Verständnis der Poisson-Verteilung durch alltägliche Ereignisse

Die Poisson-Verteilung ist eine diskrete Wahrscheinlichkeitsverteilung, die die Anzahl der Ereignisse in einem festen Zeit-, Raum-, Volumen- oder anderen kontinuierlichen Bereich modelliert. Sie ist besonders effektiv für die Beschreibung von Ereignissen, die im Verhältnis zur Größe des Intervalls selten sind, unabhängig voneinander auftreten und mit einer konstanten Durchschnittsrate passieren. Von der Zählung der Kundenankünfte in einem Café bis hin zur Verfolgung des radioaktiven Zerfalls, die Poisson-Verteilung verbindet abstrakte Theorie und praktische Realität. Dieser Artikel untersucht die Mechanik der Poisson-Verteilung, geht durch gearbeitete Beispiele und unterstreicht ihre Bedeutung in allen Branchen.

Was ist die Poisson Distribution?

Die Poisson-Distribution hat ihren Namen von dem französischen Mathematiker Siméon Denis Poisson, der 1837 seine Arbeit über das Gesetz der großen Zahlen für binäre Variablen veröffentlichte, wobei die Verteilung durch einen einzigen Parameter definiert wird, λ (Lambda), die die durchschnittliche Anzahl von Ereignissen im Intervall darstellt. k Ereignisse werden durch die Formel gegeben:

P(k; λ) = (λ)k · e–λ) / k!

Wobei:

  • k = Anzahl der Vorkommnisse (nicht negative ganze Zahl, 0,1,2,...)
  • λ = durchschnittliche Anzahl von Ereignissen pro Intervall (λ > 0)
  • e ≈ 2.71828 (Euler’s number)
  • k! = Faktor von k

Die Formel berücksichtigt alle möglichen Zählungen, und die Summe der Wahrscheinlichkeiten über k von 0 bis unendlich ist gleich 1.

Wichtige Annahmen

Damit das Poisson-Modell geeignet ist, müssen diese Bedingungen gelten:

  1. Unabhängigkeit Das Auftreten eines Ereignisses hat keinen Einfluss auf die Wahrscheinlichkeit eines anderen. (E-Mail-Ankünfte von nicht verwandten Absendern sind in der Regel unabhängig.)
  2. Stationarität - Die Durchschnittsrate λ ist über das Intervall konstant. Ändert sich die Rate mit der Zeit, ist ein zeitabhängiger Poisson-Prozess erforderlich.
  3. Seltenheit - Ereignisse sind selten genug, dass die Wahrscheinlichkeit, dass zwei oder mehr Ereignisse in einem unendlich kleinen Unterintervall stattfinden, vernachlässigbar ist.
  4. Zählbarkeit – Die Anzahl der Ereignisse in disjunkten Unterintervallen ist unabhängig.

Eigenschaften und Merkmale

Mittelwert und Varianz

Ein bestimmendes Merkmal der Poisson-Verteilung ist, dass ihr Mittelwert und ihre Varianz gleich sind.

  • Mittelwert (erwarteter Wert) = λ
  • Varianz = λ
  • Standardabweichung = √λ

Diese Eigenschaft ist einzigartig unter den gängigen Verteilungen – zum Beispiel hat die Binomialverteilung eine Varianz np(1-p), die normalerweise kleiner ist als ihr Mittelwert. Wenn Sie reale Zähldaten sehen, bei denen der Stichprobenmittelwert und die Stichprobenvarianz ähnlich sind, ist ein Poisson-Modell oft ein guter Ausgangspunkt.

Form

Für kleine λ (z. B. λ = 0,5) ist die Verteilung stark verzerrt, mit der größten Wahrscheinlichkeit Masse bei Nullereignissen. Wenn λ größer wird (λ > 20), nähert sich die Poisson-Verteilung einer Normalverteilung mit dem Mittelwert λ und der Varianz λ, dank des zentralen Grenzsatzes.

Alltägliche Beispiele für die Poisson-Verteilung

Die Verteilung gilt überall dort, wo wir Ereignisse über einen festen Zeitraum zählen.

  • E-Mails pro Stunde Der Durchschnitt könnte 10 sein; Die Verteilung sagt Ihnen die Chance, 15 in einer arbeitsreichen Stunde zu bekommen.
  • Kunden, die einen Laden pro 5-Minuten-Block betreten Nützlich für Personalentscheidungen.
  • Telefonanrufe in einem Call Center pro Minute Hilft vorherzusagen, wie viele Operator benötigt werden.
  • Typos pro Seite Die Poisson-Verteilung kann die zufällige Streuung von Fehlern modellieren.
  • Unfälle an einer belebten Kreuzung pro Tag - Wird von Verkehrssicherheitsingenieuren verwendet.
  • Schussversuche in einem Basketballspiel Die Anzahl der Schüsse, die in einem Viertel versucht werden, kann einer Poisson-Verteilung folgen.
  • Erdbeben der Stärke 5 oder höher pro Jahr in einer bestimmten Region Geologische Risikomodellierung.

