La fonction LOI.POISSON.N (POISSON.DIST en anglais) est ton outil pour calculer la probabilité d'un nombre donné d'événements sur un intervalle, en connaissant le taux moyen d'occurrence. C'est la fonction idéale pour modéliser les appels téléphoniques, les visites web, les accidents, les défauts de fabrication, ou tout phénomène rare et aléatoire.
Que tu sois data analyst dimensionnant l'infrastructure d'un call center, qualiticien surveillant une ligne de production, ou growth hacker analysant le trafic d'un site, la loi de Poisson est un outil fondamental de ton arsenal statistique. Elle te permet de quantifier l'incertitude et de prendre des décisions éclairées basées sur des probabilités concrètes.
Syntaxe de la fonction LOI.POISSON.N
=LOI.POISSON.N(x; moyenne; cumulative)Pour les grands lambda (supérieurs à 100), la loi de Poisson peut être approximée par une loi normale de moyenne lambda et d'écart-type RACINE(lambda), ce qui est plus rapide à calculer.
Comprendre chaque paramètre de la fonction LOI.POISSON.N
x
: le nombre d'événements pour lequel tu calcules la probabilitéDoit être un entier supérieur ou égal à 0. Par exemple, si tu veux connaître la probabilité d'avoir exactement 3 appels, tu mets x = 3.
Si tu passes une valeur décimale, Excel la tronque automatiquement à la partie entière. Un x négatif provoque une erreur #NOMBRE!.
Astuce : Pour calculer P(X > k), utilise le complément : =1 - LOI.POISSON.N(k; lambda; VRAI). C'est la méthode standard pour les probabilités de dépassement de seuil.
moyenne
: le taux moyen lambda d'événements attendus sur l'intervalleDoit être strictement positif. C'est le paramètre fondamental de la loi de Poisson : si tu observes en moyenne 4 appels par heure, lambda vaut 4.
Lambda est aussi l'estimateur naturel de tes données : calcule =MOYENNE(tes_données) sur un historique pour obtenir le lambda à utiliser. Pour la loi de Poisson, moyenne et variance sont toutes deux égales à lambda.
Attention : Lambda doit être adapté à l'intervalle de temps ou d'espace que tu étudies. Si tu as lambda = 4 appels par heure et que tu veux calculer sur 15 minutes, alors utilise lambda = 4 × (15/60) = 1. L'intervalle doit toujours être cohérent entre lambda et x.
cumulative
: vRAI pour obtenir P(X <= x), la probabilité cumulée ("au plus x événements")FAUX pour obtenir P(X = x), la probabilité exacte ("exactement x événements").
Dans la plupart des analyses métier, tu utiliseras VRAI pour calculer des risques ("quelle probabilité d'avoir plus de k incidents ?"). FAUX sert quand tu veux la probabilité d'un scénario précis.
Astuce : En pratique, VRAI est le mode le plus utilisé car les décisions métier portent rarement sur une valeur exacte, mais plutôt sur un seuil : "moins de 3 pannes", "au plus 10 commandes".
Exemples pratiques pas à pas
Centre d'appels : dimensionner une équipe
Tu es responsable d'un call center qui reçoit en moyenne 4 appels par heure et tu dois dimensionner ton équipe pour éviter les débordements. La loi de Poisson te permet de calculer les probabilités de différents volumes d'appels à partir du seul paramètre lambda = 4.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Scénario | Formule | Résultat | Interprétation |
| 2 | 0 appel dans l'heure | =LOI.POISSON.N(0;4;FAUX) | 0,0183 | 1,83 % de chance |
| 3 | Exactement 4 appels | =LOI.POISSON.N(4;4;FAUX) | 0,1954 | 19,54 % de chance |
| 4 | Au plus 5 appels | =LOI.POISSON.N(5;4;VRAI) | 0,7851 | 78,51 % de chance |
| 5 | Plus de 6 appels | =1-LOI.POISSON.N(6;4;VRAI) | 0,1107 | 11,07 % de chance |
=LOI.POISSON.N(5;4;VRAI)En mode cumulatif, la fonction donne 78,51 % de chances de recevoir au plus 5 appels sur une heure (moyenne de 4). Le complément à 1 sur 6 appels révèle 11,07 % de risque de dépasser 6, ce qui justifie de prévoir au moins 2 opérateurs en permanence.
Astuce de pro : En combinant plusieurs plages horaires, tu peux construire un planning optimal en minimisant les coûts tout en garantissant un taux de service cible. Par exemple, si tu veux que le risque de débordement reste sous 5 %, cherche le k tel que 1 - LOI.POISSON.N(k; lambda; VRAI) < 0,05.
