{"id":7220,"date":"2026-09-16T18:23:27","date_gmt":"2026-09-16T18:23:27","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/qu-est-ce-que-la-distribution-d-erlang\/"},"modified":"2026-09-16T18:23:29","modified_gmt":"2026-09-16T18:23:29","slug":"qu-est-ce-que-la-distribution-d-erlang","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=qu-est-ce-que-la-distribution-d-erlang","title":{"rendered":"Qu’est-ce que la distribution d’Erlang ?"},"content":{"rendered":"

Au c\u0153ur de la th\u00e9orie des probabilit\u00e9s appliqu\u00e9es et de la mod\u00e9lisation des processus stochastiques, la distribution d’Erlang<\/strong> occupe une place \u00e9minente et singuli\u00e8re. Con\u00e7ue initialement pour r\u00e9pondre aux d\u00e9fis techniques et logistiques pos\u00e9s par l’essor des r\u00e9seaux t\u00e9l\u00e9phoniques au d\u00e9but du XXe si\u00e8cle, cette loi de probabilit\u00e9 continue s’est progressivement \u00e9mancip\u00e9e de son champ d’application originel pour devenir un instrument analytique universel. En reliant de mani\u00e8re \u00e9l\u00e9gante les lois continues et les processus de comptage discrets, elle offre un cadre rigoureux pour formaliser le temps requis pour accomplir une suite ordonn\u00e9e d’\u00e9tapes ind\u00e9pendantes, chacune r\u00e9gie par un m\u00e9canisme exponentiel sans m\u00e9moire.<\/p>\n

D’un point de vue structural, la loi d’Erlang repr\u00e9sente un pont fondamental entre la distribution exponentielle \u2014 dont elle constitue la somme de variables ind\u00e9pendantes et identiquement distribu\u00e9es \u2014 et la distribution Gamma, dont elle est la restriction exacte aux param\u00e8tres de forme entiers. Cette sp\u00e9cificit\u00e9 alg\u00e9brique conf\u00e8re \u00e0 la loi d’Erlang une tractabilit\u00e9 analytique remarquable : l\u00e0 o\u00f9 les distributions continues arbitraires imposent des approximations num\u00e9riques complexes, la distribution d’Erlang permet des r\u00e9solutions explicites et exactes gr\u00e2ce \u00e0 des sommes finies de termes poissoniens. De ce fait, elle demeure une pierre angulaire dans la mod\u00e9lisation des ph\u00e9nom\u00e8nes de flux, d’attente et de d\u00e9gradation.<\/p>\n

Le pr\u00e9sent article propose une exploration exhaustive et approfondie de la distribution d’Erlang, depuis sa gen\u00e8se historique au sein des centraux t\u00e9l\u00e9phoniques de Copenhague jusqu’\u00e0 ses utilisations les plus contemporaines en biologie math\u00e9matique, en informatique distribu\u00e9e et en sciences cognitives. \u00c0 travers une analyse d\u00e9taill\u00e9e de ses fondements analytiques, de ses propri\u00e9t\u00e9s statistiques, de ses dynamiques de transition et de ses protocoles d’estimation, cette synth\u00e8se acad\u00e9mique vise \u00e0 offrir une compr\u00e9hension globale de ce mod\u00e8le probabiliste indispensable \u00e0 l’ing\u00e9nieur, au statisticien et au chercheur en sciences appliqu\u00e9es.<\/p>\n

1. Introduction et gen\u00e8se historique de la distribution d’Erlang<\/h2>\n

1.1 Les travaux fondateurs d’Agner Krarup Erlang<\/h3>\n

L’\u00e9mergence de la distribution d’Erlang est indissociable du parcours intellectuel du math\u00e9maticien et ing\u00e9nieur danois Agner Krarup Erlang<\/a> (1878\u20131929). Embauch\u00e9 en 1908 par la Copenhagen Telephone Company<\/em> (KTAS) sous l’impulsion de son directeur Frantz Johannsen, Erlang avait pour mission de rationaliser le fonctionnement d’un r\u00e9seau alors en pleine explosion technologique. Au tournant du XXe si\u00e8cle, la t\u00e9l\u00e9phonie subissait une mutation radicale : le passage progressif de la commutation enti\u00e8rement manuelle, op\u00e9r\u00e9e par des standardistes, vers des dispositifs \u00e9lectrom\u00e9caniques automatis\u00e9s imposait une gestion rigoureuse des goulets d’\u00e9tranglement.<\/p>\n

