Die Poisson-Verteilung ist ein klassisches Modell für die Häufigkeit, mit der Ereignisse eintreten. Man kann sie immer dann verwenden, wenn Ereignisse in einer bestimmten Region und in einem gewissen Zeitfenster unabhängig voneinander und mit einer konstanten Rate eintreten.
Solche Fragen stellen sich im Callcenter, im Ladengeschäft, an einer Mautstation, bei Versicherungen, in der Produktion oder im Risikomanagement. Wir zeigen im Folgenden, wie die Verteilung definiert ist und wann sie passt. Danach simulieren wir sie Schritt für Schritt in Excel mit Risk Kit, vergleichen sie mit der Binomial- und der Normalverteilung und sehen uns an, wann ein Ereignis nicht Poisson-verteilt ist.
Was ist eine Poisson-Verteilung?
Eine Poisson-verteilte Zufallszahl gibt an, wie oft ein Ereignis in einer bestimmten Region und in einem bestimmten Zeitfenster eintritt. Sie nimmt deshalb nur ganze Zahlen als Werte an: die 0, wenn im betrachteten Zeitfenster gar kein Ereignis eintritt, und sonst 1, 2, 3 und so weiter.
Die Verteilung hat nur einen einzigen Parameter. Er wird typischerweise als Lambda (λ) bezeichnet und ist inhaltlich die erwartete Eintrittshäufigkeit in der Region und in dem Zeitfenster. Erwarten wir zum Beispiel drei Ereignisse, ist λ = 3. Die Wahrscheinlichkeit, dass das Ereignis genau k-mal eintritt, beträgt:
P(X = k) = λᵏ · e^(−λ) / k! für k = 0, 1, 2, …
Dabei ist k! = 1 · 2 · … · k und e ≈ 2,718 die Eulersche Zahl.
In der Theorie ist die Poisson-Verteilung nach oben unbegrenzt. Es könnten also beliebig viele Ereignisse eintreten. In der Praxis ist das allerdings nicht so: Die Verteilung klingt relativ schnell ab und bleibt in einer Umgebung um die erwartete Eintrittshäufigkeit. In der Simulation weiter unten sieht man das deutlich.
Welche Beispiele gibt es für die Poisson-Verteilung?
Beispielhafte Anwendungen für die Poisson-Verteilung sind diese Fragen:
- Wie viele Anrufe gehen an einem Tag in einem Callcenter ein?
- Ich habe ein Ladenlokal. Wie viele Kunden kommen am Dienstagmorgen zwischen neun und zehn Uhr durch die Tür?
- Wie viele Autos kommen an einem bestimmten Tag in einer bestimmten Region an eine Mautstation?
Es ist immer das gleiche Strickmuster. Wir grenzen einen Bereich ein, regional und zeitlich, und fragen: Wie häufig tritt ein Ereignis in diesem Bereich ein?
Wann passt eine Poisson-Verteilung?
Die Poisson-Verteilung kann immer dann verwendet werden, wenn in einer Region und in einem gewissen Zeitfenster Eintritte unter zwei Bedingungen passieren:
- Die Eintritte geschehen unabhängig voneinander.
- Sie geschehen mit einer konstanten Rate, die sich im betrachteten Zeitfenster und in der betrachteten Region nicht ändert.
Die Einschränkung auf einen Zeitraum und eine Region hat in der Regel genau diesen Zweck. Sie soll dafür sorgen, dass die Eintrittsrate konstant ist und sich nicht ändert. Herrscht in meinem Ladenlokal morgens zwischen neun und zehn Uhr ein anderer Betrieb als zwischen zehn und elf Uhr oder um die Mittagszeit zwischen elf und zwölf Uhr, dann lohnt es sich, diese Zeitbereiche gegeneinander abzugrenzen. Wir betrachten dann die frühe, die mittlere und die späte Phase getrennt, damit die Verhältnisse in jedem einzelnen Abschnitt homogen sind, also gleichartig.
