Poisson Distribution

From LNTwww

Wahrscheinlichkeiten der Poissonverteilung

Die Poissonverteilung ist ein Grenzfall der Binomialverteilung, wobei

  • zum einen von den Grenzübergängen $I → ∞$ und $p →$ 0 ausgegangen wird,
  • zusätzlich vorausgesetzt ist, dass das Produkt $I · p = λ$ einen endlichen Wert besitzt.

Der Parameter $λ$ gibt die mittlere Anzahl der „Einsen” in einer festgelegten Zeiteinheit an und wird als die Rate bezeichnet.

Weiter ist zu vermerken:

  • Im Gegensatz zur Binomialverteilung ($0 ≤ μ ≤ I$) kann hier die Zufallsgröße beliebig große (ganzzahlige, nichtnegative) Werte annehmen, was bedeutet, dass die Menge der möglichen Werte hier nicht abzählbar ist. Da jedoch keine Zwischenwerte auftreten können, spricht man auch hier von einer diskreten Verteilung.
  • Berücksichtigt man die oben genannten Grenzübergänge in der Gleichung für die Wahrscheinlichkeiten der Binomialverteilung, so folgt für die Auftrittswahrscheinlichkeiten der poissonverteilten Zufallsgröße $z$:
$$p_\mu = {\rm Pr} ( z=\mu ) = \lim_{I\to\infty} \cdot \frac{I !}{\mu ! \cdot (I-\mu )!} \cdot (\frac{\lambda}{I} )^\mu \cdot ( 1-\frac{\lambda}{I})^{I-\mu}.$$
  • Daraus erhält man nach einigen algebraischen Umformungen:
$$p_\mu = \frac{ \lambda^\mu}{\mu!}\cdot {\rm e}^{-\lambda}.$$

rechts Die Wahrscheinlichkeiten von

  • Binomialverteilung mit $I =6$, $p = 0.4$, und
  • Poissonverteilung mit $λ = 2.4$


sind nebenstehender Grafik zu entnehmen:

  • Beide Verteilungen besitzen den gleichen Mittelwert $m_1 = 2.4$.
  • Bei der Poissonverteilung (rote Pfeile und Beschriftung) sind die äußeren Werte wahrscheinlicher als bei der Binomialverteilung.
  • Zudem sind auch Zufallsgrößen $z > 6$ möglich, auch wenn deren Wahrscheinlichkeiten bei der gewählten Rate eher klein sind.


Momente der Poissonverteilung

Mittelwert und Streuung der Poissonverteilung ergeben sich direkt aus den entsprechenden Gleichungen der Binomialverteilung durch zweifache Grenzwertbildung: $$m_1 =\lim_{\left.{I\hspace{0.05cm}\to\hspace{0.05cm}\infty \atop {p\hspace{0.05cm}\to\hspace{0.05cm} 0}}\right.} I \cdot p= \lambda,$$ $$\sigma =\lim_{\left.{I\hspace{0.05cm}\to\hspace{0.05cm}\infty \atop {p\hspace{0.05cm}\to\hspace{0.05cm} 0}}\right.} \sqrt{I \cdot p \cdot (1-p)} = \sqrt {\lambda}.$$

Daraus ist ersichtlich, dass bei der Poissonverteilung stets $σ^2 = m_1 = λ$ gilt.

rechts Wie im letzten Beispiel werden hier

  • die Binomialverteilung mit $I =6$, $p = 0.4$, und
  • und die Poissonverteilung mit $λ = 2.4$


miteinander verglichen:

  • Beide Verteilungen besitzen genau den gleichen Mittelwert $m_1 = 2.4$.
  • Bei der Poissonverteilung (im Bild rot markiert) beträgt die Streuung $σ ≈ 1.55$.
  • Bei der (blauen) Binomialverteilung ist die Standardabweichung nur $σ = 1.2$.