Qualiticien : évaluer les défauts de fabrication
Tu es qualiticien dans une usine produisant du câble électrique. La ligne a en moyenne 0,5 défaut par 100 mètres. Tu utilises LOI.POISSON.N pour évaluer la qualité des lots et fixer les seuils de rejet.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Question | Formule | Résultat | Interprétation |
| 2 | 0 défaut par 100 m | =LOI.POISSON.N(0;0,5;FAUX) | 0,6065 | 60,65 % parfait |
| 3 | 1 défaut par 100 m | =LOI.POISSON.N(1;0,5;FAUX) | 0,3033 | 30,33 % un défaut |
| 4 | <= 2 défauts par 100 m | =LOI.POISSON.N(2;0,5;VRAI) | 0,9856 | 98,56 % acceptable |
| 5 | > 3 défauts (rejet) | =1-LOI.POISSON.N(3;0,5;VRAI) | 0,0018 | 0,18 % rejet |
=LOI.POISSON.N(2;0,5;VRAI)Le mode cumulatif additionne les probabilités de 0 à 2 défauts pour une moyenne de 0,5, soit 98,56 % des segments de 100 m. Au-delà de 3 défauts, seulement 0,18 % des lots seraient rejetés à tort : un seuil à la fois sélectif et réaliste.
Growth hacker : anticiper les pics de trafic
Tu dois dimensionner l'infrastructure serveur de ton site qui reçoit en moyenne 10 visites par minute. La loi de Poisson te permet d'anticiper les pics de charge et de décider combien de serveurs provisionner.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Période | Question | Formule | Résultat |
| 2 | Par minute (lambda=10) | Exactement 10 visites | =LOI.POISSON.N(10;10;FAUX) | 0,1251 |
| 3 | Par minute (lambda=10) | Plus de 15 visites | =1-LOI.POISSON.N(15;10;VRAI) | 0,0487 |
| 4 | Par heure (lambda=600) | Moins de 550 | =LOI.POISSON.N(549;600;VRAI) | 0,0192 |
=1-LOI.POISSON.N(15;10;VRAI)La formule calcule la probabilité cumulée d'au plus 15 visites pour une moyenne de 10, puis prend le complément à 1 : environ 5 % de chances de dépasser ce seuil. Dimensionner l'infrastructure pour ce scénario garantit donc 95 % de disponibilité.
Attention : Pour de très grands lambda (plus de 100), Excel peut renvoyer des résultats imprécis voire une erreur de débordement numérique. Utilise dans ce cas l'approximation normale : =LOI.NORMALE.N(x; lambda; RACINE(lambda); VRAI).
Data analyst : tester si des données suivent une loi de Poisson
Pour vérifier si tes données suivent bien une loi de Poisson, compare la variance et la moyenne de ton échantillon. Si le ratio Variance/Moyenne est proche de 1, c'est un bon indicateur de conformité.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Valeur observée | P(X=k) théorique | Fréquence observée | Cohérence |
| 2 | 0 | =LOI.POISSON.N(0;2;FAUX) | 0,136 | Oui (0,135) |
| 3 | 1 | =LOI.POISSON.N(1;2;FAUX) | 0,271 | Oui (0,271) |
| 4 | 2 | =LOI.POISSON.N(2;2;FAUX) | 0,270 | Oui (0,271) |
| 5 | 3 | =LOI.POISSON.N(3;2;FAUX) | 0,180 | Oui (0,180) |
=LOI.POISSON.N(0;2;FAUX)En mode non cumulatif, la fonction donne la fréquence théorique de chaque valeur (13,53 % pour zéro événement, lambda = 2), à comparer aux fréquences observées. Une correspondance étroite confirme l'ajustement Poisson ; un écart marqué (surdispersion) oriente vers une loi binomiale négative.
Astuce de pro : La propriété clé de la loi de Poisson est que moyenne et variance sont toutes deux égales à lambda. Pour estimer lambda depuis tes données, calcule simplement =MOYENNE(plage) : c'est l'estimateur du maximum de vraisemblance.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction LOI.POISSON.N
Erreur #NOMBRE! avec un x négatif ou un lambda nul
LOI.POISSON.N exige que x >= 0 et que moyenne > 0. Si x est négatif ou si lambda est inférieur ou égal à zéro, Excel renvoie #NOMBRE! car ces valeurs sont mathématiquement impossibles pour une loi de Poisson.
