Poisson-Anpassungstest (Poisson Goodness Of Fit)
Ein Poisson-Anpassungstest prüft, ob Zähldaten einer Poisson-Verteilung folgen, also einer Verteilung, die beschreibt, wie oft ein seltenes Ereignis innerhalb eines festen Intervalls von Zeit, Fläche, Volumen oder Gelegenheit auftritt. Passen die Daten gut zur Poisson-Verteilung, bestätigt das, dass Ereignisse zufällig und unabhängig mit einer konstanten mittleren Rate auftreten.
Zuletzt geprüft
Kernaussage
Ein Poisson-Anpassungstest prüft, ob Zähldaten einer Poisson-Verteilung folgen, die beschreibt, wie oft ein seltenes Ereignis innerhalb eines festen Intervalls von Zeit, Fläche, Volumen oder Gelegenheit auftritt.
Auf dieser Seite
- Was ist der Poisson-Anpassungstest?
- Wann wird der Poisson-Anpassungstest eingesetzt?
- Hinweise zur richtigen Anwendung des Poisson-Anpassungstests
- Alternativen: Wann Sie den Poisson-Anpassungstest nicht verwenden sollten
- Beispiel für einen Poisson-Anpassungstest
- Anleitung: Poisson-Anpassungstest durchführen
Was ist der Poisson-Anpassungstest?
Ein Poisson-Anpassungstest prüft, ob Zähldaten einer Poisson-Verteilung folgen, also einer Verteilung, die beschreibt, wie oft ein seltenes Ereignis innerhalb eines festen Intervalls von Zeit, Fläche, Volumen oder Gelegenheit auftritt. Passen die Daten gut zur Poisson-Verteilung, bestätigt das, dass Ereignisse zufällig und unabhängig mit einer konstanten mittleren Rate auftreten.
Typische Anwendungen sind die Prüfung, ob die Anzahl der Fehler je Einheit, der Kundenankünfte je Stunde oder der Anlagenausfälle je Monat dem Poisson-Modell folgt, das die Grundlage für c-Karten und u-Karten in der statistischen Prozesslenkung (SPC) bildet.
Einfache Definition: Ein Test, der prüft, ob Ihre Zähldaten zur Poisson-Verteilung passen, und damit bestätigt, dass seltene Ereignisse zufällig und unabhängig mit einer gleichbleibenden mittleren Rate auftreten.
Wann wird der Poisson-Anpassungstest eingesetzt?
- Verwenden Sie ihn, wenn Ihre Daten aus Ereigniszählungen (nicht aus Messwerten) bestehen, etwa Fehler je Einheit, Fehler je Dokument oder Ausfälle je Maschine und Monat.
- Verwenden Sie ihn, wenn Sie die Annahme eines Poisson-Prozesses prüfen möchten, bevor Sie c-Karten, u-Karten oder eine Poisson-Regression anwenden.
- Verwenden Sie ihn, wenn Ereignisse im Verhältnis zur Anzahl der Gelegenheiten selten sind; die Poisson-Verteilung ist geeignet, wenn die Wahrscheinlichkeit eines einzelnen Ereignisses gering, die Anzahl der Gelegenheiten aber groß ist.
- Verwenden Sie ihn, um Überdispersion zu erkennen : Verfehlen die Daten die Poisson-Anpassung deutlich, übersteigt die Varianz den Mittelwert, was auf zusätzliche Streuungsquellen hindeutet, die eine übliche c- oder u-Karte übersehen würde.
Hinweise zur richtigen Anwendung des Poisson-Anpassungstests
- Die Ereignisse müssen unabhängig sein: Das Auftreten eines Ereignisses darf die Wahrscheinlichkeit des nächsten nicht beeinflussen.
- Die mittlere Auftretensrate muss konstant über alle Beobachtungszeiträume sein; ändert sich die Rate im Lauf der Zeit, ist das Poisson-Modell nicht geeignet.
- Stellen Sie sicher, dass die erwarteten Häufigkeiten in jeder Zählkategorie mindestens 1 bis 5 betragen; fassen Sie Kategorien mit geringen Häufigkeiten bei Bedarf zusammen, um einen zuverlässigen Test zu erhalten.