Confront\u00e9 \u00e0 l’incapacit\u00e9 des ing\u00e9nieurs de l’\u00e9poque \u00e0 quantifier scientifiquement la capacit\u00e9 optimale des faisceaux de c\u00e2bles, Erlang aborda le probl\u00e8me non pas sous un angle purement empirique, mais par le prisme de la physique statistique et du calcul des probabilit\u00e9s. Ses observations m\u00e9ticuleuses au sein des centraux de Copenhague lui permirent de comprendre que les appels t\u00e9l\u00e9phoniques ne se pr\u00e9sentaient pas de mani\u00e8re d\u00e9terministe ou synchrone, mais constituaient un flux d’\u00e9v\u00e9nements al\u00e9atoires discontinus. C’est dans ce laboratoire industriel qu’il jeta les bases de ce qui allait devenir la discipline fondamentale de l’ing\u00e9nierie du trafic et de la stochastique appliqu\u00e9e.<\/p>\n

En formulant l’hypoth\u00e8se audacieuse que les dur\u00e9es de communication et les intervalles inter-arriv\u00e9es pouvaient \u00eatre d\u00e9compos\u00e9s en segments \u00e9l\u00e9mentaires, Erlang a ouvert la voie \u00e0 la formalisation math\u00e9matique de l’encombrement des lignes. Ses travaux, publi\u00e9s notamment en 1909 dans son m\u00e9moire inaugural The Theory of Probabilities and Telephone Conversations<\/em>, d\u00e9montr\u00e8rent pour la premi\u00e8re fois comment mod\u00e9liser math\u00e9matiquement les blocages de lignes d’abonn\u00e9s et d\u00e9terminer avec une pr\u00e9cision rigoureuse le compromis \u00e9conomique entre le co\u00fbt des infrastructures et la qualit\u00e9 de service ressentie par les usagers.<\/p>\n

1.2 Le probl\u00e8me initial de commutation et du trafic t\u00e9l\u00e9phonique<\/h3>\n

Le probl\u00e8me physique auquel Erlang \u00e9tait confront\u00e9 r\u00e9sidait dans l’asym\u00e9trie structurelle entre la demande des usagers et la capacit\u00e9 finie des centraux t\u00e9l\u00e9phoniques. D’une part, les appels entrants survenaient de fa\u00e7on purement impr\u00e9visible au fil de la journ\u00e9e ; d’autre part, la dur\u00e9e d’occupation des circuits par les conversations variait de mani\u00e8re sensible d’un abonn\u00e9 \u00e0 l’autre. Dans un tel syst\u00e8me, si un abonn\u00e9 tentait d’\u00e9tablir une liaison alors que l’ensemble des commutateurs ou des lignes de transmission disponibles \u00e9tait d\u00e9j\u00e0 sollicit\u00e9, l’appel \u00e9tait irr\u00e9m\u00e9diablement rejet\u00e9 ou perdu, g\u00e9n\u00e9rant une friction technique et commerciale majeure.<\/p>\n

Le dimensionnement optimal des r\u00e9seaux n\u00e9cessitait une approche novatrice. Construire un r\u00e9seau capable d’absorber la demande maximale absolue sans aucun blocage aurait exig\u00e9 des investissements mat\u00e9riels colossaux, \u00e9conomiquement insoutenables pour la compagnie de t\u00e9l\u00e9phone. \u00c0 l’inverse, sous-dimensionner les installations entra\u00eenait un taux de saturation inacceptable et un engorgement perp\u00e9tuel du syst\u00e8me. La r\u00e9solution de ce dilemme r\u00e9sidait dans le calcul de la probabilit\u00e9 exacte qu’un syst\u00e8me compos\u00e9 d’un nombre d\u00e9termin\u00e9 de circuits tombe en \u00e9tat de blocage sous une charge de trafic donn\u00e9e.<\/p>\n

Erlang a formalis\u00e9 ce trafic en introduisant une m\u00e9trique adimensionnelle, qui portera plus tard son nom : l’erlang, d\u00e9fini comme le produit du taux moyen d’arriv\u00e9e des appels par la dur\u00e9e moyenne de maintien de la communication. En traduisant les flux physiques en variables stochastiques, il a op\u00e9r\u00e9 une rupture \u00e9pist\u00e9mologique majeure, substituant aux r\u00e8gles de pouce approximatives et \u00e0 l’empirisme d’atelier une v\u00e9ritable th\u00e9orie probabiliste du trafic des t\u00e9l\u00e9communications, universellement applicable \u00e0 tout syst\u00e8me d’acheminement de requ\u00eates.<\/p>\n

