Loi de Poisson

Un article de Wikipédia, l'encyclopédie libre.
Aller à : navigation, rechercher
Page d'aide sur l'homonymie Pour les articles homonymes, voir Poisson (homonymie).
Poisson
Image illustrative de l'article Loi de Poisson
Densité de probabilité (ou fonction de masse)
Les fonctions de masse ne sont définies que pour les entiers k.

Image illustrative de l'article Loi de Poisson
Fonction de répartition
Les fonctions de répartition sont discontinues en chaque entier naturel.

Paramètres \lambda \in{} ]0,+\infty[[1]
Support k \in \N
Densité de probabilité (fonction de masse) \frac{e^{-\lambda} \lambda^k}{k!}\!
Fonction de répartition \frac{\Gamma(\lfloor k+1\rfloor,  \lambda)}{\lfloor k\rfloor !}\!\text{ pour }k\ge 0

(où \Gamma(x, y) est la Fonction gamma incomplète)

Espérance \lambda\,
Médiane \text{environ }\lfloor\lambda+1/3-0.02/\lambda\rfloor
Mode \lfloor\lambda\rfloor si \lambda est un réel non entier,

\lambda et \lambda-1 si \lambda est un nombre entier

Variance \lambda\,
Asymétrie \lambda^{-1/2}\,
Kurtosis normalisé \lambda^{-1}\,
Entropie \lambda[1\!-\!\log(\lambda)]\!+\!e^{-\lambda}\sum_{k=0}^\infty  \frac{\lambda^k\log(k!)}{k!}.

Pour \lambda grand :

\scriptstyle\frac{1}{2}\log(2 \pi e  \lambda) -  \frac{1}{12 \lambda} -  \frac{1}{24 \lambda^2} - \frac{19}{360 \lambda^3} +  O\left(\frac{1}{\lambda^4}\right)

Fonction génératrice des moments \exp(\lambda (e^t-1))\,
Fonction caractéristique \exp(\lambda (e^{it}-1))\,

En théorie des probabilités et en statistiques, la loi de Poisson est une loi de probabilité discrète qui décrit le comportement du nombre d'évènements se produisant dans un laps de temps fixé, si ces évènements se produisent avec une fréquence moyenne connue et indépendamment du temps écoulé depuis l'évènement précédent. La loi de Poisson est également pertinente pour décrire le nombre d'évènements dans d'autres types d'intervalles, spatiaux plutôt que temporels, comme des segments, surfaces ou volumes.

La loi de Poisson a été introduite en 1838 par Siméon Denis Poisson (1781–1840), dans son ouvrage Recherches sur la probabilité des jugements en matière criminelle et en matière civile[2]. Le sujet principal de cet ouvrage consiste en certaines variables aléatoires N qui dénombrent, entre autres choses, le nombre d'occurrences (parfois appelées « arrivées ») qui prennent place pendant un laps de temps donné.

Si le nombre moyen d'occurrences dans cet intervalle est λ, alors la probabilité qu'il existe exactement k occurrences (k étant un entier naturel, k = 0, 1, 2, ...) est

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

On dit alors que X suit la loi de Poisson de paramètre λ.

Par exemple, si un certain type d'évènements se produit en moyenne 4 fois par minute, pour étudier le nombre d'évènements se produisant dans un laps de temps de 10 minutes, on choisit comme modèle une loi de Poisson de paramètre λ = 10×4 = 40.

Calcul de p(k)[modifier | modifier le code]

Ce calcul peut se faire de manière déductive en travaillant sur une loi binomiale de paramètres (T; λ/T). Pour T grand, on démontre que la loi binomiale converge vers la loi de Poisson.

Il peut aussi se faire de manière inductive en étudiant sur l'intervalle [0; T] les fonctions F_k(t) = probabilité que l'événement se produise k fois sur l'intervalle de temps [0 ; t]. En utilisant la récurrence et du calcul différentiel, on parvient à retrouver les formules précédentes.

Espérance, variance, écart type, fonctions génératrices[modifier | modifier le code]

G_{X} (t) =\ e^{\lambda(t-1)}.
M_{X}(t)\equiv   \mathbb{E}(e^{tX})=\exp\left(\lambda (e^t-1)\right).

Domaine d'application[modifier | modifier le code]

Le domaine d'application de la loi de Poisson a été longtemps limité à celui des événements rares comme les suicides d'enfants, les arrivées de bateaux dans un port ou les accidents dus aux coups de pied de cheval dans les armées (étude de Ladislaus Bortkiewicz[3]).

Mais depuis quelques décennies son champ d'application s'est considérablement élargi. Actuellement, on l'utilise beaucoup dans les télécommunications (pour compter le nombre de communications dans un intervalle de temps donné), le contrôle de qualité statistique (nombre de défauts en SPC), la description de certains phénomènes liés à la désintégration radioactive (la désintégration des noyaux radioactifs suivant, par ailleurs, une loi exponentielle de paramètre noté aussi lambda), la biologie (mutations), la météorologie, la finance pour modéliser la probabilité de défaut d'un crédit, le Yield Management (American Airlines, Lufthansa et SAS pour estimer la demande de passagers)...