- Ein p-Wert unter 0.05 zeigt an, dass die Daten nicht zur Poisson-Verteilung passen; untersuchen Sie, ob Überdispersion, Häufungen oder sich ändernde Raten dafür verantwortlich sind.
Alternativen: Wann Sie den Poisson-Anpassungstest nicht verwenden sollten
- Wenn Zähldaten die Poisson-Anpassung wegen Überdispersion verfehlen, verwenden Sie die negative Binomialverteilung oder Laney-U'- / Laney-P'-Karten
- Wenn die Zielgröße kategorial statt einer Zählungist, verwenden Sie den Chi-Quadrat-Anpassungstest
- Wenn die Zielgröße stetigist, verwenden Sie den Test auf Normalverteilung oder die Identifikation der Verteilung (Individual Distribution Identification)
- Wenn Ereignisse nicht selten sind oder die Ereignisrate hoch ist, trifft die Poisson-Annahme möglicherweise nicht zu; erwägen Sie eine Prüfung auf Binomialverteilung
Beispiel für einen Poisson-Anpassungstest
Ein Qualitätsingenieur möchte wissen, ob die Fehler je Mobiltelefon einer Poisson-Verteilung folgen. Er wählt zufällig 300 Mobiltelefone aus und erfasst die Anzahl der Fehler je Gerät. Die Schritte:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Den Poisson-Anpassungstest finden Sie unter Statistical module> Hypothesis Test> Poisson Goodness Of Fit.
- Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:

5. Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:


Anleitung: Poisson-Anpassungstest durchführen
So gehen Sie vor:
- Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool> Hypothesis Test >Poisson Goodness Of Fit .
- Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
- Füllen Sie die erforderlichen Optionen aus.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Das Dashboard des Poisson-Anpassungstests ist in zwei Bereiche unterteilt.

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.
Load example: Es werden Beispieldaten geladen.
Load File: Damit werden Excel-Daten direkt geladen.
Im rechten Bereich stehen folgende Optionen zur Verfügung:
- Variable Wählen Sie die Spalte mit den Zähldaten , die Sie prüfen möchten, zum Beispiel die Anzahl der Fehler je Einheit, Fehler je Dokument oder Ausfälle je Maschine und Prüfzeitraum. Jeder Wert in dieser Spalte gibt an, wie oft ein Ereignis innerhalb einer festgelegten Gelegenheit oder eines Zeitintervalls aufgetreten ist. Dies ist die zentrale Eingabe, mit der der Test beurteilt, ob die Daten einer Poisson-Verteilung folgen. Dieses Feld ist erforderlich.
- Frequency Variable Wählen Sie die Spalte mit der Häufigkeit jedes Zählwerts , also wie oft jeder bestimmte Zählwert im Datensatz vorkommt. Dieses Feld ist optional und wird verwendet, wenn Ihre Daten bereits in einer Häufigkeitstabelle zusammengefasst sind, statt als einzelne Beobachtungen aufgelistet zu sein.
- Wenn Ihre Daten zum Beispiel zeigen, dass der Zählwert 0 Fehler 15-mal, der Zählwert 1 Fehler 22-mal und der Zählwert 2 Fehler 8-mal vorkam, geben Sie die Zählwerte (0, 1, 2) in die Spalte Variable und die zugehörigen Häufigkeiten (15, 22, 8) in die Spalte Frequency Variable ein. Liegen Ihre Daten als Rohdaten mit einer Beobachtung je Zeile vor, lassen Sie dieses Feld leer.
- Bar Chart of Observed and Expected Values Wenn aktiviert, wird ein Balkendiagramm angezeigt, das die tatsächlich beobachteten Häufigkeiten mit den unter einer Poisson-Verteilung erwarteten Häufigkeitennebeneinander vergleicht. Dies ist die aussagekräftigste grafische Ausgabe: Sie zeigt sofort, ob die Form Ihrer beobachteten Daten der theoretischen Poisson-Kurve entspricht oder deutlich davon abweicht, und in welche Richtung (stärker gestreut, stärker konzentriert oder anders schief als erwartet).
