponctuelle : λ̂ = (total des événements) / (exposition totale)

Exemple : Si 15 événements se sont produits sur 5 périodes de temps : λ̂ = 15/5 = 3 événements par période

Mais quelle est la précision de cette estimation ? L'intervalle de confiance répond à cela.

Intervalle de confiance pour λ

Pour un compte observé X sur une exposition t :

Méthode exacte (Garwood) :

Inférieur : χ²(α/2, 2X) / (2t) Supérieur : χ²(1-α/2, 2(X+1)) / (2t)

Où χ² est la fonction inverse chi-carré.

Approximation normale (grand λ̂) :

IC = λ̂ ± z* × √(λ̂/t)

Pour un IC 95% : z* = 1,96

Exemples

Recherche médicale

« En 1000 personnes-années de suivi, 25 événements se sont produits. Quel est le taux et l'IC 95% ? »

λ̂ = 25/1000 = 0,025 par personne-année = 25 pour 1000 personnes-années IC 95% : approximativement 16 à 37 pour 1000 personnes-années

Contrôle qualité

« Sur 100 séries de production, 340 défauts ont été trouvés. Estimer le taux de défauts. »

λ̂ = 340/100 = 3,4 défauts par série IC 95% : approximativement 3,0 à 3,8 défauts par série

Analyse du trafic

« 8 accidents se sont produits à une intersection sur 3 ans. Estimer le taux annuel. »

λ̂ = 8/3 = 2,67 accidents par an IC 95% : approximativement 1,2 à 5,3 accidents par an

Analyse de site web

« Un serveur a enregistré 450 erreurs en 30 jours. Estimer les erreurs par jour. »

λ̂ = 450/30 = 15 erreurs par jour IC 95% : approximativement 13,6 à 16,5 erreurs par jour

Propriétés de l'estimation ponctuelle

Le taux d'échantillon λ̂ = X/t est :

Sans biais : E(λ̂) = λ Consistant : λ̂ → λ quand l'exposition augmente Maximum de vraisemblance : λ̂ est l'EMV pour λ Efficient : λ̂ atteint la variance minimale parmi les estimateurs sans biais

Variance : Var(λ̂) = λ/t

Erreur standard : ES(λ̂) = √(λ̂/t)

Différents scénarios d'exposition

Période d'observation unique

X événements en t unités de temps : λ̂ = X/t

Périodes d'observation multiples

X₁ événements en t₁, X₂ événements en t₂, etc. : λ̂ = (X₁ + X₂ + ...) / (t₁ + t₂ + ...)

Exposition en personnes-temps

Courant en épidémiologie : λ̂ = (total des événements) / (total des personnes-années à risque)

Applications

Épidémiologie

Les taux d'incidence mesurent l'occurrence des maladies :

  • Taux d'incidence = (nouveaux cas) / (personnes-temps à risque)
  • L'IC 95% permet la comparaison entre populations

Ingénierie de fiabilité

Les taux de panne quantifient la fiabilité des composants :

  • Taux de panne = (pannes) / (temps de fonctionnement total)
  • Temps moyen entre pannes = 1/λ

Amélioration des processus

Suivre les taux de défauts au fil du temps :

  • Taux de base vs taux post-intervention
  • Les intervalles de confiance révèlent si l'amélioration est significative

Assurance

Les taux de sinistres informent la tarification :

  • Sinistres par police-année
  • Les intervalles de confiance tiennent compte de l'incertitude d'échantillonnage

Interprétation de l'intervalle de confiance

« λ̂ = 3,2 défauts par heure, IC 95% : [2,1, 4,6] »

Nous sommes 95% confiants que le vrai taux se situe entre 2,1 et 4,6 défauts par heure.

Si on compare à une cible (ex : 5 défauts/heure) :

  • Si 5 est au-dessus de la borne supérieure de l'IC → le taux est significativement inférieur à la cible
  • Si 5 est dans l'IC → ne peut pas distinguer de la cible

Comparer deux taux

Pour deux groupes avec taux λ₁ et λ₂ :

Rapport de taux : RR = λ₁/λ₂

Intervalle de confiance pour log(RR) : ES(log(RR)) = √(1/X₁ + 1/X₂)

Si l'IC pour RR exclut 1, les taux diffèrent significativement.

Quand zéro événement est observé

Si X = 0 :

  • Estimation ponctuelle : λ̂ = 0
  • Borne supérieure IC 95% : 3/t (approximativement)
  • C'est la « Règle de trois »

Exemple : Aucune panne en 100 heures → borne supérieure IC 95% ≈ 3/100 = 0,03 par heure

Hypothèses et limitations

Taux constant

Le modèle de Poisson suppose que λ ne change pas au fil du temps. Si les taux varient :

  • Diviser l'analyse par période
  • Utiliser des modèles plus complexes (Poisson non homogène)

Événements indépendants

Les événements doivent être indépendants. Le regroupement (événements déclenchant d'autres événements) viole cela.

Exposition connue

Le temps d'exposition doit être mesuré avec précision. L'incertitude dans l'exposition s'ajoute à l'incertitude globale.

Contexte historique

Frank Garwood (1936) a développé l'intervalle de confiance exact pour les taux de Poisson en utilisant la relation avec la distribution chi-carré.

La méthode est devenue standard en épidémiologie et en ingénierie de fiabilité, où l'estimation du taux est fondamentale.

Les logiciels modernes calculent les intervalles exacts de routine, mais la relation chi-carré reste le fondement.

Calculs associés

Résumé

L'estimation du taux de Poisson convertit les comptes d'événements observés en estimations de taux avec l'incertitude quantifiée par les intervalles de confiance. L'estimation ponctuelle λ̂ = événements/exposition est intuitive, tandis que l'intervalle de confiance (utilisant la relation chi-carré ou l'approximation normale) révèle la précision. Des taux d'incidence épidémiologiques aux taux de panne en ingénierie en passant par les métriques de contrôle qualité, l'estimation du taux de Poisson est fondamentale pour comprendre les fréquences d'événements et faire des comparaisons entre groupes ou périodes de temps.

Outils connexes