Nach diesem Schema wird die Poisson-Verteilung sehr häufig eingesetzt. Versicherungen setzen sie ein, um zu untersuchen, wie viele Schadensmeldungen ihr heutiger Kundenstamm in einem gewissen Zeitfenster und in einer gewissen Region einreicht. In der Produktion schaut man, wie viele defekte Teile an einem Tag produziert werden. All dies sind zufällige Vorgänge, aber man kann relativ gut sagen, dass sie unabhängig und homogen stattfinden.
Sind die Ereignisse dagegen nicht unabhängig voneinander, passt die Poisson-Verteilung nicht ohne Weiteres. Dazu mehr am Ende dieses Beitrags.
Wie simuliert man eine Poisson-Verteilung in Excel?
Kurz gesagt: Risk Kit ist ein Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Was wir hier zeigen, gilt aber allgemein. Ob man mit Risk Kit, mit Python oder mit einem anderen Tool simuliert: Die Poisson-Verteilung hat überall denselben Parameter und liefert dieselben Ergebnisse.
Wir bleiben beim Beispiel mit drei erwarteten Ereignissen. In unserer Tabelle steht die erwartete Eintrittshäufigkeit in Zelle B8, darüber die Beschriftung „Erwartete Eintrittshäufigkeit“. Zelle B8 enthält den Wert 3. Die Poisson-verteilte Zufallszahl soll in Zelle D8 entstehen. Wir gehen in fünf Schritten vor:
- Zelle D8 auswählen, auf der Risk-Kit-Toolbar die Schaltfläche „Beliebt“ öffnen und die Poisson-Verteilung auswählen.
- Im Eingabedialog den einzigen Parameter Lambda angeben, die erwartete Eintrittshäufigkeit. Wir tragen dort den Bezug auf Zelle B8 ein. Rechts neben dem Feld zeigt Risk Kit den Wert an, auf den der Bezug verweist: 3.
- Mit „Einfügen“ schreibt Risk Kit die Funktion =Poisson_variate(B8) in Zelle D8.
- Zelle D8 über die Schaltfläche „Ausgabe“ als Ausgabe markieren und ihr den Namen „Poisson-Verteilung“ geben. Risk Kit ergänzt die Formel dafür um OutputName("Poisson-Verteilung") und hebt die Zelle gelb hervor.
- Die Simulation über die Schaltfläche „Simulation“ starten.
Schon im Eingabedialog sehen wir auf der rechten Seite direkt, wie die Häufigkeitsverteilung aussehen wird. Abbildung 1 zeigt diesen Moment. Links in der Tabelle steht in Zelle B8 die 3, die Bearbeitungsleiste oben bestätigt das. Die Titelzeile des Dialogs „[D8] = Poisson_variate(...)“ zeigt, dass die Funktion in Zelle D8 eingefügt wird. Im Feld Lambda steht der Bezug B8, rechts daneben der Wert 3.
In der Vorschau steht auf der waagerechten Achse die Anzahl der Ereignisse, auf der senkrechten Achse die Wahrscheinlichkeit. Die orange Fläche ist im Bereich von zwei und drei Ereignissen am höchsten, also in der Nähe der erwarteten drei. Nach rechts wird sie schnell flacher. Die Tabelle ganz rechts bestätigt das: Die Erwartung beträgt 3,00. Als Maximum steht dort das Zeichen ∞ für unendlich, denn nach oben ist die Verteilung unbegrenzt. In der Zeile für 99,9 % steht dagegen 10. In 99,9 % der Fälle treten also höchstens zehn Ereignisse ein.
Abbildung 1: Zelle B8 enthält die erwartete Eintrittshäufigkeit 3. Im Eingabedialog für Zelle D8 verweist Lambda auf B8, rechts zeigt die Vorschau die Häufigkeitsverteilung.
