Zwischen zwei Vorlesungen treffen in der Fachschaft meist nur wenige Rückfragen ein, doch vor einer Prüfung kann plötzlich viel los sein. Die Poisson-Verteilung schätzt, wie viele Ereignisse in einem festen Zeitraum auftreten, sofern die Rate ungefähr gleich bleibt und die Ereignisse unabhängig sind. Gerade bei diesen Voraussetzungen steckt der Haken.

Die Verteilung passt zu Zählungen mit stabiler Rate
- Gezählt werden Ereignisse in einem festgelegten Zeit- oder Raumintervall.
- λ beschreibt den Erwartungswert für genau dieses Intervall.
- Unabhängigkeit und eine konstante Rate tragen das Modell.
- Abweichende Daten können auf eine unpassende Verteilung hindeuten.
λ zählt den Durchschnitt im festgelegten Intervall
Auf dem Übungsblatt steht eine Zahl wie „durchschnittlich drei Anfragen pro Stunde“. Für die Poisson-Verteilung ist das der Parameter λ = 3, sofern die Stunde als Intervall feststeht. Die Zufallsvariable X zählt dann, wie viele Anfragen in einer solchen Stunde eintreffen.
Die Wahrscheinlichkeit für genau k Ereignisse lautet P(X = k) = e−λ · λk / k!. Der mögliche Wert k ist eine nicht negative ganze Zahl; auch null Ereignisse gehören dazu. Laut Penn State müssen die Ereignisse unabhängig sein, die Rate im betrachteten Zeitraum gleich bleiben und das Intervall feststehen.
Der Parameter hängt also an der Länge des Intervalls. Wer eine Rate pro Stunde auf einen Zeitraum von zwei Stunden überträgt, muss auch den Erwartungswert für diesen Zeitraum anpassen. Sonst rechnet die Formel zwar sauber, beantwortet aber die falsche Frage.
Bei drei Anfragen pro Stunde liegt die Chance auf mindestens vier bei 35,3 Prozent
Angenommen, eine studentische Beratungsstelle erhält im Mittel drei unabhängige Anfragen pro Stunde. Gesucht ist die Wahrscheinlichkeit, dass in der nächsten Stunde mindestens vier eintreffen. „Mindestens vier“ umfasst vier, fünf, sechs und alle größeren Zahlen, also ist die Gegenwahrscheinlichkeit oft der kürzere Weg.
Für λ = 3 ergibt sich P(X ≥ 4) = 1 − P(X ≤ 3) ≈ 35,3 Prozent. Das ist keine Vorhersage für die konkrete nächste Stunde, sondern eine Wahrscheinlichkeit unter dem Modell. Eine häufige Verwechslung: λ = 3 bedeutet nicht, dass genau drei Anfragen sicher eintreffen.
Bei vielen kleinen Einzelchancen kann die Poisson-Verteilung die Binomialrechnung vereinfachen
Stehen auf einem Aufgabenblatt feste, unabhängige Versuche mit jeweils einer kleinen Trefferchance, beschreibt die Binomialverteilung den Aufbau zunächst genauer. Die Poisson-Verteilung kann dann eine handlichere Näherung sein, wenn es viele Versuche gibt und die Einzelwahrscheinlichkeit klein ist. Als Parameter dient λ = n · p.
Ein greifbarer Vergleich: Bei 100 unabhängigen Versuchen mit Trefferwahrscheinlichkeit 0,02 ist die Chance auf keinen Treffer binomialverteilt etwa 13,26 Prozent. Die Poisson-Näherung mit λ = 2 liefert etwa 13,53 Prozent. Die Differenz beträgt hier rund 0,27 Prozentpunkte.
Die Le-Cam-Schranke gibt eine theoretische Obergrenze für den Fehler der Poisson-Näherung: Bei diesen gleich großen Einzelwahrscheinlichkeiten liegt die Schranke für die Totalvariationsdistanz bei 0,04. Sie ist eine Sicherheitsgrenze für den Unterschied der gesamten Verteilungen, nicht der tatsächliche Fehler jeder einzelnen Wahrscheinlichkeit. Für eine Prüfungsaufgabe mit exakten Versuchszahlen würde ich deshalb zuerst die Binomialverteilung ansetzen und die Poisson-Verteilung als begründete Vereinfachung nutzen.
Wenn die beobachtete Varianz über dem Mittelwert liegt, prüfe das Modell
Bei einer Poisson-Verteilung sind Erwartungswert und Varianz gleich λ. Für einzelne Beobachtungen ist das kein Test: Eine Stichprobe schwankt. Über viele gleich lange Intervalle hinweg kann ein dauerhaft deutlich größerer Stichprobenmittelwert der Varianz aber darauf hindeuten, dass die Poisson-Annahme nicht passt.
| Beobachtung | Möglicher Hinweis | Nächster Schritt |
|---|---|---|
| Die Rate schwankt systematisch zwischen Tageszeiten | Die Intervalle haben nicht dieselbe Ereignisrate | Zeitabschnitte getrennt betrachten oder ein Modell mit veränderlicher Rate prüfen |
| Ereignisse häufen sich nach einem vorherigen Ereignis | Die Unabhängigkeit könnte verletzt sein | Den Ablauf untersuchen, statt die Poisson-Verteilung automatisch anzusetzen |
| Die Stichprobenvarianz liegt wiederholt deutlich über dem Mittelwert | Überdispersion, also mehr Streuung als das Modell erlaubt | Prüfen, ob unterschiedliche Raten oder Abhängigkeiten die Zählwerte erklären |
Ein Artikel in Collabra: Psychology zeigte anhand von Simulationen, dass schon leichte Verletzungen der Poisson-Annahmen die Rate falsch positiver Ergebnisse mehr als verdoppeln können. Das betrifft statistische Auswertungen, nicht jede einzelne Rechenaufgabe. Trotzdem halte ich den Modellcheck für eine bessere Lerngewohnheit als das bloße Einsetzen von λ.
Eine gute Rechnung beginnt mit einer sauberen Zählfrage
Vor dem Rechnen sollte klar sein, was als Ereignis zählt und welches Zeit- oder Raumintervall gemeint ist. Erst danach lässt sich entscheiden, ob λ aus einer bekannten Rate folgt oder als Durchschnitt aus gleichartigen Beobachtungen geschätzt wird.
Wenn Ereignisse unabhängig auftreten und die Rate gleich bleibt, ist die Poisson-Verteilung ein passendes Werkzeug für Zählungen. Wenn diese Bedingungen wackeln, sagt die Formel weiterhin eine Zahl aus, aber die Zahl muss nicht mehr zur Wirklichkeit passen.
