Comprendre la distribution du Poisson par des événements quotidiens

La distribution de Poisson est une distribution de probabilité discrète qui modélise le nombre de fois qu'un événement se produit dans un intervalle fixe de temps, d'espace, de volume ou tout autre domaine continu. Elle est particulièrement efficace pour décrire des événements qui sont rares par rapport à la taille de l'intervalle, qui se produisent indépendamment et à un taux moyen constant.

Qu'est-ce que la distribution de Poisson?

La distribution Poisson prend son nom du mathématicien français Siméon Denis Poisson, qui a publié son travail sur la loi des grands nombres pour les variables binaires en 1837. La distribution est définie par un seul paramètre, λ (lambda), qui représente le nombre moyen d'événements dans l'intervalle. k les événements sont donnés par la formule:

P(k; λ) = (λk · e–λ) / k!

où:

  • k = nombre d'occurrences (entier non négatif, 0,1,2,...)
  • λ = nombre moyen d'occurrences par intervalle (λ > 0)
  • e 2.71828 (numéro d'eulier)
  • - Oui. = facteur de k

La formule tient compte de tous les dénombrements possibles, et la somme des probabilités sur k de 0 à l'infini égale 1.

Hypothèses clés

Pour que le modèle Poisson soit approprié, ces conditions doivent être remplies:

  1. Indépendance – La présence d'un événement n'affecte pas la probabilité d'un autre. (Par exemple, les arrivées par courriel d'expéditeurs indépendants sont généralement indépendantes.)
  2. Stationnement – Le taux moyen λ est constant sur l'intervalle. Si le taux change avec le temps, un processus de Poisson dépendant du temps est nécessaire.
  3. Rareté – Les événements sont assez rares que la probabilité de deux ou plusieurs événements se produisant dans un sous-intervalle infiniment petit est négligeable.
  4. Dénombrement – Le nombre d'événements dans les sous-intervalles disjoints est indépendant.

Propriétés et caractéristiques

Moyenne et écarts

Une caractéristique de la distribution de Poisson est que sa moyenne et sa variance sont égales.

  • Moyenne (valeur prévue) = λ
  • Écart = λ
  • Écart type = √λ

Cette propriété est unique parmi les distributions communes – par exemple, la distribution binomiale a la variance np(1-p) qui est généralement plus petite que sa moyenne. Lorsque vous voyez des données de comptage du monde réel où la variance moyenne et de l'échantillon sont similaires, un modèle Poisson est souvent un bon point de départ.

Forme

Pour les petits λ (par exemple λ = 0,5), la distribution est fortement biaisée, avec la plus grande probabilité de masse à zéro. Lorsque λ grandit (λ > 20), la distribution de Poisson est approximative d'une distribution normale avec la moyenne λ et la variance λ, grâce au théorème de la limite centrale.

Exemples quotidiens de distribution de Poisson

La distribution s'applique partout où nous comptons les événements sur un intervalle fixe.

  • Courriels reçus par heure – La moyenne pourrait être 10; la distribution vous indique la chance d'obtenir 15 dans une heure chargée.
  • Les clients entrent dans un magasin par bloc de 5 minutes – Utile pour les décisions de dotation.
  • Appels téléphoniques à un centre d'appels par minute – Aide à prédire combien d'opérateurs sont nécessaires.
  • Typos par page – La distribution Poisson peut modéliser la diffusion aléatoire des erreurs.
  • Accidents à une intersection occupée par jour – Utilisé par les ingénieurs de la sécurité routière.
  • Essais de tir dans un match de basketball – Le nombre de tirs tentés dans un quart peut suivre une distribution de Poisson.
  • Tremblements de terre de magnitude 5 ou plus par an dans une région donnée – Modélisation des risques géologiques.

Exemple détaillé de travail: Courriels de livres perdus de bibliothèque

Let-S expand the article: Une bibliothèque universitaire reçoit en moyenne 3 emails par jour sur les livres perdus (λ = 3). Nous voulons calculer les probabilités pour différentes valeurs k.

Calculer la probabilité de recevoir exactement 5 emails en une journée

En utilisant la formule:
P(5; 3) = (35 · e–3) / 5 !

  • 35 = 243
  • e–3 - 0,049787
  • 5! = 120

P(5) , (243 × 0,049787) / 120 , 12,102 / 120 , 0.1009 (environ 10,1%). Ainsi, environ un jour sur dix, la bibliothèque recevra exactement 5 courriels de livres perdus.

Probabilité de recevoir moins de 2 courriels en une journée

Nous avons besoin de P(k=0) + P(k=1):

  • P(0) = (30 · e–3)/0! = (1 × 0,049787)/1 = 0,0498
  • P(1) = (31 · e–3)/1! = (3 × 0,049787)/1 = 0,1494

Total = 0,0498 + 0,1494 = 0.1992, soit environ 19,9%. La bibliothèque peut s'attendre à un jour très léger environ 1 jour sur 5.

Probabilité de recevoir au moins 4 courriels par jour

Au lieu de résumer de k=4 à l'infini, utilisez le complément : 1 – P(k ≤ 3). Calculer P(k=0),12,3:

  • P(0) = 0,0498
  • P(1) = 0,1494
  • P(2) = (9 × 0,049787)/2 = 0,2240
  • P(3) = (27 × 0,049787)/6 = 0,2240

Somme ≤3 = 0,0498+0,1494+0,2240+0,2240 = 0,6472. Puis au moins 4 = 1 – 0,6472 = 0,3528, ou 35,3%. La bibliothèque peut avoir besoin de réserver du personnel supplémentaire sur environ un tiers des jours.