Mit den nachfolgend genannten Modulen können Sie die Wahrscheinlichkeiten und Mittelwerte der Poissonverteilung für beliebige $λ$–Werte ermitteln:

Gegenüberstellung Binomialverteilung vs. Poissonverteilung

Im Folgenden sollen sowohl die Gemeinsamkeiten als auch die Unterschiede zwischen binomial- und poissonverteilten Zufallsgrößen nochmals herausgearbeitet werden.

Die Binomialverteilung ist zur Beschreibung von solchen stochastischen Ereignissen geeignet, die durch einen vorgegebenen Takt $T$ gekennzeichnet sind. Beispielsweise beträgt bei ISDN (Integrated Services Digital Network) mit $64 \ \rm kbit/s$ die Taktzeit $T \approx 15.6 \ \rm μs$.

  • Nur in diesem Zeitraster treten binäre Ereignisse auf. Solche Ereignisse sind beispielsweise die fehlerfreie $(e_i = 0)$ oder fehlerhafte $(e_i = 1)$ Übertragung einzelner Symbole.
  • Die Binomialverteilung ermöglicht nun statistische Aussagen über die Anzahl der in einem längeren Zeitintervall $T_{\rm I} = I · T$ zu erwartenden Übertragungsfehler entsprechend des oberen Zeitdiagramms (blau markierte Zeitpunkte).


Binomialverteilung vs. Poissonverteilung


Auch die Poissonverteilung macht Aussagen über die Anzahl eintretender Binärereignisse in einem endlichen Zeitintervall:

  • Geht man hierbei vom gleichen Betrachtungszeitraum $T_{\rm I}$ aus und vergrößert die Anzahl $I$ der Teilintervalle immer mehr, so wird die Taktzeit $T$, zu der jeweils ein neues Binärereignis („0” oder „1”) eintreten kann, immer kleiner. Im Grenzfall geht $T$ gegen Null.
  • Das heißt: Bei der Poissonverteilung sind die binären Ereignisse nicht nur zu diskreten, durch ein Zeitraster vorgegebenen Zeitpunkten möglich, sondern jederzeit. Das untere Zeitdiagramm verdeutlicht diesen Sachverhalt.
  • Um im Mittel während der Zeit $T_{\rm I}$ genau so viele „Einsen” wie bei der Binomialverteilung zu erhalten (im Beispiel: sechs), muss allerdings die (charakteristische) Wahrscheinlichkeit $p = {\rm Pr}( e_i = 1)$ gegen Null tendieren.


Das folgende Interaktionsmodul erlaubt die Berechnung der Wahrscheinlichkeiten und Momente für beide Verteilungen:

Gegenüberstellung Binomialverteilung – Poissonverteilung

Anwendungen der Poissonverteilung

Die Poissonverteilung ist das Ergebnis eines so genannten Poissonprozesses. Ein solcher dient häufig als Modell für Folgen von Ereignissen, die zu zufälligen Zeitpunkten eintreten können. Beispiele für derartige Ereignisse sind

  • der Ausfall von Geräten – eine wichtige Aufgabenstellung in der Zuverlässigkeitstheorie,
  • das Schrotrauschen bei der optischen Übertragung, und
  • der Beginn von Telefongesprächen in einer Vermittlungsstelle („Verkehrstheorie”).


Gehen bei einer Vermittlungsstelle im Langzeitmittel neunzig Vermittlungswünsche pro Minute (entsprechend $λ =$ 1.5 pro Sekunde) ein, so lauten die Wahrscheinlichkeiten $p_µ$, dass in einem beliebigen Zeitraum von einer Sekunde genau $\mu$ Belegungen auftreten: $$p_\mu = \frac{1.5^\mu}{\mu!}\cdot {\rm e}^{-1.5}.$$

Es ergeben sich die Zahlenwerte $p_0 =$ 0.223, $p_1 =$ 0.335, $p_2 =$ 0.251, usw.

Daraus lassen sich weitere Kenngrößen ableiten:

  • Die Abtand $τ$ zwischen zwei Vermittlungswünschen genügt der Exponentialverteilung.
  • Die mittlere Zeitspanne zwischen Vermittlungswünschen beträgt E[ $τ$] $= 1/λ ≈$ 0.667 s.