Loi de Poisson (encyclopédie mathématiques)

Pour les articles homonymes, voir Poisson (homonymie).

Poisson
Densité de probabilité (ou fonction de masse) Les fonctions de masse ne sont définies que pour les entiers k.

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	$\lceil\lambda\rceil-1$
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	$\exp(\lambda (e^{it}-1))\,$
modifier

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

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

où

e est la base de l'exponentielle (2,718...)
k! est la factorielle de k
λ est un nombre réel strictement positif^[1].

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.

Sommaire

Calcul de p(k) [modifier]

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]

L'espérance d'une loi de Poisson est $\lambda.$
La variance d'une loi de Poisson est également $\lambda.$
Son écart type est donc $\sqrt{\lambda}.$
La fonction génératrice de la loi de Poisson est

$G_{X} (t) =\ e^{\lambda(t-1)}.$

La fonction génératrice des moments d'une loi de Poisson est

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

Démonstration

Espérance

Si $X\,$ suit une loi de poisson de paramètre $\lambda\,$ , soit $X \sim \mathcal{P}(\lambda)\,$ .

Alors, on a par définition que $\mathbb{P}(X=k)=e^{-\lambda}\frac{\lambda^k}{k!}$ et que:

$\begin{align}\mathbb{E}(X) &= \sum_{k=1}^{+{\infty}}k\,\mathbb{P}(X=k)\\&=\sum_{k=1}^{+{\infty}}k\,e^{-\lambda}\frac{\lambda^k}{k!}\\&=e^{-\lambda}\,\sum_{k=1}^{+{\infty}}\frac{\lambda^k}{(k-1)!}\\&=\lambda\,e^{-\lambda}\,\sum_{k=1}^{+{\infty}}\frac{\lambda^{k-1}}{(k-1)!}&=\lambda\,e^{-\lambda}\,e^{\lambda}\,=\lambda\end{align}$

Dans la dernière ligne, on reconnaît le développement en série entière de $e^{x}\,$ .

Variance

$\begin{align}V(X) &= \mathbb{E}(X^2) - ( \mathbb{E}(X) ) ^2\\ &= \sum_{k=1}^{+{\infty}}k^2\,\mathbb{P}(X=k) - \lambda^2\\ &= \sum_{k=1}^{+{\infty}}k^2\,e^{-\lambda}\frac{\lambda^k}{k!} - \lambda^2\\ &= \lambda\,e^{-\lambda} \sum_{k=1}^{+{\infty}}\,\frac{k\lambda^{k-1}}{(k-1)!} - \lambda^2\\ &= \lambda\,e^{-\lambda} \sum_{k=1}^{+{\infty}}\,\frac{d}{d\lambda}\frac{\lambda^k}{(k-1)!} - \lambda^2\\ &= \lambda\,e^{-\lambda} \frac{d}{d\lambda} \sum_{k=1}^{+{\infty}}\,\frac{\lambda^k}{(k-1)!} - \lambda^2\\ &= \lambda\,e^{-\lambda} \frac{d}{d\lambda}[\lambda\sum_{k=1}^{+{\infty}}\,\frac{\lambda^{k-1}}{(k-1)!}] - \lambda^2\\ &= \lambda\,e^{-\lambda} \frac{d}{d\lambda}[\lambda\,e^{\lambda}] - \lambda^2 \qquad \qquad \text{ car } \exp(x) = \sum_{n = 0}^{+\infty} {x^n \over n!}\\ &= \lambda\,e^{-\lambda}(\lambda+1)\,e^{\lambda} - \lambda^2\\ &= \lambda\,(\lambda+1) - \lambda^2\\ &= \lambda\,\end{align}$

Fonction génératrice

La fonction génératrice d'une variable aléatoire X est définie par $G_{X} (t) =\ \mathbb{E}(t^X).$ Ainsi on obtient :