Visualisation de la distribution

Une façon pratique de vérifier est de lister les probabilités pour k = 0 à 10. Ils culminent près de λ, diminuant symétriquement pour les plus grands λ. La variance λ = 3 signifie que la plupart des jours verront entre λ ± ελ = 3 ± 1,73, c'est-à-dire 1 à 5 courriels.

Autre exemple : Décaissement radioactif

Supposons qu'un échantillon d'isotope radioactif émette en moyenne 2 particules par minute (λ = 2), quelle est la probabilité de détecter exactement 4 particules dans la minute suivante?
P(4;2) = (24 · e–2)/24 = (16 × 0,13534)/24 - - 2,1654/24 = 0,0902 (9,0%). Et la probabilité de détecter au moins une particule?–2) = 1 – 0,1353 = 0,8647.

Relation avec la distribution binôme

La distribution de Poisson est souvent introduite comme un cas limitatif de la distribution binomiale lorsque le nombre d'essais n est très important et la probabilité de succès p est très faible, de sorte que le produit np = λ reste constant. En pratique, cette approximation fonctionne bien lorsque n ≥ 20 et p ≤ 0,05, ou pour n ≥ 100, même si p est légèrement plus grand. Par exemple, considérez le nombre d'articles défectueux dans un lot de 10 000 où le taux de défaut est de 0,01 %. La probabilité exacte de Binomial est lourde à calculer; l'approximation de Poisson avec λ = 10000×0.0001 = 1 fonctionne magnifiquement.

Applications dans l'industrie et la recherche

Dotation en personnel du centre d'appels

Avec λ = 5 appels par minute en moyenne, ils peuvent calculer la probabilité de recevoir 8 appels ou plus – et ensuite disposer d'agents suffisants pour que la probabilité de temps d'attente excessif reste en dessous d'un seuil.

Contrôle de la qualité dans l'industrie manufacturière

Inspection des rouleaux de tissu – le nombre de défauts par mètre carré suit souvent une distribution de Poisson. Si λ = 0,3 défauts/m2, la probabilité qu'un mètre carré aléatoire soit exempt de défauts est e–0,3 - 0.741. Les ingénieurs de la qualité fixent des limites acceptables en conséquence.

Assurance et gestion des risques

Les compagnies d'assurances ont un modèle de réclamation par mois en utilisant la distribution Poisson (bien que souvent avec une extension binôme négative lorsque la variance dépasse la moyenne – une torsion réelle commune).

Biologie et écologie

Le nombre de feuilles de trèfle avec quatre folioles dans un champ, ou le nombre de colonies de bactéries sur un plat de Petri, peut être modélisé comme processus de Poisson lorsque les événements sous-jacents sont aléatoires et indépendants.

Limitations et prorogations

La distribution de Poisson suppose une vitesse et une indépendance constantes. distribution binôme négative (pour les données de comptage surdispersées, où la variance > moyenne) ou la Poisson à teneur nulle Pour les événements qui surviennent au fil du temps avec un taux qui change (p. ex., plus élevé pendant l'heure de pointe), procédé de Poisson non homogène est nécessaire.

De plus, le Poisson ne peut que compter les modèles; il ne gère pas le moment entre les événements (la distribution exponentielle couvre cela).

Comment calculer les probabilités de Poisson

Calcul des facteurs à la main pour le grand k est peu pratique, mais les outils modernes le manipulent instantanément:

  • Excel / Feuilles Google : – ensemble cumulatif=0 pour le FMP, =1 pour le FDC.
  • Python (SciPy) : ou .
  • C'est un peu comme ça. et .
  • Calculatrices en ligne : de nombreux sites vous permettent d'entrer λ et k pour obtenir des probabilités instantanément (par exemple, Calculatrice de Poisson Stattrek) .

Interprétation des résultats du Poisson dans la vie réelle

Par exemple, si un service d'urgence d'un hôpital voit en moyenne 8 patients par heure (λ=8), la probabilité de voir 14 patients ou plus en une heure est d'environ 3,3 %. Si les administrateurs veulent s'assurer que ces surtensions sont gérées sans trop attendre, ils peuvent prévoir du personnel supplémentaire lorsque la probabilité dépasse 5 %. Cette approche fondée sur les données remplace les hypothèses.

Erreurs courantes

  • -Le Poisson exige que les événements soient rares. – Pas exactement; il exige que le nombre prévu dans un petit sous-intervalle soit faible. Le nombre d'intervalles peut être important (p. ex. λ=1000 événements par jour).
  • - Les événements doivent être également probables à travers l'intervalle. – Le taux doit être constant ; si le taux change, le modèle échoue.
  • -La moyenne doit égaler la variance. – C'est une propriété, pas une hypothèse. Si les données réelles montrent une variance beaucoup plus grande que la moyenne, le Poisson n'est pas un bon ajustement.

Résumé

La distribution de Poisson est un outil élégant et pratique pour modéliser les nombres d'événements rares ou aléatoires dans un intervalle fixe. Son paramètre unique λ permet d'estimer facilement à partir des moyennes historiques, et son égalité de moyenne et de variance permet de vérifier l'adéquation du modèle. De la compréhension des volumes quotidiens de courrier électronique au contrôle de la qualité industrielle, la distribution de Poisson transforme les nombres bruts en probabilités actionnables.

Pour plus de détails sur le fondement mathématique et le contexte historique, voir l'article Wikipedia sur la distribution de Poisson. Pour une plongée plus profonde dans son utilisation dans la théorie de la file d'attente, consulter des ressources comme Khan Academy . Présentation de la distribution de Poisson- Oui.