<\/p>\n
Die Poisson-Verteilung<\/a> ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Wahrscheinlichkeit des Auftretens einer bestimmten Anzahl von Ereignissen w\u00e4hrend eines festen Zeitintervalls verwendet wird.<\/span><\/p>\n Die Verwendung der Poisson-Verteilung ist sinnvoll, wenn die folgenden vier Annahmen erf\u00fcllt sind:<\/span><\/p>\n Annahme 1: Die Anzahl der Ereignisse kann gez\u00e4hlt werden.<\/strong><\/span><\/p>\n Wir gehen davon aus, dass die Anzahl der \u201eEreignisse\u201c, die w\u00e4hrend eines bestimmten Zeitintervalls auftreten k\u00f6nnen, gez\u00e4hlt werden kann und die Werte 0, 1, 2, 3 usw. annehmen kann.<\/span><\/p>\n Hypothese 2: Das Eintreten von Ereignissen ist unabh\u00e4ngig.<\/strong><\/span><\/p>\n Wir gehen davon aus, dass das Eintreten eines Ereignisses keinen Einfluss auf die Wahrscheinlichkeit des Eintretens eines anderen Ereignisses hat.<\/span><\/p>\n Annahme 3: Die durchschnittliche Geschwindigkeit, mit der Ereignisse auftreten, kann berechnet werden.<\/strong><\/span><\/p>\n Wir gehen davon aus, dass die durchschnittliche Rate, mit der Ereignisse w\u00e4hrend eines bestimmten Zeitintervalls auftreten, berechnet werden kann und \u00fcber jedes Teilintervall hinweg konstant ist.<\/span><\/p>\n Annahme 4: Zwei Ereignisse k\u00f6nnen nicht genau gleichzeitig auftreten.<\/strong><\/span><\/p>\n Wir gehen davon aus, dass in jedem extrem kleinen Teilintervall genau ein Ereignis entweder auftritt oder nicht auftritt.<\/span><\/p>\n Die folgenden Beispiele zeigen verschiedene Szenarien, die die Annahmen einer Poisson-Verteilung erf\u00fcllen.<\/span><\/p>\n Die Anzahl der Kunden, die t\u00e4glich in einem Restaurant ankommen, kann mithilfe einer Poisson-Verteilung modelliert werden.<\/span><\/p>\n Dieses Szenario erf\u00fcllt alle Annahmen einer Poisson-Verteilung:<\/span><\/p>\n Annahme 1: Die Anzahl der Ereignisse kann gez\u00e4hlt werden.<\/strong><\/span><\/p>\n Man kann die Anzahl der Kunden z\u00e4hlen, die t\u00e4glich in einem Restaurant eintreffen (z. B. 200 Kunden).<\/span><\/p>\n Hypothese 2: Das Eintreten von Ereignissen ist unabh\u00e4ngig.<\/strong><\/span><\/p>\n Die Ankunft eines Kunden hat keinen Einfluss auf die Ankunft eines anderen Kunden.<\/span><\/p>\n Annahme 3: Die durchschnittliche Geschwindigkeit, mit der Ereignisse auftreten, kann berechnet werden.<\/strong><\/span><\/p>\n Wir k\u00f6nnen problemlos Daten \u00fcber die durchschnittliche Anzahl der Kunden sammeln, die t\u00e4glich das Restaurant betreten.<\/span><\/p>\n Annahme 4: Zwei Ereignisse k\u00f6nnen nicht genau gleichzeitig auftreten.<\/strong><\/span><\/p>\n Technisch gesehen ist es nicht m\u00f6glich, dass zwei Kunden gleichzeitig<\/em> ein Restaurant betreten.<\/span><\/p>\n Die Anzahl der Netzwerkausf\u00e4lle, die ein Technologieunternehmen jede Woche erlebt, kann mithilfe einer Poisson-Verteilung modelliert werden.<\/span><\/p>\n Dieses Szenario erf\u00fcllt alle Annahmen einer Poisson-Verteilung:<\/span><\/p>\n Annahme 1: Die Anzahl der Ereignisse kann gez\u00e4hlt werden.<\/strong><\/span><\/p>\n Die Anzahl der Netzwerkausf\u00e4lle pro Woche kann gez\u00e4hlt werden (z. B. 3 Netzwerkausf\u00e4lle).<\/span><\/p>\n Hypothese 2: Das Eintreten von Ereignissen ist unabh\u00e4ngig.<\/strong><\/span><\/p>\n Es wird davon ausgegangen, dass das Auftreten eines Netzwerkausfalls keinen Einfluss auf die Wahrscheinlichkeit eines weiteren Netzwerkausfalls hat.<\/span><\/p>\n Annahme 3: Die durchschnittliche Geschwindigkeit, mit der Ereignisse auftreten, kann berechnet werden.<\/strong><\/span><\/p>\n Wir k\u00f6nnen problemlos Daten \u00fcber die durchschnittliche Anzahl der Netzwerkausf\u00e4lle sammeln, die jede Woche auftreten.<\/span><\/p>\n Annahme 4: Zwei Ereignisse k\u00f6nnen nicht genau gleichzeitig auftreten.<\/strong><\/span><\/p>\n Zwei Netzwerkausf\u00e4lle k\u00f6nnen nicht genau gleichzeitig auftreten: Es kann immer nur ein Netzwerkausfall gleichzeitig auftreten.<\/span><\/p>\n Eine Einf\u00fchrung in die Poisson-Verteilung<\/a> Die Poisson-Verteilung ist eine Wahrscheinlichkeitsverteilung, die zur Modellierung der Wahrscheinlichkeit des Auftretens einer bestimmten Anzahl von Ereignissen w\u00e4hrend eines festen Zeitintervalls verwendet wird. Die Verwendung der Poisson-Verteilung ist sinnvoll, wenn die folgenden vier Annahmen erf\u00fcllt sind: Annahme 1: Die Anzahl der Ereignisse kann gez\u00e4hlt werden. Wir gehen davon aus, dass die Anzahl der \u201eEreignisse\u201c, die […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel 1: Anzahl der Ank\u00fcnfte in einem Restaurant<\/strong><\/span><\/h3>\n
Beispiel 2: Anzahl<\/strong> der Netzwerkausf\u00e4lle pro Woche<\/strong><\/span><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Fischverteilungsrechner<\/a>
5 konkrete Beispiele der Poisson-Verteilung<\/a>
So berechnen Sie ein Poisson-Konfidenzintervall<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"