- Bar Chart of Each Category Contribution to the Chi-Square Value Wenn aktiviert, wird ein Balkendiagramm angezeigt, das zeigt, wie viel jeder einzelne Zählwert zur gesamten Chi-Quadrat-Teststatistik beiträgt. Die höchsten Balken stehen für die Zählwerte, die am stärksten von den Poisson-Erwartungen abweichen. So erkennen Sie genau, wo die Verteilung nicht passt, statt nur zu wissen, dass die Anpassung insgesamt schlecht ist. Das ist besonders nützlich, um zu diagnostizieren, ob Überdispersion, Unterdispersion oder ein bestimmter ungewöhnlicher Zählwert das Ergebnis bestimmt.
- Display Bars from Largest to Smallest Wenn aktiviert, werden die Balken im Beitragsdiagramm in absteigender Reihenfolge vom größten zum kleinsten Beitrag sortiert. So erkennen Sie sofort, welche Zählwerte am stärksten für eine Abweichung von der Poisson-Verteilung verantwortlich sind, und konzentrieren sich zuerst auf die bedeutendsten Abweichungen, statt die Balken in der Reihenfolge der Zählwerte zu lesen.
- Display Test Results Wenn aktiviert, wird die vollständige statistische Testausgabe, einschließlich Chi-Quadrat-Statistik, Freiheitsgraden, geschätztem Poisson-Mittelwert (Lambda) und p-Wert , direkt neben dem Diagramm angezeigt. So sehen Sie die grafischen und numerischen Ergebnisse gemeinsam an einer Stelle und können die Gesamtschlussfolgerung leichter interpretieren, ohne zwischen separaten Ausgabebereichen zu wechseln.
Häufig gestellte Fragen
Was ist ein Poisson-Anpassungstest?
Ein Poisson-Anpassungstest prüft, ob Zähldaten einer Poisson-Verteilung folgen, die beschreibt, wie oft ein seltenes Ereignis innerhalb eines festen Intervalls von Zeit, Fläche, Volumen oder Gelegenheit auftritt. Eine gute Anpassung stützt die Schlussfolgerung, dass Ereignisse zufällig und unabhängig mit einer konstanten mittleren Rate auftreten, etwa Fehler je Einheit oder Ausfälle je Monat.
Wann sollten Sie einen Poisson-Anpassungstest verwenden?
Verwenden Sie ihn, wenn die Daten Ereigniszählungen statt Messwerte sind und Sie die Poisson-Annahme prüfen möchten, bevor Sie c-Karten, u-Karten oder eine Poisson-Regression anwenden. Er dient auch zur Erkennung von Überdispersion: Verfehlen die Daten die Poisson-Anpassung deutlich, übersteigt die Varianz den Mittelwert, was auf zusätzliche Streuungsquellen hindeutet, die eine übliche c- oder u-Karte übersehen würde.
Wie interpretieren Sie den p-Wert des Poisson-Anpassungstests?
Ein p-Wert unter 0.05 zeigt an, dass die Daten nicht zur Poisson-Verteilung passen; untersuchen Sie dann, ob Überdispersion, Häufungen oder sich ändernde Raten dafür verantwortlich sind. Die Ausgabe enthält Chi-Quadrat-Statistik, Freiheitsgrade, geschätzten Poisson-Mittelwert (Lambda) und p-Wert, und das Diagramm der Beiträge jeder Kategorie zu Chi-Quadrat zeigt, welche Zählwerte am stärksten von den Poisson-Erwartungen abweichen.
Was sollten Sie tun, wenn Zähldaten nicht zu einer Poisson-Verteilung passen?
Verfehlen die Daten die Poisson-Anpassung wegen Überdispersion, erwägen Sie eine negative Binomialverteilung oder Laney-U'- bzw. Laney-P'-Karten. Sind die Ereignisse nicht selten, erwägen Sie eine Prüfung auf Binomialverteilung. Prüfen Sie außerdem, ob die erwarteten Häufigkeiten in jeder Zählkategorie mindestens 1 bis 5 betragen, und fassen Sie Kategorien mit geringen Häufigkeiten bei Bedarf zusammen, um einen zuverlässigen Test zu erhalten.
