Poisson-Verteilungsrechner

Die Formel der Poisson-Verteilung berechnet die Wahrscheinlichkeit, genau 'k' Ereignisse in einem festen Intervall zu beobachten, vorausgesetzt, dass diese Ereignisse mit einer konstanten mittleren Rate 'λ' auftreten. Die Formel lautet: P(X=k) = (λ^k * e^-λ) / k!. Hierbei ist 'λ' (Lambda) die durchschnittliche Anzahl der Ereignisse pro Intervall, 'k' ist die spezifische Anzahl der Ereignisse, für die Sie sich interessieren, 'e' ist die Eulersche Zahl (ca. 2.71828) und 'k!' ist die Fakultät von 'k' (das Produkt aller positiven Ganzzahlen bis k). Diese elegante Formel bietet eine leistungsstarke Möglichkeit, diskrete Ereignisse über ein kontinuierliches, gleichmäßiges Intervall zu modellieren.

Damit die Formel gültig ist, müssen bestimmte Bedingungen erfüllt sein. Die Ereignisse müssen unabhängig sein, was bedeutet, dass das Eintreten eines Ereignisses die Wahrscheinlichkeit eines anderen nicht beeinflusst. Die durchschnittliche Rate (λ) der Ereignisse muss über das gesamte Intervall hinweg konstant sein. Schließlich können nicht zwei Ereignisse zum exakt gleichen Zeitpunkt eintreten. Obwohl dies theoretisch unmöglich zu garantieren ist, trifft dies in den meisten praktischen Szenarien zu, wie beispielsweise bei der Ankunft von Kunden in einem Geschäft oder bei Defekten an einer Produktionslinie. Wenn diese Annahmen zutreffen, liefert die Formel für viele Zufallsprozesse ein überraschend genaues Modell der Realität.

Stellen Sie sich vor, der Support-Desk eines kleinen Unternehmens erhält an einem Wochentagnachmittag durchschnittlich 4 Anrufe pro Stunde. Um Personalentscheidungen zu treffen, möchte man die Wahrscheinlichkeit ermitteln, in einem bestimmten einstündigen Block genau 6 Anrufe zu erhalten. In diesem Szenario beträgt die durchschnittliche Rate (λ) 4 Anrufe/Stunde, und die spezifische Anzahl der Ereignisse, an denen wir interessiert sind (k), ist 6 Anrufe. Wir können diese Werte nun direkt in die Poisson-Formel einsetzen, um die Wahrscheinlichkeit für dieses spezifische Ergebnis zu bestimmen.

Unter Verwendung der Formel P(X=k) = (λ^k * e^-λ) / k! setzen wir unsere Werte ein: P(X=6) = (4^6 * e^-4) / 6!. Zuerst berechnen wir die einzelnen Komponenten: 4^6 ist 4,096. Der Wert von e^-4 beträgt etwa 0.0183. Die Fakultät von 6 (6!) ist 720. Nun multiplizieren wir die ersten beiden Teile: 4,096 * 0.0183 ≈ 74.96. Schließlich dividieren wir durch die Fakultät von k: 74.96 / 720 ≈ 0.104. Das bedeutet, dass die Wahrscheinlichkeit, dass der Support-Desk in einer bestimmten Stunde genau 6 Anrufe erhält, bei etwa 10.4% liegt.

Das Ergebnis, 0.104, sagt dem Manager, dass 4 Anrufe zwar der Durchschnitt sind, ein Anstieg auf 6 Anrufe jedoch kein besonders seltenes Ereignis ist. Dies wird in etwas mehr als 10% der Fälle eintreten, also etwa einmal alle 10 Betriebsstunden. Dieser einzelne Datenpunkt löst zwar nicht das gesamte Personalproblem, bietet aber ein quantitatives Maß für die Variabilität. Indem der Manager auch die Wahrscheinlichkeiten für 5, 7 und 8 Anrufe berechnet, kann er sich ein vollständiges Bild des erwarteten Anrufaufkommens machen und eine fundiertere Entscheidung darüber treffen, ob ein zusätzlicher Mitarbeiter in Bereitschaft gehalten werden soll.

Ein häufiger Fehler besteht darin, das Intervall der durchschnittlichen Rate (λ) nicht mit dem Intervall der Fragestellung abzugleichen. Wenn eine Website beispielsweise durchschnittlich 120 Besuche pro Stunde verzeichnet, ist Ihr λ = 120. Wenn Sie wissen möchten, wie hoch die Wahrscheinlichkeit ist, genau 2 Besuche in einem einminütigen Intervall zu erhalten, können Sie λ=120 nicht verwenden. Sie müssen die Rate zuerst auf das neue Intervall skalieren. Da eine Stunde 60 Minuten hat, wäre das korrekte λ für ein einminütiges Intervall 120 / 60 = 2 Besuche pro Minute. Die Verwendung des falschen λ ist der häufigste Grund für falsche Ergebnisse.

Ein weiterer Fallstrick ist das Missverständnis darüber, was die Poisson-Formel berechnet. Sie gibt die Wahrscheinlichkeit für *genau* 'k' Ereignisse an, nicht für 'mindestens k' oder 'höchstens k'. Wenn Sie die Wahrscheinlichkeit für 5 oder weniger Anrufe wissen müssen, müssen Sie P(X=0), P(X=1), P(X=2), P(X=3), P(X=4) und P(X=5) einzeln berechnen und diese Wahrscheinlichkeiten dann addieren. Diese kumulative Wahrscheinlichkeit ist für viele reale Entscheidungen unerlässlich, z. B. für die Bestimmung von Lagerbeständen, die erforderlich sind, um die Nachfrage in 95% der Zeit zu decken, erfordert jedoch mehr Schritte als eine Einzelpunktberechnung.

Die Poisson-Verteilung ist ein Arbeitstier in betrieblichen Bereichen wie der Qualitätskontrolle und der Bestandsverwaltung. Ein Hersteller kann die Anzahl der Fehler (z. B. Lackfehler, defekte Teile) pro 100 Fuß Material oder pro Charge von Produkten modellieren. Wenn ein Prozess historisch gesehen 2.5 Fehler pro Charge liefert, kann er die Wahrscheinlichkeit berechnen, dass eine Charge 0 Fehler aufweist, oder die Wahrscheinlichkeit, dass sie 5 oder mehr Fehler aufweist, was eine Qualitätsprüfung auslösen könnte. Dies hilft dabei, realistische Qualitätsziele festzulegen und zu erkennen, wann ein Prozess außerhalb seiner erwarteten statistischen Grenzen arbeitet.

Sie ist auch grundlegend für die Personalplanung und Ressourcenzuweisung. Einzelhandelsgeschäfte nutzen sie, um die Kundenankünfte pro Stunde zu modellieren und so die richtige Anzahl an Kassierern einzuteilen. Rettungsdienste nutzen sie, um die Anzahl der Anrufe in einer bestimmten Schicht vorherzusagen, um eine angemessene Abdeckung durch Sanitäter oder Feuerwehrleute sicherzustellen. Im Finanzwesen kann sie seltene Ereignisse modellieren, wie etwa die Anzahl der Tage, an denen ein Aktienkurs innerhalb eines Jahres um mehr als 5% springt. In all diesen Fällen bietet sie eine einfache, aber leistungsstarke Methode, um Unsicherheiten zu quantifizieren und die Variabilität um eine durchschnittliche Ereignisrate herum zu planen.