Un centre d’appels reçoit en moyenne 4 demandes par heure, mais combien de demandes peut-il réellement recevoir pendant les 30 prochaines minutes ? La loi de Poisson permet de répondre à ce type de question en calculant la probabilité d’un nombre précis d’événements. Voici sa formule, la signification de chaque terme, une méthode de calcul claire, des exemples et les limites à connaître.
L’essentiel à retenir pour utiliser la loi de Poisson
- Formule : P(X = k) = e-λ λk / k!.
- Paramètre λ : il représente le nombre moyen d’événements sur l’intervalle étudié.
- Valeur k : elle désigne le nombre exact d’événements dont on cherche la probabilité.
- Moyenne et variance : elles sont toutes deux égales à λ.
- Condition principale : les événements doivent être comptés sur un intervalle fixe et se produire de manière suffisamment indépendante.
La formule de la loi de Poisson expliquée simplement
On note généralement X ~ P(λ) lorsque la variable aléatoire X suit une loi de Poisson de paramètre λ. Pour un entier naturel k, la probabilité d’observer exactement k événements s’écrit :
P(X = k) = e-λ × λk / k!
Cette expression paraît compacte, mais chaque élément a un rôle précis. Le symbole λ indique le nombre moyen d’événements attendus, k est le nombre recherché, e est la constante d’Euler, environ égale à 2,718, et k! désigne la factorielle de k.
Par exemple, 4! = 4 × 3 × 2 × 1 = 24. Pour k = 0, on utilise la convention 0! = 1. Ce détail évite une erreur fréquente lorsque l’on calcule la probabilité qu’aucun événement ne se produise.
Ce que mesure réellement cette probabilité
La formule donne une probabilité pour un nombre exact d’événements. Elle ne signifie pas que l’on observera forcément λ événements. Si λ = 4, cela veut dire que la moyenne théorique est 4, mais certaines périodes peuvent compter 2, 5 ou 8 événements.
Je conseille de toujours écrire d’abord la phrase correspondant au calcul. « Exactement 3 appels » devient P(X = 3), tandis que « au moins un appel » devient P(X ≥ 1). Cette traduction réduit fortement les erreurs de notation.
Quand le modèle est-il adapté
La loi de Poisson sert à compter des événements sur un intervalle de temps, de longueur ou de surface. Elle convient notamment aux appels reçus par une assistance, aux défauts sur une bobine de tissu, aux accidents sur une portion de route ou aux pannes observées pendant une journée.
Pour que le modèle soit raisonnable, le taux moyen doit rester à peu près constant sur l’intervalle choisi. Les événements doivent aussi être suffisamment indépendants, ce qui signifie que la survenue de l’un ne modifie pas fortement la probabilité de voir apparaître le suivant.
- Le nombre d’événements est un entier positif ou nul.
- Les occurrences sont comptées dans un intervalle clairement défini.
- Le rythme moyen est supposé stable sur cet intervalle.
- Deux événements ne doivent pas être tellement liés que l’un provoque directement l’autre.
La mention « événements rares » est utile, mais elle ne doit pas être prise au pied de la lettre. Ce qui compte surtout, c’est la possibilité de compter des occurrences indépendantes avec un taux moyen connu. Un centre d’appels peut recevoir beaucoup de demandes et rester modélisable par une loi de Poisson sur une courte période.
Adapter λ à la durée observée
Le paramètre doit toujours correspondre à l’intervalle étudié. Si une ligne reçoit en moyenne 4 appels par heure, alors le nombre moyen attendu en 30 minutes est λ = 2. En 15 minutes, il devient λ = 1.
La règle est simple : on multiplie le taux moyen par la durée exprimée dans la même unité. Pour un taux de 4 appels par heure sur 90 minutes, on obtient λ = 4 × 1,5 = 6 appels.
Comment calculer une probabilité pas à pas
Prenons une situation concrète. Un service reçoit en moyenne 4 appels par heure. Quelle est la probabilité qu’il reçoive exactement 3 appels en 30 minutes ?
- On adapte la moyenne à la durée étudiée : λ = 4 × 0,5 = 2.
