Berechnen Sie exakte Wahrscheinlichkeiten P(X = k) und kumulierte Wahrscheinlichkeiten P(X ≤ k) für diskrete Ereignisse in festen Zeit- oder Raumintervallen. Geben Sie einfach die durchschnittliche Rate λ (Lambda) und Ihre Zielereignisse k ein – inklusive Schritt-für-Schritt-Rechenweg, Verteilungsdiagramm und Wertetabelle.
| k (Ereignisse) | P(X = k) | P(X ≤ k) |
|---|
Die Poisson-Verteilung (benannt nach dem französischen Mathematiker Siméon Denis Poisson) ist eine fundamentale diskrete Wahrscheinlichkeitsverteilung. Sie gibt an, wie wahrscheinlich es ist, dass ein bestimmtes Ereignis in einem festen Zeit- oder Raumintervall genau k-mal eintritt – vorausgesetzt, die durchschnittliche Rate λ (Lambda) ist bekannt und konstant.
Bevor Sie die Poisson-Verteilung anwenden dürfen, müssen in statistischen Prüfungen und Praxismodellen zwingend drei mathematische Annahmen erfüllt sein:
Die durchschnittliche Auftretensrate λ bleibt über das gesamte Zeitfenster oder im gesamten Raumintervall unverändert konstant (Stationarität).
Jedes Ereignis tritt völlig unabhängig ein. Dass gerade ein Ereignis stattfand, erhöht oder senkt die Chance auf das nächste Ereignis nicht.
Ereignisse treten stets einzeln auf. In einem beliebig kleinen Teilintervall (Δt → 0) kann niemals mehr als ein einziges Ereignis stattfinden.
Typisch für Anrufe in Callcentern pro Stunde, Kundenankünfte an einer Supermarktkasse, Webseiten-Anfragen pro Sekunde oder E-Mail-Eingänge pro Tag.
Ermittlung von Webfehlern pro 100 Quadratmeter Stoff, Tippfehlern pro Buchseite, Einschlagstellen von Meteoriten pro Quadratkilometer oder Bakterienkolonien pro Petrischale.
Modellierung seltener Schadensfälle in Versicherungen, Geräteausfälle in Produktionsstraßen (MTBF) oder Verkehrsunfälle an einer Kreuzung pro Monat.
Die Poisson-Verteilung zeichnet sich durch eine besonders elegante Eigenschaft aus: Sie benötigt nur einen einzigen Parameter – λ (Lambda) –, um die gesamte Verteilungsform vollständig zu bestimmen.
Wenn Sie die Wahrscheinlichkeit suchen, dass exakt k Ereignisse eintreffen (z. B. genau 3 Kunden in den nächsten 10 Minuten), nutzen Sie die Zähldichte:
In realen Anwendungen und Klausuren wird meist nicht nach exakt k gefragt, sondern nach Schwellenwerten („höchstens“, „weniger als“, „mindestens“ oder „mehr als“). Hier summieren Sie die Punktwahrscheinlichkeiten auf:
Summe von i = 0 bis k: P(X=0) + P(X=1) + ... + P(X=k).
Strikte Obergrenze unter Ausschluss des Zielwerts k.
Gegenwahrscheinlichkeit: 1 abzüglich der kleineren Werte.
Rechtes Verteilungsende für Kapazitäts- und Risikogrenzen.
Eine der beliebtesten Prüfungsfragen lautet: „Wie hoch ist die Wahrscheinlichkeit, dass mindestens ein Ereignis eintrifft (P(X ≥ 1))?“
Statt mühsam unendlich viele Werte aufzusummieren, nutzen Sie das Gegenereignis P(X = 0):
Beispiel: Bei λ = 2 Anrufen pro Minute ist die Chance auf mindestens einen Anruf schlicht: 1 - e⁻² ≈ 1 - 0,1353 = 86,47%.
Eine absolute Besonderheit der Poisson-Verteilung ist die Identität von Erwartungswert und Varianz. Sobald Sie λ kennen, kennen Sie alle drei zentralen Streuungsmaße:
Die Poisson-Verteilung entsteht mathematisch als Grenzfall der Binomialverteilung. Sie wird daher klassisch als „Gesetz der seltenen Ereignisse“ bezeichnet. Doch wann verwendet man welche Verteilung?
