Over deze calculator
Hoe bereken je de waarschijnlijkheid dat een zeldzame gebeurtenis zich in een vaste tijd of ruimte voordoet? De Poisson-verdeling is een van de belangrijkste discrete kansverdelingen in de waarschijnlijkheidstheorie en wordt specifiek gebruikt om de waarschijnlijkheidsverdeling te beschrijven van het aantal willekeurige gebeurtenissen dat per tijdseenheid (of ruimte) plaatsvindt. De waarschijnlijkheidsmassafunctie van de Poisson-verdeling is P(X=k) = (λᵏ × e⁻λ) / k!, waarbij λ het gemiddelde aantal gebeurtenissen is en k het aantal gebeurtenissen.
De Poissonverdeling heeft drie belangrijke kenmerken: ① gebeurtenissen vinden onafhankelijk plaats; ② het gemiddelde aantal gebeurtenissen is constant; ③ twee gebeurtenissen zullen niet op hetzelfde moment plaatsvinden. Wanneer aan deze voorwaarden is voldaan, volgt het aantal gebeurtenisvoorvallen een Poisson-verdeling. De verwachting en variantie van de Poisson-verdeling zijn beide gelijk aan λ.
In het echte leven wordt de Poisson-verdeling extreem veel gebruikt. Het aantal bezoeken aan een website per uur, het aantal oproepen per minuut naar een telefooncentrale, het aantal patiënten dat per dag op de spoedeisende hulp van een ziekenhuis wordt opgenomen, het aantal radioactief verval, het aantal drukfouten in boeken, het aantal verkeersongevallen, etc. kunnen allemaal worden gemodelleerd met behulp van de Poisson-verdeling.
Onze Poisson-verdelingscalculator kan snel de waarschijnlijkheid P (X=k), de cumulatieve waarschijnlijkheid P (X≤k), de verwachting, de variantie en andere statistieken berekenen voor gegeven parameter λ- en k-waarden. Er zijn ook kansverdelingsgrafieken beschikbaar om u te helpen de kenmerken van de Poisson-verdeling intuïtief te begrijpen. Of studenten nu waarschijnlijkheidsstatistieken leren of data-analisten modelleren, deze tool kan nauwkeurige en efficiënte berekeningsdiensten bieden.
Wat wordt berekend
De Poisson-verdelingscalculator berekent de kans dat een gebeurtenis in een vaste tijd of ruimte k keer voorkomt, geschikt wanneer de gemiddelde frequentie bekend is en gebeurtenissen onafhankelijk zijn.
Formule
P(X = k) = e^-lambda * lambda^k / k!, waarbij lambda het gemiddelde aantal gebeurtenissen is en k het doelaantal.
Invoer
- lambda: het gemiddelde aantal gebeurtenissen per interval.
- k: het aantal gebeurtenissen dat je wilt berekenen.
Voorbeeld
| lambda | k | Vraag |
|---|---|---|
| 3 | 0 | Kans dat er helemaal niets gebeurt als het gemiddelde 3 is |
| 3 | 3 | Kans dat het aantal gelijk is aan het gemiddelde |
| 5 | 8 | Kans boven het gemiddelde |
Hoe het resultaat te begrijpen
Het resultaat is de kans op precies k gebeurtenissen. Hoe groter lambda, hoe verder het centrum van de verdeling naar rechts schuift; hoe verder k van lambda af ligt, hoe kleiner de kans meestal is.
Veelgemaakte fouten
- Lambda moet groter dan 0 zijn.
- k moet een niet-negatief geheel getal zijn.
- De Poisson-verdeling veronderstelt onafhankelijke gebeurtenissen met een stabiele gemiddelde frequentie.
Hoe te gebruiken
Het gebruik van de Poisson-verdelingscalculator is heel eenvoudig. Bepaal eerst het gemiddelde aantal gebeurtenissen λ en het aantal te tellen gebeurtenissen k.