- On identifie le nombre demandé : k = 3.
- On applique la formule : P(X = 3) = e-2 × 23 / 3!.
- On calcule : P(X = 3) = e-2 × 8 / 6 ≈ 0,1804.
La probabilité recherchée est donc d’environ 18,04 %. Le résultat concerne exactement trois appels, ni deux ni quatre. Cette précision est importante, car les questions « au plus » et « au moins » demandent une addition de plusieurs probabilités.
Les calculs les plus courants
| Question | Écriture | Méthode |
|---|---|---|
| Exactement k événements | P(X = k) | Appliquer directement la formule |
| Au plus k événements | P(X ≤ k) | Additionner P(X = 0) jusqu’à P(X = k) |
| Au moins k événements | P(X ≥ k) | Utiliser le complément ou additionner les termes concernés |
| Aucun événement | P(X = 0) | e-λ |
Pour calculer la probabilité d’avoir au moins un événement, le complément est souvent le moyen le plus rapide. On écrit P(X ≥ 1) = 1 - P(X = 0) = 1 - e-λ. Avec λ = 3, le résultat vaut environ 95,02 %.
Les propriétés qui facilitent l’interprétation
La loi de Poisson possède une propriété particulièrement pratique : son espérance et sa variance valent toutes deux λ. L’écart-type vaut donc √λ. Si λ = 16, la moyenne est 16 et l’écart-type est 4.
Cette relation donne rapidement une idée de la dispersion. Pour λ = 16, observer 12 ou 20 événements n’a rien d’inconcevable, car ces valeurs se trouvent à une distance modérée de la moyenne. En revanche, une observation très éloignée mérite de vérifier si le taux moyen est vraiment constant.
Additionner plusieurs périodes
Lorsque deux périodes indépendantes suivent des lois de Poisson de paramètres λ1 et λ2, leur total suit une loi de Poisson de paramètre λ1 + λ2. Deux heures avec une moyenne de 5 événements par heure donnent donc un total moyen de 10 événements.
Cette propriété est utile pour regrouper des créneaux ou plusieurs zones comparables. Elle devient moins fiable si les périodes ont des rythmes très différents, par exemple une matinée calme et une heure de pointe très chargée.
Les erreurs fréquentes et les limites du modèle
La première erreur consiste à utiliser le mauvais λ. Un taux exprimé par jour ne peut pas être inséré directement dans une formule portant sur une heure. Il faut d’abord convertir la moyenne dans l’unité de temps choisie.
La deuxième confusion concerne la différence entre exactement, au plus et au moins. P(X = 2) ne répond pas à la même question que P(X ≤ 2), qui inclut les cas 0, 1 et 2.
Il faut aussi éviter de choisir cette distribution lorsque les événements sont fortement dépendants ou lorsque le taux varie brutalement. Les appels d’un service peuvent, par exemple, augmenter après une panne informatique. Dans ce cas, une moyenne unique risque de masquer une structure importante.
Lire aussi : Table de multiplication de 9 - astuces et exercices
Poisson ou binomiale
La loi binomiale compte les succès parmi un nombre fixé d’essais, avec une probabilité de succès p. La loi de Poisson compte plutôt des événements sur une durée ou une zone, sans imposer un nombre maximal d’occurrences.
La loi de Poisson peut approcher une loi binomiale lorsque le nombre d’essais est grand, la probabilité individuelle faible et le produit np proche de λ. Cette approximation simplifie les calculs, mais elle ne dispense pas de vérifier si les hypothèses du modèle correspondent vraiment à la situation.
Le bon réflexe avant de remplacer les nombres
Avant d’utiliser la formule, je vérifie toujours quatre éléments : ce qui est compté, l’intervalle choisi, la moyenne λ sur cet intervalle et la nature des dépendances entre événements. Cette courte vérification est souvent plus importante que le calcul lui-même.
Une fois ces points établis, il suffit d’identifier k, de calculer la factorielle et de contrôler que le résultat est compris entre 0 et 1. La formule devient alors un outil très concret pour estimer une charge, anticiper un volume ou mesurer la probabilité d’un événement rare.