1.3 Naissance de la th\u00e9orie des files d’attente<\/h3>\n

En mod\u00e9lisant math\u00e9matiquement les transitions d’\u00e9tat d’un r\u00e9seau t\u00e9l\u00e9phonique, Agner Krarup Erlang ne s’est pas content\u00e9 de r\u00e9soudre un probl\u00e8me d’ing\u00e9nierie locale : il a fond\u00e9 une branche enti\u00e8rement nouvelle des math\u00e9matiques appliqu\u00e9es, la th\u00e9orie des files d’attente<\/a>. Le c\u0153ur de sa d\u00e9marche consistait \u00e0 formaliser le concept d’\u00e9tat d’\u00e9quilibre statistique, selon lequel, en r\u00e9gime permanent, le flux de probabilit\u00e9 entrant dans un \u00e9tat donn\u00e9 du syst\u00e8me compense rigoureusement le flux de probabilit\u00e9 qui en sort. Ce principe fondamental de balance globale a permis d’\u00e9crire des syst\u00e8mes diff\u00e9rentiels solubles d\u00e9crivant l’\u00e9volution temporelle des congestions.<\/p>\n

De ces recherches ont \u00e9merg\u00e9 deux \u00e9quations c\u00e9l\u00e8bres qui dominent encore aujourd’hui l’ing\u00e9nierie des r\u00e9seaux : la formule d’Erlang B, d\u00e9di\u00e9e aux syst\u00e8mes sans attente o\u00f9 tout appel rejet\u00e9 est perdu (mod\u00e8le \u00e0 pertes), et la formule d’Erlang C, applicable aux syst\u00e8mes o\u00f9 les requ\u00eates exc\u00e9dentaires sont plac\u00e9es dans un registre d’attente jusqu’\u00e0 la lib\u00e9ration d’un serveur (mod\u00e8le \u00e0 retard). La d\u00e9rivation de ces lois exigeait une mod\u00e9lisation fine du temps de service, conduisant Erlang \u00e0 envisager des dur\u00e9es qui n’\u00e9taient plus seulement distribu\u00e9es selon une loi exponentielle simple, mais compos\u00e9es de plusieurs phases de service cons\u00e9cutives.<\/p>\n

Cette conceptualisation des processus stochastiques par phases a \u00e9tabli les bases th\u00e9oriques de la recherche op\u00e9rationnelle contemporaine. L’influence d’Erlang s’est \u00e9tendue bien au-del\u00e0 des t\u00e9l\u00e9phones danois : ses concepts ont inspir\u00e9 les travaux de math\u00e9maticiens comme David George Kendall, F\u00e9lix Pollaczek et Andre\u00ef Kolmogorov, conf\u00e9rant aux structures stochastiques une port\u00e9e universelle qui innerve aujourd’hui l’analyse des r\u00e9seaux informatiques, les cha\u00eenes logistiques mondiales et l’optimisation des services de sant\u00e9.<\/p>\n

2. D\u00e9finition math\u00e9matique et fonction de densit\u00e9 de probabilit\u00e9<\/h2>\n

2.1 Formulation analytique de la densit\u00e9 de probabilit\u00e9<\/h3>\n

La distribution d’Erlang est une distribution de probabilit\u00e9 continue d\u00e9finie sur le demi-axe des r\u00e9els positifs. Elle est caract\u00e9ris\u00e9e par deux param\u00e8tres fondamentaux : un param\u00e8tre de forme, traditionnellement not\u00e9 k<\/em>, qui doit imp\u00e9rativement appartenir \u00e0 l’ensemble des entiers strictement positifs (k<\/em> ∈ &naturals;*<\/sup> = {1, 2, 3, …}), et un param\u00e8tre d’intensit\u00e9 ou de taux, not\u00e9 λ, qui est un nombre r\u00e9el strictement sup\u00e9rieur \u00e0 z\u00e9ro (λ ∈ &reals;+<\/sub>*<\/sup>). Dans certaines formulations d’ing\u00e9nierie, on substitue au taux λ un param\u00e8tre d’\u00e9chelle not\u00e9 μ ou θ, avec la relation d’inversion directe μ = 1 \/ λ.<\/p>\n

