Poisson-Rate-Rechner

Schätzen Sie die Rate aus beobachteten Ereignissen.

Bitte gültige Anzahl von Ereignissen eingeben (≥ 0)

Beispiele

Ereignisanzahl und Zeitraum eingeben, um Rate zu schätzen

Was ist die Poisson-Ratenschätzung?

Aus beobachteten Ereignissen schätzen wir λ (Lambda) — die wahre durchschnittliche Rate. Dieser Rechner liefert die Ratenschätzung und ihr Konfidenzintervall.

Punktschätzung: λ̂ = (Gesamtzahl der Ereignisse) / (Gesamtexposition)

Beispiel: Wenn 15 Ereignisse über 5 Zeitperioden auftraten: λ̂ = 15/5 = 3 Ereignisse pro Periode

Aber wie präzise ist diese Schätzung? Das Konfidenzintervall beantwortet diese Frage.

Konfidenzintervall für λ

Für beobachtete Anzahl X über Exposition t:

Exakte Methode (Garwood):

Untere Grenze: χ²(α/2, 2X) / (2t) Obere Grenze: χ²(1-α/2, 2(X+1)) / (2t)

Wobei χ² die inverse Chi-Quadrat-Funktion ist.

Normalapproximation (großes λ̂):

KI = λ̂ ± z* × √(λ̂/t)

Für 95%-KI: z* = 1,96

Beispiele

Medizinische Forschung

„In 1000 Personenjahren Nachbeobachtung traten 25 Ereignisse auf. Wie hoch ist die Rate und das 95%-KI?"

λ̂ = 25/1000 = 0,025 pro Personenjahr = 25 pro 1000 Personenjahre 95%-KI: etwa 16 bis 37 pro 1000 Personenjahre

Qualitätskontrolle

„Bei 100 Produktionsläufen wurden 340 Defekte gefunden. Schätzen Sie die Defektrate."

λ̂ = 340/100 = 3,4 Defekte pro Lauf 95%-KI: etwa 3,0 bis 3,8 Defekte pro Lauf

Verkehrsanalyse

„An einer Kreuzung ereigneten sich 8 Unfälle über 3 Jahre. Schätzen Sie die jährliche Rate."

λ̂ = 8/3 = 2,67 Unfälle pro Jahr 95%-KI: etwa 1,2 bis 5,3 Unfälle pro Jahr

Website-Analytik

„Ein Server protokollierte 450 Fehler in 30 Tagen. Schätzen Sie die Fehler pro Tag."

λ̂ = 450/30 = 15 Fehler pro Tag 95%-KI: etwa 13,6 bis 16,5 Fehler pro Tag

Eigenschaften der Punktschätzung

Die Stichprobenrate λ̂ = X/t ist:

Erwartungstreu: E(λ̂) = λ Konsistent: λ̂ → λ bei zunehmender Exposition Maximum-Likelihood: λ̂ ist der ML-Schätzer für λ Effizient: λ̂ erreicht minimale Varianz unter erwartungstreuen Schätzern

Varianz: Var(λ̂) = λ/t

Standardfehler: SE(λ̂) = √(λ̂/t)

Verschiedene Expositionsszenarien

Einzelne Beobachtungsperiode

X Ereignisse in t Zeiteinheiten: λ̂ = X/t

Mehrere Beobachtungsperioden

X₁ Ereignisse in t₁, X₂ Ereignisse in t₂, usw.: λ̂ = (X₁ + X₂ + ...) / (t₁ + t₂ + ...)