$\begin{align}\mathbb{E}(t^X) &= \sum_{k=0}^{\infty} t^k \mathbb{P}(X=k)\\ &= \sum_{k=0}^{\infty} t^k e^{-\lambda} \frac{\lambda^k}{k!}\\ &= e^{-\lambda}\sum_{k=0}^{\infty} t^k \frac{\lambda^k}{k!}\\ &= e^{-\lambda}\sum_{k=0}^{\infty} \frac{(t\lambda)^k}{k!}\\ &= e^{-\lambda} e^{t\lambda} \qquad \qquad \text{ car } \exp(x) = \sum_{n = 0}^{+\infty} {x^n \over n!}\\ &= e^{\lambda(t - 1)}\end{align}$

Fonction génératrice des moments

$\begin{align} M_{X}(t) &= \sum_{k=0}^{+\infty}e^{tk}\mathbb{P}(X=k)\\ &= \sum_{k=0}^{+\infty}e^{tk}\frac{\lambda^{k}}{k!}\,\mathrm{e}^{-\lambda}\\ &= e^{-\lambda} \sum_{k=0}^{+\infty} \frac{(\lambda\, \mathrm{e}^{t})^{k}}{k!}\\ &= e^{-\lambda} e^{\lambda\, \mathrm{e}^{t}} \qquad \qquad \text{ car } \exp(x) = \sum_{n = 0}^{+\infty} {x^n \over n!}\\ &= e^{\lambda(e^{t}-1)} \end{align}$

Domaine d'application [modifier]

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).

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…

Lien avec la loi de Bernoulli [modifier]

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 S_n 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^[3] — 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 S_n 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 S_n 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 :

Ce paradigme reste pertinent, dans certaines conditions, si l'on relaxe l'hypothèse d'indépendance^[4].
- Un exemple frappant est le nombre de points fixes d'une permutation tirée au hasard.
- Un autre exemple est le nombre de points isolés du graphe aléatoire, dont la convergence vers la loi de Poisson a permis à Erdös et Rényi de démontrer, en 1960, le théorème double-exponentiel.
Le cas particulier a_n=n, p_k,n=λ/n, λ_n=λ, de l'inégalité de Le Cam, précise la rapidité de convergence de la loi binomiale de paramètres n et λ/n vers la loi de Poisson de paramètre λ.

Diagrammes en bâtons [modifier]

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

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]

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 $X+Y \sim \mathcal{P}(\lambda+\mu)$

Démonstration

La démonstration est faite ici par la fonction génératrice des moments. On sait en effet que $M_{X+Y}(t)=M_{X}(t)M_{Y}(t)$ par indépendance de $X$ et $Y$ et que la fonction génératrice des moments détermine univoquement la loi.

En partant du résultat démontré plus haut : $M_{X} (t) = \exp(\lambda (e^t-1))$ ,

on calcule: $M_{X+Y} (t)=M_{X} (t)M_{Y} (t)=\exp(\lambda (e^t-1))\exp(\mu (e^t-1))=\exp(\lambda (e^t-1)+\mu (e^t-1))=\exp((\lambda+\mu) (e^t-1))$

Le résultat $M_{X+Y} (t)=\exp((\lambda+\mu) (e^t-1))$ est simplement la fonction génératrice des moments d'une loi de Poison de paramètre $\lambda +\mu$ .

En littérature [modifier]

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]

↑ ^{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.
↑ [1]
↑ (en) L. Le Cam, « An Approximation Theorem for the Poisson Binomial Distribution », Pacific Journal of Mathematics, vol. 10, n^o 4, 1960, p. 1181–1197 [texte intégral (page consultée le 2009-05-13)]
↑ (en) A. D. Barbour, L. Holst et S. Janson, Poisson approximation, The Clarendon Press Oxford University Press, 1992 (ISBN 0198522355) .

