Calculateur de loi de Pareto
Rédigé par Thierno Sadou Diallo, formule vérifiée selon notre méthodologie • Mis à jour le 24/08/2026
La loi de Pareto modélise des grandeurs où une minorité de valeurs extrêmes domine la distribution. Sa fonction de répartition est F(x) = 1 − (xₘ/x)^α, où xₘ est la valeur minimale possible et α un paramètre de forme. Pour xₘ=2 et α=3, la probabilité que X dépasse 4 (le double de xₘ) vaut exactement (1/2)³=12,5%.
Explication
La loi de Pareto, nommée d'après l'économiste italien Vilfredo Pareto qui l'a formulée en observant la répartition des richesses, décrit des phénomènes où une petite proportion de valeurs extrêmes concentre une part disproportionnée du total — c'est la loi statistique derrière le célèbre « principe des 80/20 » (80 % des effets proviennent de 20 % des causes), même si ce ratio précis ne correspond qu'à une valeur particulière du paramètre de forme α, pas à toutes les lois de Pareto. Le paramètre d'échelle xₘ fixe la valeur minimale possible de la distribution (aucune observation ne peut être inférieure à xₘ), tandis que le paramètre de forme α contrôle l'épaisseur de la traîne des valeurs extrêmes : un α proche de 1 produit une distribution à traîne très lourde, où des valeurs extrêmement élevées restent relativement probables, tandis qu'un α élevé produit une distribution qui se rapproche davantage d'une concentration autour de xₘ. Cette loi se distingue nettement de la loi log-normale, une autre distribution asymétrique à valeurs positives : la loi de Pareto a une traîne encore plus lourde (dite « en loi de puissance »), ce qui la rend plus adaptée aux phénomènes où les événements extrêmes sont significativement plus fréquents que ne le prédirait une loi log-normale — la taille des plus grandes villes d'un pays, la popularité des contenus les plus viraux sur internet, ou l'ampleur des plus grands séismes. Une propriété remarquable et parfois surprenante de cette loi est que son espérance mathématique devient infinie dès que α descend à 1 ou en dessous : la traîne des valeurs extrêmes est alors si lourde qu'aucune moyenne finie ne peut la résumer, un phénomène observé dans certaines distributions de richesse réelles à l'échelle mondiale.
Exemple : xₘ=2, α=3, x=4
Données d'entrée
Valeur d’échelle xₘ = 2. Paramètre de forme α = 3. Valeur x = 4 (le double de xₘ).
Calcul
P(X > 4) = (2/4)³ = (0,5)³ = 0,125. P(X ≤ 4) = 1 − 0,125 = 0,875. Espérance = (3×2)/(3−1) = 6/2 = 3.
Résultat
La probabilité de dépasser le double de la valeur minimale n’est que de 12,5 %, et la valeur moyenne de la distribution est de 3 (soit 1,5 fois xₘ).
Questions fréquentes
Pourquoi l’espérance peut-elle être infinie ?
Quand α est inférieur ou égal à 1, la traîne des valeurs extrêmes de la distribution est si lourde que la somme (l'intégrale) qui définit la moyenne mathématique ne converge plus vers un nombre fini : des valeurs de plus en plus grandes restent suffisamment probables pour empêcher la moyenne de se stabiliser. C'est un phénomène contre-intuitif mais réel dans certains systèmes économiques ou physiques, et c'est pourquoi ce calculateur exige α strictement supérieur à 1 pour afficher une espérance.
Le ratio « 80/20 » s’applique-t-il à toutes les lois de Pareto ?
Non, ce ratio précis ne correspond qu'à une valeur spécifique du paramètre de forme (α≈1,161, obtenu en résolvant l'équation qui donne exactement 80 % de la masse totale aux 20 % de valeurs les plus élevées). Le principe général — une minorité de valeurs qui domine la majorité du total — reste vrai pour toute la famille des lois de Pareto avec un α relativement faible, mais le ratio exact varie selon la valeur précise d'α, il n'est jamais automatiquement de 80/20.
Quelle est la différence entre le paramètre d’échelle xₘ et l’espérance de la distribution ?
xₘ est la valeur MINIMALE possible de la distribution (aucune observation ne peut être inférieure), fixée par construction du modèle, tandis que l'espérance est la valeur MOYENNE de l'ensemble des observations, toujours strictement supérieure à xₘ. Le rapport entre les deux, α/(α−1), montre que l'espérance se rapproche de xₘ quand α est très élevé (distribution très concentrée) et s'en éloigne fortement quand α approche de 1 (traîne lourde qui tire la moyenne vers le haut) — un contraste net avec la loi exponentielle, dont la traîne décroît beaucoup plus vite et dont l'espérance reste toujours finie quel que soit son paramètre de taux.