Solution : Vérifie que ta valeur x est un entier positif ou nul, et que ton paramètre lambda est strictement positif. Si lambda vient d'un calcul intermédiaire, ajoute un MAX(calcul; 0,0001) pour éviter les valeurs nulles ou négatives.
Résultat toujours 1 avec cumulative=VRAI
Quand x est très grand par rapport à lambda, la probabilité cumulée P(X <= x) tend vers 1 au point que Excel l'affiche exactement comme 1, même si la véritable probabilité n'est pas exactement 1.
Solution : Utilise plutôt le complément =1 - LOI.POISSON.N(x-1; lambda; VRAI) pour obtenir P(X >= x), ce qui te donne plus de précision sur la queue de distribution. Vérifie aussi que ton x est cohérent avec lambda.
Lambda mal adapté à l'intervalle étudié
Lambda doit toujours être exprimé dans la même unité que l'intervalle étudié. Utiliser lambda=4 appels/heure pour calculer une probabilité sur 15 minutes donne un résultat faux.
Solution : Adapte lambda proportionnellement : si lambda vaut 4 appels/heure et que tu étudies 15 minutes, utilise =LOI.POISSON.N(x; 4*(15/60); cumulative), soit lambda = 1 pour 15 minutes.
LOI.POISSON.N vs LOI.BINOMIALE.N vs LOI.NORMALE.N
Utilise LOI.POISSON.N quand tu comptes des événements dans un intervalle continu. LOI.BINOMIALE.N s'applique quand tu as un nombre fixe d'essais. LOI.NORMALE.N convient quand les données sont continues et suivent une courbe en cloche.
| Critère | LOI.POISSON.N | LOI.BINOMIALE.N | LOI.NORMALE.N |
|---|---|---|---|
| Type de données | Comptage d'événements sur un intervalle | Succès/échecs sur N essais fixés | Données continues (tailles, poids…) |
| Paramètres | lambda (taux moyen) | n (essais), p (probabilité) | moyenne, écart-type |
| Exemples typiques | Appels/heure, accidents/mois, défauts/km | Pièces défectueuses dans un lot de 100 | QI, temps de réponse, mesures physiques |
| Relation | Limite de la binomiale (n→∞, p→0, np=lambda) | Approx. par Poisson si n grand, p petit | Approx. de Poisson si lambda > 100 |
Questions fréquentes sur la fonction LOI.POISSON.N
Comment adapter lambda quand l'intervalle de temps change ?
Tu dois ajuster le paramètre lambda proportionnellement à l'intervalle souhaité. Si tu as lambda = 4 appels par heure et que tu veux calculer pour 15 minutes, alors lambda devient 4 × (15/60) = 1. La probabilité s'adapte automatiquement à l'intervalle que tu choisis.
Comment calculer P(X > k) avec LOI.POISSON.N ?
Tu utilises le complément : =1 - LOI.POISSON.N(k; lambda; VRAI). Cela te donne P(X > k) = 1 - P(X <= k). C'est la méthode standard pour calculer les probabilités de dépassement de seuil.
Comment estimer lambda à partir de mes données ?
Lambda est estimé par la moyenne de tes observations : =MOYENNE(tes_données). Pour la loi de Poisson, la moyenne empirique est l'estimateur du maximum de vraisemblance de lambda, c'est donc le meilleur estimateur possible.
Comment savoir si mes données suivent une loi de Poisson ?
Vérifie que la variance de tes données est proche de la moyenne. Si le ratio Variance/Moyenne est proche de 1, c'est un bon indicateur que tes données suivent une loi de Poisson. Si ce ratio est nettement supérieur à 1, tu as de la surdispersion et tu devrais considérer une binomiale négative.
Quelle est la différence entre LOI.POISSON et LOI.POISSON.N ?
LOI.POISSON est l'ancienne version conservée pour la compatibilité avec les anciennes feuilles de calcul. LOI.POISSON.N est la version moderne avec une syntaxe cohérente avec les autres fonctions statistiques d'Excel. Les résultats sont strictement identiques.
Peut-on utiliser LOI.POISSON.N pour modéliser des événements très rares ?
Oui, c'est même l'un des cas d'usage les plus adaptés. Quand la probabilité individuelle d'un événement est très faible mais que le nombre d'opportunités est grand (accidents du travail, pannes matérielles, erreurs bancaires), la loi de Poisson s'applique naturellement. Un lambda très petit (0,01, 0,001) est tout à fait valide.
Pour aller plus loin
Bloqué sur une formule Excel ?
Pose ta question à notre assistant Excel IA, il te sort la bonne formule en quelques secondes.
Essayer l'assistant IAGratuit · 10 questions par mois