In einer Binomialverteilung mit n Versuchen und einer konstanten Erfolgswahrscheinlichkeit p wird die Berechnung des Binomialkoeffizienten (n⁄k) („n über k“) bei großen Stichproben extrem unhandlich. Wenn ein Ereignis jedoch sehr selten eintritt, geht die Binomialverteilung exakt in die Poisson-Verteilung über (Satz von Poisson).
| Vergleichskriterium | Binomialverteilung | Poisson-Verteilung | Normalverteilung |
|---|---|---|---|
| Art der Variable | Diskret (ganze Zahlen k) | Diskret (ganze Zahlen k = 0, 1, 2, ...) | Stetig (kontinuierlich x ∈ ℝ) |
| Versuchsanzahl (n) | Strikt feste Anzahl an Versuchen n | Keine Obergrenze (offenes Intervall) | Unendlich / Kontinuum |
| Erfolgswahrscheinlichkeit | Beliebiges p zwischen 0 und 1 | Sehr klein (p → 0), selten | Dichtefunktion f(x) |
| Erforderliche Parameter | Zwei Parameter: n und p | Nur ein Parameter: λ | Zwei Parameter: μ und σ |
| Zusammenhang Mittelwert/Varianz | Var(X) = n · p · (1 - p) < μ | Var(X) = μ = λ (Exakt gleich!) | μ und σ² sind unabhängig |
| Typisches Praxisbeispiel | 10 Münzwürfe, 50 Multiple-Choice-Fragen | 3 Anrufe pro Minute, 2 Defekte pro Wafer | Körpergrößen, IQ-Werte, Messfehler |
Lernen Sie anhand von zwei realen Standard-Aufgaben, wie Sie Poisson-Wahrscheinlichkeiten in Statistik-Klausuren und Praxisprojekten fehlerfrei berechnen.
Aufgabenstellung: Ein Kundensupport-Team erhält im historischen Durchschnitt 3 Anrufe pro Minute (λ = 3). Berechnen Sie:
a) Die Wahrscheinlichkeit, dass in einer Minute exakt 2 Anrufe eingehen.
b) Die Wahrscheinlichkeit, dass in einer Minute mindestens 1 Anruf eingeht.
c) Die Wahrscheinlichkeit für höchstens 1 Anruf.
⇒ Die Wahrscheinlichkeit für exakt zwei Anrufe in der nächsten Minute beträgt 22,40%.
⇒ Mit einer Sicherheit von 95,02% geht mindestens ein Anruf ein.
⇒ Die Wahrscheinlichkeit für höchstens einen Anruf liegt bei 19,91%.
Aufgabenstellung: Ein Chiphersteller weiß aus der Qualitätskontrolle, dass auf einem Silizium-Wafer durchschnittlich 1,2 mikroskopische Defekte (λ = 1,2) auftreten. Wie groß ist die Wahrscheinlichkeit, dass ein zufällig ausgewählter Wafer völlig fehlerfrei (k = 0) ist?
⇒ Rund 30,12% der gefertigten Wafer sind komplett fehlerfrei.
Das berühmteste Beispiel für die praktische Gültigkeit der Poisson-Verteilung stammt vom russisch-deutschen Nationalökonomen Ladislaus von Bortkiewicz (Buch: Das Gesetz der kleinen Zahlen, 1898). Er untersuchte die Anzahl der Soldaten in 14 preußischen Armeekorps, die über einen Zeitraum von 20 Jahren durch Hufschläge von Pferden starben.
Obwohl das Ereignis für den einzelnen Soldaten extrem selten war, ergaben die 280 Korps-Jahre mit einem Durchschnitt von λ = 0,61 Todesfällen pro Jahr eine perfekte empirische Bestätigung der Poisson-Formel. Seither gilt diese Studie weltweit als Standard-Beweis für die Verteilung seltener Ereignisse.
Sie müssen die Poisson-Verteilung in Hausarbeiten, Data-Science-Pipelines oder Excel-Berichten einbauen? Nutzen Sie diese gebrauchsfertigen Syntax-Vorlagen.