Nach der Simulation zeigt Risk Kit das Ergebnis der Ausgabe „Poisson-Verteilung“ (Abbildung 2). Die Verteilung hat die gleiche Form, die wir eben in der Vorschau gesehen haben. Oben in der Bearbeitungsleiste steht die vollständige Formel von Zelle D8: =Poisson_variate(B8)+OutputName("Poisson-Verteilung"). Die Zelle selbst ist gelb markiert.
Im Histogramm steht auf der waagerechten Achse wieder die Anzahl der Ereignisse. Jede ganze Zahl von 0 bis 11 hat eine eigene schmale Säule, dazwischen ist nichts, weil die Poisson-Verteilung nur ganze Zahlen annimmt. Die Höhe einer Säule zeigt, wie häufig dieser Wert in der Simulation vorkam. Die waagerechte Achse ist in krummen Schritten beschriftet. Die Säulen stehen trotzdem genau auf den ganzen Zahlen, und es kommt nur auf ihre Höhe im Vergleich zueinander an. Die höchsten Säulen stehen bei 2 und 3. Rechts in der Tabelle liegt der Mittelwert bei 2,99, also fast genau bei der erwarteten Eintrittshäufigkeit von 3. Obwohl die Verteilung nach oben unbegrenzt ist, kam in der gesamten Simulation kein Wert über elf vor: Das Minimum ist 0 und die Spannweite 11. Ab neun Ereignissen sind die Säulen kaum noch zu sehen.
Abbildung 2: Simulationsergebnis für eine erwartete Eintrittshäufigkeit von 3. Jede ganze Zahl von 0 bis 11 hat eine eigene Säule, rechts stehen unter anderem Mittelwert 2,99 und Standardabweichung 1,74.
Man kann das Ergebnis auch als Verteilungsfunktion darstellen. Sie gibt für jeden Wert auf der waagerechten Achse an, mit welcher Wahrscheinlichkeit höchstens so viele Ereignisse eintreten. Dazu wählt man unten links im Ergebnisfenster über die Schaltfläche mit dem Diagrammsymbol den Eintrag „CDF“, kurz für Cumulative Distribution Function. Abbildung 3 zeigt das Ergebnis: Die Verteilungsfunktion steigt wie eine Treppe an und springt bei jeder ganzen Zahl eine Stufe nach oben. Zwischen zwei ganzen Zahlen bleibt sie flach, weil dort keine Werte vorkommen. Nach rechts nähert sie sich schnell der 1.
Abbildung 3: Dasselbe Ergebnis als Verteilungsfunktion. Sie steigt als Treppe an und springt bei jeder ganzen Zahl eine Stufe nach oben.
Wie hängt die Poisson-Verteilung mit der Binomial- und der Normalverteilung zusammen?
Die Poisson-Verteilung ist eng verwandt mit der Binomialverteilung und auch mit der Normalverteilung. Eine Binomialverteilung mit sehr vielen Wiederholungen und kleiner Eintrittswahrscheinlichkeit ist von einer Poisson-Verteilung mit derselben erwarteten Eintrittshäufigkeit kaum zu unterscheiden. Liegt die erwartete Eintrittshäufigkeit außerdem so weit oben, dass wir die Null praktisch nicht mehr sehen und die Verteilung links und rechts ausläuft, dann ähnelt die Poisson-Verteilung auch einer Normalverteilung.
Schauen wir uns das an. Wir geben in Zelle B8 als erwartete Eintrittshäufigkeit 20 ein und simulieren noch einmal. Als Verteilungsfunktion ergibt sich jetzt eine schöne S-förmige Kurve, als Histogramm eine Glockenkurve. Abbildung 4 zeigt das Histogramm. Die Säulen steigen von links an, sind um 20 herum am höchsten und fallen nach rechts fast spiegelbildlich wieder ab. Die Null kommt nicht mehr vor: In der Tabelle steht als Minimum 5. Der Mittelwert liegt bei 20,01, die Standardabweichung bei 4,47.