Pour toute variable al\u00e9atoire continue X<\/em> suivant une loi d’Erlang de param\u00e8tres k<\/em> et λ, que l’on note de mani\u00e8re canonique X<\/em> ~ Erlang(k<\/em>, λ), la fonction de densit\u00e9 de probabilit\u00e9 (PDF, pour Probability Density Function<\/em>) s’\u00e9nonce rigoureusement pour tout x<\/em> ≥ 0 selon l’expression analytique suivante :<\/p>\n

f(x; k, λ) = [ λk<\/sup> · xk-1<\/sup> · e-λx<\/sup> ] \/ (k – 1)!<\/em><\/p>\n

Pour toute valeur strictement n\u00e9gative de la variable, c’est-\u00e0-dire pour x<\/em> < 0, la fonction de densit\u00e9 est identiquement nulle : f(x; k, λ) = 0<\/em>. Le d\u00e9nominateur de cette fraction fait intervenir la factorielle (k – 1)!<\/em>, qui agit comme la constante de normalisation indispensable pour garantir que l’int\u00e9grale de la densit\u00e9 sur son domaine de d\u00e9finition soit rigoureusement \u00e9gale \u00e0 l’unit\u00e9 :<\/p>\n

∫0<\/sub>∞<\/sup> f(x; k, λ) dx = 1<\/em><\/p>\n

\"Erlang
Erlang distribution<\/figcaption><\/figure>\n

2.2 D\u00e9composition structurelle de l’expression math\u00e9matique<\/h3>\n

Une analyse attentive de la fonction de densit\u00e9 de probabilit\u00e9 d’Erlang r\u00e9v\u00e8le qu’elle proc\u00e8de de la multiplication synergique de trois composantes distinctes mais compl\u00e9mentaires. La premi\u00e8re composante est le facteur de normalisation et d’intensit\u00e9 globale, repr\u00e9sent\u00e9 par la quantit\u00e9 λk<\/sup> \/ (k – 1)!<\/em>. Ce terme scalaire assure la coh\u00e9rence dimensionnelle de la distribution, garantissant que l’aire totale d\u00e9limit\u00e9e par la courbe au-dessus de l’axe des abscisses demeure invariante et \u00e9gale \u00e0 un, quelles que soient les valeurs attribu\u00e9es \u00e0 k<\/em> et λ.<\/p>\n

La deuxi\u00e8me composante est le terme monomial ou polynomial xk-1<\/sup><\/em>. Ce facteur g\u00e9om\u00e9trique r\u00e9git le comportement de la distribution au voisinage imm\u00e9diat de l’origine (lorsque x<\/em> tend vers 0). Lorsque k = 1<\/em>, ce terme se r\u00e9duit \u00e0 x0<\/sup> = 1<\/em>, conf\u00e9rant \u00e0 la densit\u00e9 sa valeur maximale d\u00e8s l’origine. En revanche, d\u00e8s que k<\/em> ≥ 2, le mon\u00f4me s’annule en x = 0<\/em> avec un ordre de multiplicit\u00e9 k – 1<\/em>. Cela conf\u00e8re \u00e0 la courbe une pente nulle \u00e0 l’origine d\u00e8s que k<\/em> ≥ 3, traduisant une latence initiale o\u00f9 la probabilit\u00e9 qu’un \u00e9v\u00e9nement survienne de mani\u00e8re instantan\u00e9e est infinit\u00e9simale.<\/p>\n

La troisi\u00e8me composante est le facteur exponentiel d\u00e9croissant e-λx<\/sup><\/em>. Alors que le terme polynomial tire la distribution vers le haut au fur et \u00e0 mesure que x<\/em> augmente, l’exponentielle n\u00e9gative impose un amortissement asymptotique puissant d\u00e8s que x<\/em> devient grand. C’est pr\u00e9cis\u00e9ment l’affrontement entre la croissance polynomiale et l’extinction exponentielle qui donne \u00e0 la densit\u00e9 d’Erlang son profil unimodal asym\u00e9trique caract\u00e9ristique, culminant en un sommet unique avant de d\u00e9cro\u00eetre doucement vers z\u00e9ro \u00e0 l’infini.<\/p>\n