Nutzen Sie die integrierte deutsche Funktion POISSON.VERT:
// Exakte Punktwahrscheinlichkeit P(X = k): =POISSON.VERT(k; lambda; FALSCH) // Kumulierte Wahrscheinlichkeit P(X ≤ k): =POISSON.VERT(k; lambda; WAHR) // Beispiel: P(X = 3) bei Lambda = 4: =POISSON.VERT(3; 4; FALSCH) → 0,195367
Standardfunktionen im Basispaket stats:
# Exakt P(X = k) mit dpois: dpois(x = 3, lambda = 4) # Kumuliert P(X ≤ k) mit ppois: ppois(q = 3, lambda = 4) # Oberer Rand P(X > k): ppois(q = 3, lambda = 4, lower.tail = FALSE) # 100 Zufallswerte simulieren: sim <- rpois(n = 100, lambda = 4)
Modul scipy.stats.poisson:
from scipy.stats import poisson # Parameter definieren: k = 3 lam = 4.0 # Exakte Wahrscheinlichkeit (PMF): p_exact = poisson.pmf(k, mu=lam) # Kumulierte Wahrscheinlichkeit (CDF): p_cum = poisson.cdf(k, mu=lam) print(f"P(X=3): {p_exact:.6f}")
Hier finden Sie präzise Antworten auf die am häufigsten gesuchten Fragen rund um Parameter, Formeln und Prüfungsregeln.
Lambda (λ) ist der Erwartungswert bzw. die durchschnittliche Rate, mit der ein Ereignis innerhalb eines fest definierten Zeit- oder Raumintervalls auftritt (z. B. 4 Anrufe pro Stunde oder 1,5 Webfehler pro Quadratmeter). Bei der Poisson-Verteilung bestimmt λ als einziger Parameter die gesamte Verteilung, da sowohl Mittelwert (μ = λ) als auch Varianz (σ² = λ) exakt diesem Wert entsprechen.
Ja, absolut. Während die Zielereignisse (k) zwingend diskrete ganze Zahlen sein müssen (Sie können nicht 2,4 Kunden beobachten), ist λ ein historischer statistischer Mittelwert. Ein Durchschnitt von beispielsweise λ = 3,7 Serveranfragen pro Sekunde ist mathematisch völlig korrekt und in der Praxis der Regelfall.
Dies ist die charakteristische mathematische Eigenschaft der Poisson-Verteilung: Die Streuung der Daten wächst im selben Maße wie der Mittelwert. Sowohl E(X) = λ als auch Var(X) = λ. Die Standardabweichung beträgt folglich stets σ = √λ. In realen Daten nutzt man diesen Test oft, um zu prüfen, ob überhaupt ein Poisson-Prozess vorliegt (sog. Überdispersion-Check).
Eine Binomialverteilung modelliert eine fest vorgegebene Anzahl unabhängiger Einzelversuche n (z. B. 20 Münzwürfe) mit bekannter Erfolgswahrscheinlichkeit p. Die Poisson-Verteilung hingegen hat keine feste Versuchszahl; sie modelliert das Auftreten von Ereignissen über ein kontinuierliches Zeit- oder Raumintervall ohne theoretische Obergrenze. Bei großem n und winzigem p konvergiert die Binomialverteilung gegen die Poisson-Verteilung.
Beide Verteilungen beschreiben denselben stochastischen Poisson-Prozess, aber aus zwei unterschiedlichen Blickwinkeln: Die Poisson-Verteilung ist diskret und zählt, wie viele Ereignisse in einem festen Zeitintervall eintreffen. Die Exponentialverteilung ist stetig und modelliert die Wartezeit bzw. Zeitspanne zwischen zwei aufeinanderfolgenden Ereignissen.
Nutzen Sie die Formel =POISSON.VERT(k; lambda; kumuliert). Tragen Sie für kumuliert den Wert FALSCH ein, um die exakte Punktwahrscheinlichkeit P(X = k) zu erhalten. Tragen Sie WAHR ein, um die kumulierte Wahrscheinlichkeit für höchstens k Ereignisse P(X ≤ k) zu berechnen.