Detailliertes Arbeitsbeispiel: Bibliothek Lost-Book E-Mails

Erweitern wir das Szenario des Artikels: Eine Universitätsbibliothek erhält durchschnittlich 3 E-Mails pro Tag über verlorene Bücher (λ = 3).

Berechnen Sie die Wahrscheinlichkeit, an einem Tag genau 5 E-Mails zu erhalten

Verwendung der Formel:
P(5; 3) = (3)5 5 · e–3) / 5!

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

P(5) ≈ (243 × 0.049787) / 120 ≈ 12.102 / 120 ≈ 0.1009 (ca. 10,1%) . Etwa an einem Tag von zehn wird die Bibliothek genau 5 verlorene E-Mails erhalten.

Wahrscheinlichkeit, dass weniger als 2 E-Mails an einem Tag empfangen werden

Wir brauchen P(k=0) + P(k=1):

  • P(0) = (3)0 · e–3)/0! = (1 × 0.049787)/1 = 0.0498
  • P(1) = (3)1 · e–3) / 1! = (3 × 0,049787) / 1 = 0,1494

Insgesamt = 0,0498 + 0,1494 = 0,1992, oder etwa 19,9%. Die Bibliothek kann einen sehr hellen Tag erwarten, ungefähr 1 Tag in 5.

Wahrscheinlichkeit, dass Sie mindestens 4 E-Mails an einem Tag erhalten

Anstatt von k=4 bis unendlich zu summieren, verwenden Sie die Komplement: 1 – P(k ≤ 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

Summe ≤3 = 0,0498 + 0,1494 + 0,2240 + 0,2240 = 0,6472. Dann mindestens 4 = 1 - 0,6472 = 0,3528 oder 35,3%. Die Bibliothek muss möglicherweise zusätzliches Personal für etwa ein Drittel der Tage reservieren.

Visualisierung der Verteilung

Eine praktische Möglichkeit, dies zu überprüfen, ist die Auflistung der Wahrscheinlichkeiten für k = 0 bis 10. Sie erreichen einen Spitzenwert nahe λ, der für größere λ symmetrisch abnimmt. Die Varianz λ = 3 bedeutet, dass die meisten Tage zwischen λ ± √λ = 3 ± 1,73 sehen, d.h. 1 bis 5 E-Mails.

Ein weiteres Beispiel: Radioaktiver Zerfall

Der radioaktive Zerfall ist ein klassischer Poisson-Prozess. Angenommen, eine Probe eines radioaktiven Isotops emittiert durchschnittlich 2 Partikel pro Minute (λ = 2). Wie hoch ist die Wahrscheinlichkeit, dass in der nächsten Minute genau 4 Partikel entdeckt werden?
P(4;2) = (2;)4 · e–2)/24 = (16 × 0,13534)/24 ≈ 2,1654/24 = 0,902 (9,0%). Und die Wahrscheinlichkeit, mindestens ein Teilchen zu erkennen?–2) = 1 - 0,1353 = 0,8647.

Beziehung zur Binomialverteilung

Die Poisson-Verteilung wird oft als Grenzfall der Binomialverteilung eingeführt, wenn die Anzahl der Versuche n sehr groß und die Erfolgswahrscheinlichkeit p sehr klein ist, so dass das Produkt np = λ konstant bleibt. In der Praxis funktioniert diese Approximation gut, wenn n ≥ 20 und p ≤ 0,05 ist, oder für n ≥ 100, auch wenn p etwas größer ist. Betrachten Sie beispielsweise die Anzahl der defekten Artikel in einem Batch von 10.000, wobei die Defektrate 0,01% beträgt. Die binomiale genaue Wahrscheinlichkeit ist schwer zu berechnen; die Poisson-Approximation mit λ = 10000 x 0,0001 = 1 funktioniert wunderbar.

Anwendungen in Industrie und Forschung

Call Center Personal

Call Center modellieren mit der Poisson-Verteilung eingehende Anrufe pro Minute. Mit λ = 5 Anrufen pro Minute können sie im Durchschnitt die Wahrscheinlichkeit berechnen, dass sie 8 oder mehr Anrufe erhalten – und dann genügend Agenten einstellen, so dass die Wahrscheinlichkeit übermäßiger Wartezeiten unter einem Schwellenwert bleibt.