2.3 Interpr\u00e9tation stochastique : somme de variables exponentielles<\/h3>\n

L’attrait conceptuel majeur de la distribution d’Erlang r\u00e9side dans son interpr\u00e9tation probabiliste concr\u00e8te. Soit une suite de k<\/em> variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es (i.i.d.), not\u00e9es Y1<\/sub>, Y2<\/sub>, …, Yk<\/sub><\/em>, o\u00f9 chaque variable Yi<\/sub><\/em> suit une distribution exponentielle de param\u00e8tre d’intensit\u00e9 λ, ce que l’on note Yi<\/sub> ~ Exp(λ)<\/em>. Si l’on d\u00e9finit la variable al\u00e9atoire X<\/em> comme la somme arithm\u00e9tique exacte de ces k<\/em> composantes :<\/p>\n

X = ∑i=1<\/sub>k<\/sup> Yi<\/sub> = Y1<\/sub> + Y2<\/sub> + … + Yk<\/sub><\/em><\/p>\n

Alors, en vertu des propri\u00e9t\u00e9s de cl\u00f4ture des distributions sous l’op\u00e9ration de convolution, la variable al\u00e9atoire X<\/em> suit exactement une distribution d’Erlang de param\u00e8tres k<\/em> et λ. La d\u00e9monstration de cette propri\u00e9t\u00e9 s’\u00e9tablit par r\u00e9currence au moyen du produit de convolution des densit\u00e9s. Pour deux variables exponentielles ind\u00e9pendantes Y1<\/sub><\/em> et Y2<\/sub><\/em> de param\u00e8tre λ, la densit\u00e9 de leur somme S2<\/sub> = Y1<\/sub> + Y2<\/sub><\/em> s’\u00e9crit :<\/p>\n

fS2<\/sub><\/sub>(x) = ∫0<\/sub>x<\/sup> fY1<\/sub><\/sub>(t) · fY2<\/sub><\/sub>(x – t) dt = ∫0<\/sub>x<\/sup> λ e-λt<\/sup> · λ e-λ(x – t)<\/sup> dt = λ2<\/sup> e-λx<\/sup> ∫0<\/sub>x<\/sup> dt = λ2<\/sup> x e-λx<\/sup><\/em><\/p>\n

Cette expression co\u00efncide rigoureusement avec la formule d’Erlang pour k = 2<\/em> puisque (2 – 1)! = 1! = 1<\/em>. En r\u00e9it\u00e9rant cette convolution pas \u00e0 pas jusqu’\u00e0 l’ordre k<\/em>, l’int\u00e9gration successive des puissances de t<\/em> fait \u00e9merger naturellement le terme factoriel (k – 1)!<\/em> au d\u00e9nominateur. Ce r\u00e9sultat offre une intuition physique imm\u00e9diate : la loi d’Erlang mod\u00e9lise le temps d’attente total n\u00e9cessaire pour observer l’accomplissement s\u00e9quentiel de k<\/em> phases ind\u00e9pendantes et cons\u00e9cutives, chacune pr\u00e9sentant un taux d’avancement constant λ.<\/p>\n

3. Param\u00e9trisation : r\u00f4les des param\u00e8tres de forme et d’\u00e9chelle<\/h2>\n

3.1 Le param\u00e8tre de forme k et sa contrainte d’int\u00e9gralit\u00e9<\/h3>\n

Le param\u00e8tre k<\/em>, couramment d\u00e9sign\u00e9 sous le terme de param\u00e8tre de forme<\/em> (ou shape parameter<\/em>), gouverne la morphologie intrins\u00e8que de la courbe de densit\u00e9 et d\u00e9termine le nombre d’\u00e9tapes sous-jacentes du processus physique mod\u00e9lis\u00e9. La condition d’appartenance de k<\/em> au corps des entiers naturels non nuls constitue la fronti\u00e8re s\u00e9paratrice formelle entre la distribution d’Erlang et la distribution Gamma plus g\u00e9n\u00e9rale. Dans le cadre d’Erlang, k<\/em> ne saurait \u00eatre fractionnaire ou n\u00e9gatif : il quantifie obligatoirement une collection discr\u00e8te d’\u00e9tapes stochastiques identiquement distribu\u00e9es.<\/p>\n

L’effet g\u00e9om\u00e9trique d’une incr\u00e9mentation de la valeur de k<\/em> est spectaculaire sur la morphologie de la distribution. Lorsque k = 1<\/em>, la courbe pr\u00e9sente une allure strictement d\u00e9croissante avec une convexit\u00e9 continue et un pic maximal situ\u00e9 \u00e0 l’origine. D\u00e8s que k = 2<\/em>, le profil bascule vers une forme unimodale asym\u00e9trique, s’\u00e9levant depuis l’origine jusqu’\u00e0 atteindre un sommet avant de redescendre. Lorsque k<\/em> cro\u00eet vers des valeurs \u00e9lev\u00e9es (par exemple k = 10, 20, 50<\/em>), la distribution se sym\u00e9trise progressivement, se resserre autour de sa valeur centrale et perd son \u00e9tirement initial pour adopter un profil en cloche tr\u00e8s marqu\u00e9.<\/p>\n