**Basisstappen:** 1. Voer het gemiddelde aantal gebeurtenissen in λ (het gemiddelde aantal gebeurtenissen per tijds- of ruimte-eenheid) 2. Voer het aantal gebeurtenissen k in (om de waarschijnlijkheid van optreden k keer te berekenen) 3. Selecteer het berekeningstype (kans op één punt, cumulatieve waarschijnlijkheid of intervalwaarschijnlijkheid) 4. Klik op de knop "Berekenen" om de resultaten te bekijken
**Voorbeeld 1:** Een website heeft gemiddeld 3 bezoeken per uur (λ=3). Bereken de kans op precies 5 bezoeken. P(X=5) = (3⁵ × e⁻³) / 5! = (243 × 0,0498) / 120 ≈ 0,1008, ongeveer 10,08%.
**Voorbeeld 2:** De spoedeisende hulp van een ziekenhuis ontvangt dagelijks gemiddeld 4 patiënten (λ=4). Bereken de kans dat u op een bepaalde dag niet meer dan 2 patiënten ontvangt. P(X≤2) = P(X=0) + P(X=1) + P(X=2) = e⁻⁴ + 4e⁻⁴ + 8e⁻⁴ = 13e⁻⁴ ≈ 0,2381, ongeveer 23,81%.
**Voorbeeld 3:** Een bepaald boek heeft gemiddeld 0,5 drukfouten per pagina (λ=0,5). Bereken de kans dat een bepaalde pagina drie of meer fouten bevat. P(X≥3) = 1 - P(X≤2) = 1 - [P(X=0) + P(X=1) + P(X=2)] ≈ 1 - 0,9856 = 0,0144, ongeveer 1,44%.
De rekenmachine berekent automatisch statistieken zoals waarschijnlijkheidswaarde, verwachting, variantie, standaarddeviatie, enz., en tekent een waarschijnlijkheidsverdelingsgrafiek.
Belangrijkste functies
• Eén-puntskans: Bereken P(X=k), de kans dat een gebeurtenis precies k keer voorkomt • Cumulatieve waarschijnlijkheid: bereken P(X≤k) of P(X≥k), cumulatieve verdelingsfunctie • Intervalwaarschijnlijkheid: Bereken P(a≤X≤b), de kans dat het aantal gebeurtenisvoorvallen binnen het interval ligt • Statistieken: bereken automatisch de verwachting, variantie en standaarddeviatie • Kansgrafieken: Teken waarschijnlijkheidsmassafuncties en cumulatieve verdelingsfuncties • Parameteraanpassing: ondersteunt real-time aanpassing van de λ-waarde en observatie van distributieveranderingen • Zeer nauwkeurige berekening: bereken nauwkeurig de waarschijnlijkheid van grote λ-waarden en grote k-waarden • Formuleweergave: toont de waarschijnlijkheidsformule van de Poisson-verdeling • Toepassingsvoorbeelden: biedt modelleringsvoorbeelden van problemen uit de echte wereld • Volledig gratis: geen registratie vereist, gebruik op elk gewenst moment
Gebruikssituaties
• Websiteanalyse: voorspel de kansverdeling van websitebezoeken • Callcenter: analyseer het aantal telefoongesprekken en optimaliseer de personeelsbezetting • Medisch management: voorspel het aantal spoedeisende patiënten en regel de middelen rationeel • Kwaliteitscontrole: analyseer het aantal productfouten en evalueer de productiekwaliteit • Verkeersplanning: voorspel het aantal verkeersongevallen • Actuarieel: Bereken de waarschijnlijkheid van het aantal claims • Radioactiviteitsonderzoek: analyse van het aantal radioactief verval • Biologie: Bestudeer het aantal bacteriekolonies en genetische mutaties • Leren van probabilistische statistiek: leerlingen leren de Poisson-verdelingstheorie • Datamodellering: bouw probabilistische modellen voor zeldzame gebeurtenissen