Abbildung 4: Simulationsergebnis für eine erwartete Eintrittshäufigkeit von 20. Das Histogramm bildet eine Glockenkurve um 20, die Null kommt nicht mehr vor.
Jetzt legen wir eine Binomialverteilung darüber. Das geht direkt im Eingabedialog. Wir öffnen für Zelle D8 wieder den Eingabedialog der Poisson-Verteilung, wählen unten links über die Schaltfläche mit dem Diagrammsymbol „Overlay hinzufügen“ und dann die Binomialverteilung. Sie soll ebenfalls die erwartete Eintrittshäufigkeit 20 haben, also zum Beispiel eine Eintrittswahrscheinlichkeit von 10 % und eine sehr hohe Anzahl von Wiederholungen, hier 200. Denn 10 % von 200 sind wieder 20.
In Abbildung 5 steht links unter den Feldern der Poisson-Verteilung ein zweiter Block „Binomial_variate(...)“ mit P = 10 % und N = 200. In der Vorschau rechts ist die Poisson-Verteilung als orange Fläche gezeichnet, die Binomialverteilung als blaue Linie. Die waagerechte Achse reicht jetzt bis 200, weil die Binomialverteilung mit 200 Wiederholungen bis zu 200 Eintritte zulässt. Deshalb drängen sich beide Verteilungen links um die 20 zusammen. Man sieht aber: Die blaue Linie folgt dem Rand der orangen Fläche fast genau. Die Binomialverteilung ist in dieser Vorschau von der Poisson-Verteilung kaum zu unterscheiden.
Abbildung 5: Eingabedialog mit einer Binomialverteilung als Overlay (P = 10 %, N = 200). Die blaue Linie liegt fast genau auf der orangen Fläche der Poisson-Verteilung.
Dasselbe gilt für eine Normalverteilung, die wir noch zusätzlich darüberlegen. Auch hier ist die Erwartung 20. Die Standardabweichung ist Wurzel aus 20, im Dialog eingegeben als wurzel(20). Das ist nämlich genau die Standardabweichung der Poisson-Verteilung. Sie passt auch zur Standardabweichung von 4,47 aus der Simulation in Abbildung 4.
In Abbildung 6 ist links ein dritter Block „Normal_variate(...)“ hinzugekommen, mit Erwartung 20 und Std. dev. wurzel(20). Rechts daneben steht der berechnete Wert 4,47213595. In der Vorschau ist die Normalverteilung als grüne Linie eingezeichnet. Auch hier liegen die Verteilungen praktisch nahtlos übereinander: Die grüne Linie folgt der orangen Fläche und verdeckt die blaue Linie der Binomialverteilung fast vollständig.
Abbildung 6: Zusätzlich eine Normalverteilung mit Erwartung 20 und Standardabweichung Wurzel aus 20. Alle drei Verteilungen liegen praktisch übereinander.
Bei vielen Wiederholungen und kleiner Eintrittswahrscheinlichkeit kann man die Poisson-Verteilung also durch eine Binomialverteilung mit derselben Erwartung ersetzen, und umgekehrt. Bei einer hohen erwarteten Eintrittshäufigkeit gilt das auch für eine Normalverteilung mit Erwartung λ und Standardabweichung Wurzel aus λ.
Wie bildet man Risiken ab, die mehrmals eintreten können?
Weil die Poisson-Verteilung unabhängige und homogene Ereignisse sehr gut darstellen kann, wird sie unter anderem im Enterprise Risk Management, dem unternehmensweiten Risikomanagement, sehr oft verwendet. Dort dient sie für Risiken, die mehrmals eintreten können. Das ist überhaupt kein seltener Fall: Viele Risiken können in einer Periode, also in einem abgegrenzten Zeitbereich, öfter vorkommen, zum Beispiel Cyberangriffe oder Betrugsfälle.