D’un point de vue syst\u00e9mique, l’augmentation de k<\/em> traduit une r\u00e9gularisation du processus global. Plus le nombre d’\u00e9tapes n\u00e9cessaires pour atteindre l’\u00e9v\u00e9nement final est grand, plus la variance relative du temps global se r\u00e9duit par compensation mutuelle des fluctuations individuelles. Ce ph\u00e9nom\u00e8ne d’agr\u00e9gation d’\u00e9tapes \u00e9l\u00e9mentaires illustre de mani\u00e8re concr\u00e8te la loi des grands nombres au sein d’un m\u00e9canisme de transmission s\u00e9quentiel.<\/p>\n

3.2 Param\u00e8tre d’\u00e9chelle (μ) versus param\u00e8tre de taux (λ)<\/h3>\n

La litt\u00e9rature probabiliste et statistique utilise deux param\u00e9trisations duales pour r\u00e9gir l’\u00e9talement horizontal de la distribution d’Erlang, une dualit\u00e9 qui exige une vigilance rigoureuse lors de la manipulation des \u00e9quations ou de l’utilisation de progiciels statistiques. La premi\u00e8re convention repose sur le param\u00e8tre de taux<\/strong> λ (souvent d\u00e9sign\u00e9 par le terme anglais rate parameter<\/em>). Ce param\u00e8tre quantifie la fr\u00e9quence ou l’intensit\u00e9 temporelle \u00e0 laquelle chaque phase \u00e9l\u00e9mentaire est franchie ; son unit\u00e9 physique est l’inverse d’un temps (par exemple, nombre de transitions par seconde, s-1<\/sup>).<\/p>\n

La seconde convention recourt au param\u00e8tre d’\u00e9chelle<\/strong> μ ou θ (scale parameter<\/em>), d\u00e9fini comme l’inverse strict du taux :<\/p>\n

μ = 1 \/ λ<\/em><\/p>\n

Le param\u00e8tre d’\u00e9chelle poss\u00e8de quant \u00e0 lui la dimension physique d’une dur\u00e9e (secondes, heures, jours) et correspond exactement au temps moyen n\u00e9cessaire pour achever une seule des k<\/em> phases \u00e9l\u00e9mentaires. L’expression de la fonction de densit\u00e9 d’Erlang sous sa param\u00e9trisation d’\u00e9chelle s’\u00e9crit alors :<\/p>\n

f(x; k, μ) = [ xk-1<\/sup> · e-x \/ μ<\/sup> ] \/ [ μk<\/sup> · (k – 1)! ]<\/em><\/p>\n

L’impact de ces param\u00e8tres sur la repr\u00e9sentation g\u00e9om\u00e9trique est parfaitement pr\u00e9visible. Une \u00e9l\u00e9vation du taux λ (ou une diminution sym\u00e9trique de l’\u00e9chelle μ) comprime horizontalement la distribution le long de l’axe temporel et en augmente corr\u00e9lativement la hauteur maximale en raison de la contrainte d’int\u00e9grale unitaire. \u00c0 l’inverse, une augmentation de l’\u00e9chelle μ \u00e9tire la courbe vers la droite, \u00e9talant la dispersion temporelle des observations et abaissant la valeur modale.<\/p>\n

3.3 Dynamique comparative des courbes selon les variations param\u00e9triques<\/h3>\n

L’analyse visuelle conjointe des variations de k<\/em> et de λ met en lumi\u00e8re la remarquable plasticit\u00e9 de la famille des distributions d’Erlang. En ajustant ad\u00e9quatement ce tandem de param\u00e8tres, l’analyste peut reproduire une gamme \u00e9tendue de comportements probabilistes, allant de syst\u00e8mes \u00e0 forte impr\u00e9visibilit\u00e9 temporelle jusqu’\u00e0 des m\u00e9canismes temporels quasi d\u00e9terministes. Le tableau ci-dessous synth\u00e9tise les comportements morphologiques en fonction des r\u00e9gimes param\u00e9triques :<\/p>\n