Qualitätskontrolle in der Fertigung

Prüfung von Stoffrollen – die Fehlerzahl pro Quadratmeter folgt oft einer Poisson-Verteilung. Wenn λ = 0,3 Fehler/m2 ist die Wahrscheinlichkeit, dass ein zufälliger Quadratmeter fehlerfrei ist, e–0.3 ≈ 0,741. Qualitätsingenieure setzen entsprechend akzeptable Grenzen.

Versicherungs- und Risikomanagement

Versicherungsunternehmen Modell Forderung zählt pro Monat mit der Poisson-Verteilung (wenn auch oft mit einer negativen Binomialverlängerung, wenn Varianz den Mittelwert überschreitet - eine gemeinsame reale Wendung). Versicherungsmathematiker setzen Prämien auf der Grundlage von λ und der Schwere der Forderungen.

Biologie und Ökologie

Die Anzahl der Kleeblätter mit vier Blättchen in einem Feld oder die Anzahl der Bakterienkolonien auf einer Petrischale kann als Poisson-Prozesse modelliert werden, wenn die zugrunde liegenden Ereignisse zufällig und unabhängig sind.

Einschränkungen und Erweiterungen

Die Poisson-Verteilung nimmt konstante Rate und Unabhängigkeit an. negative Binomverteilung (für überdisperse Zähldaten, wobei Varianz > Mittelwert) oder Null-aufgeblasener Poisson Für Ereignisse, die im Laufe der Zeit auftreten und deren Rate sich ändert (z. B. während der Hauptverkehrszeit höher), wird ein nichthomogenes Poisson-Verfahren ist notwendig.

Auch kann der Poisson nur Modellzählungen; es behandelt nicht das Timing zwischen Ereignissen (die exponentielle Verteilung deckt das ab).

Wie man Poisson Wahrscheinlichkeiten berechnet

Die Berechnung von Faktorien von Hand für große k ist unpraktisch, aber moderne Werkzeuge behandeln es sofort:

  • Excel / Google Sheets: – set cumulative=0 für PMF, =1 für CDF.
  • Python (SciPy): [[([[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]
  • R: [3] und [4]
  • Online-Rechner: Viele Websites lassen Sie λ und k eingeben, um Wahrscheinlichkeiten sofort zu erhalten (z. B.: Stattrek Poisson Rechner.

Interpretation von Poisson-Ergebnissen im wirklichen Leben

Das Verständnis der Poisson-Wahrscheinlichkeiten hilft bei der Entscheidungsfindung unter Unsicherheit. Wenn beispielsweise eine Krankenhaus-Notaufnahme durchschnittlich 8 Patienten pro Stunde (λ=8) sieht, beträgt die Wahrscheinlichkeit, 14 oder mehr in einer Stunde zu sehen, etwa 3,3%. Wenn Administratoren sicherstellen wollen, dass solche Überspannungen ohne übermäßige Wartezeit behandelt werden, können sie zusätzliches Personal einplanen, wenn die Wahrscheinlichkeit 5% übersteigt. Dieser datengestützte Ansatz ersetzt Rätselraten.

Häufige Missverständnisse

  • "Poisson verlangt, dass die Ereignisse selten sind." – Nicht genau; es ist erforderlich, dass die erwartete Anzahl in einem kleinen Unterintervall klein ist. Die Gesamtintervallzahl kann groß sein (z. B. λ = 1000 Ereignisse pro Tag).
  • "Ereignisse müssen über das Intervall hinweg gleichermaßen wahrscheinlich sein." – Die Rate muss konstant sein; Wenn sich die Rate ändert, schlägt das Modell fehl.
  • "Der Mittelwert muss der Varianz entsprechen." Wenn reale Daten eine Varianz zeigen, die viel größer ist als der Mittelwert, dann passt der Poisson nicht gut.

Zusammenfassung

Die Poisson-Verteilung ist ein elegantes und praktisches Werkzeug zur Modellierung von Zählungen seltener oder zufälliger Ereignisse in einem festen Intervall. Sein einziger Parameter λ macht es einfach, aus historischen Durchschnittswerten abzuschätzen, und seine Gleichheit von Mittelwert und Varianz bietet eine einfache Überprüfung der Angemessenheit des Modells. Vom Verständnis des täglichen E-Mail-Volumens bis hin zur industriellen Qualitätskontrolle verwandelt die Poisson-Verteilung Rohzählungen in umsetzbare Wahrscheinlichkeiten. Studenten und Fachleute, die ihre Logik verstehen, können bessere Vorhersagen treffen, Ressourcen sinnvoll zuweisen und Unsicherheit mit Präzision kommunizieren.

Für weitere Lektüre über die mathematische Grundlage und den historischen Kontext, siehe Wikipedia-Artikel über Poisson DistributionFür einen tieferen Einblick in die Verwendung in der Warteschlangentheorie, konsultieren Sie Ressourcen wie Khan Academy Poisson Distribution Einführung.