Die Simulation ist dann zweistufig. Im ersten Schritt bestimmt die Poisson-Verteilung, wie häufig das Ereignis eingetreten ist. Im zweiten Schritt wird für jeden einzelnen Eintritt bestimmt, welcher Schaden dabei entstanden ist. Das ist der Ansatz, den viele Unternehmen verfolgen.
Wann ist ein Ereignis nicht Poisson-verteilt?
Ein Ereignis ist zum Beispiel dann nicht Poisson-verteilt, wenn die Eintritte nicht unabhängig voneinander sind.
Nehmen wir eine Autoversicherung. Unter normalen Bedingungen kann man mit einer Poisson-Verteilung modellieren, wie viele Schadenfälle in einem gewissen Zeitraum eintreten. Das funktioniert, weil die Eintritte völlig unabhängig voneinander sind. Dass hier ein Autounfall passiert, hat nichts damit zu tun, dass dort ein Autounfall passiert.
Das ändert sich aber schlagartig, wenn Versicherungsfälle auf ein systematisches Ereignis zurückgehen, zum Beispiel auf einen Hagelschlag in der Region. Dann sind auf einmal durch dieses zentrale Ereignis ganz viele Autos beschädigt, und zwar abhängig voneinander. Die Halter gehen zur Versicherung, um ihren Kaskoschaden geltend zu machen. In dieser Situation wäre die Poisson-Verteilung nicht korrekt.
Man kann die Poisson-Verteilung aber wieder verwenden, wenn man den Hagel berücksichtigt. Unter der Bedingung, dass der Hagel niedergegangen ist, gilt eine andere Poisson-Verteilung mit einer viel höheren erwarteten Eintrittshäufigkeit als im Normalfall. Der Parameter λ wird damit selbst zufällig und hängt vom systematischen Ereignis ab. Treten die Schäden unabhängig voneinander ein, sobald dieses Ereignis feststeht, ist das Modell wieder korrekt.
Weitere Verteilungen
Den Überblick über alle Verteilungen gibt unser Leitfaden „Wann nehme ich welche Verteilung?“.
- Wann nehme ich eine Bernoulli-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wann die Bernoulli-Verteilung passt und welche Rolle sie als Weiche in einer Simulation spielt.
- Wann nehme ich eine Binomialverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wie die Binomialverteilung die Zahl der Erfolge in n unabhängigen Versuchen beschreibt und wie man sie in Excel berechnet.
- Wann nehme ich eine Normalverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wann die Normalverteilung passt, wo ihre Grenzen liegen und wie man sie abschneidet.
- Wann nehme ich eine Dreiecksverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiel: wann die Dreiecksverteilung passt, warum der wahrscheinlichste Wert nicht der Erwartungswert ist und wo ihre Grenzen liegen.
- Experteneinschätzungen in einer Monte-Carlo-Simulation quantifizieren: die ExpertverteilungExperteneinschätzungen besser quantifizieren: wie die Expertverteilung Schätzungen über Grenzen und Quantile abbildet, auch ohne festes Minimum oder Maximum.
- Wann nehme ich eine PERT-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiel: wie die PERT-Verteilung eine begrenzte Dauer mit Minimum, wahrscheinlichstem Wert und Maximum beschreibt und wo ihre Grenzen liegen.
- Wann nehme ich eine Lognormalverteilung in einer Monte-Carlo-Simulation?Definition, Eigenschaften und Grenzen: wann die Lognormalverteilung proportionale Wachstumsprozesse richtig beschreibt und wie man sie in Excel parametrisiert.
- Benutzerdefinierte Verteilungen in einer Monte-Carlo-Simulation: die Flex-VerteilungBenutzerdefinierte Verteilungen: wie die Flex-Verteilung aus Werten und Wahrscheinlichkeiten entsteht und wann sie passt, von Experteneinschätzungen bis zur Übertragung von Simulationsergebnissen.