Personenzeit-Exposition

Häufig in der Epidemiologie: λ̂ = (Gesamtereignisse) / (Gesamtpersonenjahre unter Risiko)

Anwendungen

Epidemiologie

Inzidenzraten messen das Krankheitsauftreten:

  • Inzidenzrate = (Neuerkrankungen) / (Personenzeit unter Risiko)
  • Das 95%-KI ermöglicht Vergleiche zwischen Populationen

Zuverlässigkeitstechnik

Ausfallraten quantifizieren die Komponentenzuverlässigkeit:

  • Ausfallrate = (Ausfälle) / (Gesamtbetriebszeit)
  • Mittlere Zeit zwischen Ausfällen = 1/λ

Prozessverbesserung

Verfolgen Sie Defektraten über die Zeit:

  • Basisrate vs. Rate nach Intervention
  • Konfidenzintervalle zeigen, ob die Verbesserung signifikant ist

Versicherung

Schadenraten informieren die Preisgestaltung:

  • Schäden pro Versicherungsjahr
  • Konfidenzintervalle berücksichtigen die Stichprobenunsicherheit

Interpretation des Konfidenzintervalls

„λ̂ = 3,2 Defekte pro Stunde, 95%-KI: [2,1; 4,6]"

Wir sind zu 95% sicher, dass die wahre Rate zwischen 2,1 und 4,6 Defekten pro Stunde liegt.

Bei Vergleich mit einem Zielwert (z.B. 5 Defekte/Stunde):

  • Wenn 5 über der oberen KI-Grenze liegt → Rate ist signifikant unter dem Zielwert
  • Wenn 5 innerhalb des KI liegt → kann nicht vom Zielwert unterschieden werden

Vergleich zweier Raten

Für zwei Gruppen mit Raten λ₁ und λ₂:

Ratenverhältnis: RR = λ₁/λ₂

Konfidenzintervall für log(RR): SE(log(RR)) = √(1/X₁ + 1/X₂)

Wenn das KI für RR die 1 ausschließt, unterscheiden sich die Raten signifikant.

Wenn null Ereignisse beobachtet werden

Wenn X = 0:

  • Punktschätzung: λ̂ = 0
  • Obere Grenze des 95%-KI: 3/t (ungefähr)
  • Dies ist die „Dreierregel"

Beispiel: Keine Ausfälle in 100 Stunden → obere Grenze des 95%-KI ≈ 3/100 = 0,03 pro Stunde

Annahmen und Einschränkungen

Konstante Rate

Das Poisson-Modell nimmt an, dass λ sich über die Zeit nicht ändert. Wenn Raten variieren:

  • Analyse nach Zeitperioden aufteilen
  • Komplexere Modelle verwenden (nicht-homogener Poisson-Prozess)

Unabhängige Ereignisse

Ereignisse müssen unabhängig sein. Clusterbildung (Ereignisse, die andere Ereignisse auslösen) verletzt diese Annahme.

Bekannte Exposition

Die Expositionszeit muss genau gemessen werden. Unsicherheit bei der Exposition erhöht die Gesamtunsicherheit.

Historischer Kontext

Frank Garwood (1936) entwickelte das exakte Konfidenzintervall für Poisson-Raten unter Verwendung der Beziehung zur Chi-Quadrat-Verteilung.

Die Methode wurde zum Standard in der Epidemiologie und Zuverlässigkeitstechnik, wo Ratenschätzung grundlegend ist.

Moderne Software berechnet routinemäßig exakte Intervalle, aber die Chi-Quadrat-Beziehung bleibt das Fundament.

Verwandte Berechnungen

Zusammenfassung

Die Poisson-Ratenschätzung wandelt beobachtete Ereigniszahlen in Ratenschätzungen um, wobei die Unsicherheit durch Konfidenzintervalle quantifiziert wird. Die Punktschätzung λ̂ = Ereignisse/Exposition ist intuitiv, während das Konfidenzintervall (unter Verwendung der Chi-Quadrat-Beziehung oder Normalapproximation) die Präzision anzeigt. Von epidemiologischen Inzidenzraten über technische Ausfallraten bis hin zu Qualitätskontrollmetriken ist die Poisson-Ratenschätzung grundlegend für das Verständnis von Ereignishäufigkeiten und für Vergleiche zwischen Gruppen oder Zeitperioden.

Verwandte Werkzeuge