Lien avec la loi de Bernoulli[modifier | modifier le code]

Le décompte des évènements rares se fait souvent au travers d'une somme de variables de Bernoulli, la rareté des évènements se traduisant par le fait que les paramètres de ces variables de Bernoulli sont petits (ainsi, la probabilité que chaque évènement survienne est faible). Le lien entre la loi de Poisson et les évènements rares peut alors s'énoncer ainsi :

Paradigme de Poisson —  La somme Sn d'un grand nombre de variables de Bernoulli indépendantes de petit paramètre suit approximativement la loi de Poisson de paramètre \scriptstyle\ \mathbb{E}[S_n]. \

L'inégalité de Le Cam précise le paradigme de Poisson : soit \scriptstyle\ X_{1,n}, X_{2,n},\dots, X_{a_n,n}\ un tableau de variables aléatoires de Bernoulli indépendantes, avec paramètres respectifs \scriptstyle\ p_{k,n}.\ On note

S_n=\sum_{k=1}^{a_n}\,X_{k,n}\quad\text{et}\quad\lambda_n\ =\ \mathbb{E}[S_n]=\sum_{k=1}^{a_n}\,p_{k,n}.\
Inégalité de Le Cam[4] — Pour tout ensemble A d'entiers naturels,
\left|\mathbb{P}\left(S_n\in A\right)-\sum_{k\in A}\,\frac{\lambda_n^k\,e^{-\lambda_n}}{k!}\right|\ \le\ \sum_{k=1}^{a_n}\,p_{k,n}^2.

En particulier, si les deux conditions suivantes sont réunies :

  • \lim_n \lambda_n\,=\,\lambda>0,\
  • \lim_n \sum_{k=1}^{a_n}\,p_{k,n}^2\,=\,0,\

alors Sn converge en loi vers la loi de Poisson de paramètre λ.

Dans l'énoncé du paradigme de Poisson, on fait deux hypothèses (vagues) sur les termes d'une somme Sn de variables de Bernoulli :

  • les paramètres des variables de Bernoulli sont petits ; or les deux conditions ci-dessus entrainent que
\lim_n\,\left(\max_{1\le k\le a_n}\,p_{k,n}\right)\,=\,0,\
ce qui reformule l'hypothèse « les paramètres des variables de Bernoulli sont petits » de manière plus précise ;
  • il y a un grand nombre de termes ; or les deux conditions ci-dessus entrainent que le nombre de termes tend vers l'infini :
\lim_n a_n\,=\,+\infty.\
Remarques  :

Diagrammes en bâtons[modifier | modifier le code]

Comme toute loi de probabilité discrète, une loi de Poisson peut être représentée par un diagramme en bâtons. Ci-dessous sont représentés les diagrammes en bâtons des lois de Poisson de paramètres 1, 2 et 5.

diagramme en bâtons d'une loi de Poisson de paramètre 1 diagramme en bâtons d'une loi de Poisson de paramètre 2 diagramme en bâtons d'une loi de Poisson de paramètre 5

Lorsque le paramètre λ de la loi de Poisson devient grand, (pratiquement lorsqu'il est supérieur à 5), son diagramme en bâton est correctement approché par l'histogramme d'une loi normale d'espérance et de variance égales à λ (l'intervalle de classe étant égal à l'unité). Cette convergence était mise à profit, avant que les moyens informatiques ne se généralisent, pour utiliser la loi normale en lieu et place de la loi de Poisson dans certains tests.

Stabilité de la loi de Poisson par la somme[modifier | modifier le code]

Si X et Y sont deux variables aléatoires indépendantes qui suivent des lois de Poisson de paramètres λ et μ, alors X+Y est une variable aléatoire qui suit la loi de Poisson de paramètre λ + μ.

Théorème — Si   X\sim \mathcal{P}(\lambda) et Y \sim \mathcal{P}(\mu) sont indépendantes, alors X+Y \sim  \mathcal{P}(\lambda+\mu)

En littérature[modifier | modifier le code]

Dans le roman de Thomas Pynchon, L'Arc-en-ciel de la gravité, un des personnages, le statisticien Roger Mexico, utilise la loi de Poisson pour cartographier les zones d'impact des fusées allemandes V2 sur la ville de Londres durant la bataille d'Angleterre.

Notes et références[modifier | modifier le code]

  1. a et b Avec les conventions habituelles 0!=1 et 00=1, la définition de la loi de Poisson s'étend à λ=0 : on trouve alors p(0)=1 et, dès que k>0, p(k)=0. Ainsi une variable aléatoire nulle presque sûrement peut être vue comme suivant la loi de Poisson de paramètre 0. Cette convention est cohérente avec les propriétés essentielles de la loi de Poisson de paramètre strictement positif. Elle est commode, voire indispensable, par exemple lors de l'étude des processus ponctuels de Poisson.
  2. [1]
  3. Ladislaus Bortkiewicz, Das Gesetz der kleinen Zahlen,‎ 1898 (lire en ligne), p. 23
  4. (en) L. Le Cam, « An Approximation Theorem for the Poisson Binomial Distribution », Pacific Journal of Mathematics, vol. 10, no 4,‎ 1960, p. 1181–1197 (lire en ligne)
  5. (en) A. D. Barbour, L. Holst et S. Janson, Poisson approximation, The Clarendon Press Oxford University Press,‎ 1992 (ISBN 0198522355).

Voir aussi[modifier | modifier le code]

Articles connexes[modifier | modifier le code]