Voir aussi [modifier]

Articles connexes [modifier]

Probabilité
Probabilité (mathématiques élémentaires)
Loi de probabilité
Loi de Bernoulli

v · d · m

Lois de probabilité

Lois discrètes à support fini
0 paramètre de forme	Dirac • Rademacher
1 paramètre de forme	Benford • Bernoulli • uniforme
2 paramètres de forme	binomiale • Zipf
3 paramètres de forme	bêta-binomiale • hypergéométrique
N paramètres de forme	Poisson binomiale

Lois discrètes à support infini
0 paramètre de forme	Gauss-Kuzmin
1 paramètre de forme	géométrique • logarithmique • Poisson • Yule-Simon • zêta
2 paramètres de forme	binomiale négative • Conway-Maxwell-Poisson • Skellam
3 paramètres de forme	bêta-binomiale négative • binomiale négative étendue • Delaporte

Lois absolument continues à support compact
0 paramètre de forme	arc sinus • cosinus surélevé • demi-cercle • parabolique • uniforme
1 paramètre de forme	Bates • Irwin-Hall • triangulaire
2 paramètres de forme	bêta • Kumaraswamy • logit-normale
3 paramètres de forme	bêta décentrée • bêta rectangulaire

Lois absolument continues à support semi-infini
0 paramètre de forme	demi-logistique • demi-normale • exponentielle • Lévy • normale repliée • Rayleigh
1 paramètre de forme	χ • χ² • Davis • Erlang • Fréchet • Gamma • Gompertz • inverse-χ² • inverse-gamma • inverse-gaussienne • log-Cauchy • log-Laplace • log-logistique • log-normale • Nakagami • normale généralisée v2 • Pareto • Rice • Weibull
2 paramètres de forme	χ non centrée • χ² non centrée • Benktander I • Benktander II • bêta prime • Burr • Dagum • Fisher • inverse-gaussienne généralisée • normale tronquée
3 paramètres de forme	bêta prime généralisée
N paramètres de forme	hyper-exponentielle • hypo-exponentielle

Lois absolument continues à support infini
0 paramètre de forme	Cauchy • Gumbel • Holtsmark • Landau • Laplace • logistique • normale • sécante hyperbolique • Slash • Voigt
1 paramètre de forme	normale asymétrique • normale généralisée v1 • Student
2 paramètres de forme	géométrique stable • stable • z de Fisher

Autres types de lois

Lois à support mixte continue-discret

normale rectifiée

Lois à support variable

Tukey-Lambda

Lois multidimensionnelles

Discrètes	Ewens • multinomiale
Continues	Dirichlet • normale multidimensionnelle
Matricielles	Wishart • Wishart inverse

Lois directionnelles

Univariantes	von Mises
Sphériques bidimensionnelles	Kent
Toroïdales bidimensionnelles	Von Mises bivariante
Multidimensionnelles	Bingham

Lois singulières

Cantor

Familles de lois

elliptique • famille exponentielle • fonction de Pearson • fractale parabolique • tronquée

v · d · m

Probabilités et statistiques

Théorie des probabilités

Axiomes des probabilités · Espace probabilisable · Probabilité · Événement · Tribu · Indépendance

Probabilités élémentaires	Moyenne · Espérance · Médiane · Variance · Écart type
Loi de probabilité	Variable aléatoire · Loi de Bernoulli · Loi de Poisson · Loi uniforme · Loi normale · Loi de Student · Loi de Fisher · Variables iid
Convergence de lois	Théorème central limite · Loi des grands nombres · Théorème de Borel-Cantelli
Calcul stochastique	Marche aléatoire · Chaîne de Markov · Processus stochastique · Processus de Markov · Martingale · Mouvement brownien · Équation différentielle stochastique

Statistique

Statistique descriptive	Échantillon · Quantile · Erreur type · Intervalle de confiance · Représentations de données · Histogramme · Diagramme circulaire · Boîte à moustaches · Régression linéaire · Méthode des moindres carrés · Analyse des données
Statistique mathématique	Une statistique · Fonction de répartition empirique · Théorème de Glivenko-Cantelli · Inférence bayésienne
Tests statistiques	Test d'hypothèse · Hypothèse statistique (Hypothèse nulle) · Estimateur · Test du χ² · Test de Student · Test de Fisher · Signification statistique · Valeur p

Applications

Économétrie · Mécanique statistique · Jeu de hasard · Biomathématique · Mathématiques financières

Loi de Poisson