Mathematik · Klasse 13 · Stochastik: Grundlagen und Wahrscheinlichkeitsverteilungen · 1. Halbjahr

Diskrete Verteilungen: Poisson-Verteilung

Die Schülerinnen und Schüler lernen die Poisson-Verteilung kennen und wenden sie auf seltene Ereignisse an.

• KMK Bildungsstandards
• KMK: Sekundarstufe II - Stochastik

Über dieses Thema

Die Poisson-Verteilung modelliert die Häufigkeit seltener Ereignisse in einem festen Intervall, wie der Anzahl von E-Mails pro Stunde oder Unfällen pro Tag. Der Parameter λ gibt die durchschnittliche Ereignishäufigkeit an, und die Wahrscheinlichkeitsfunktion P(K=k) = (λ^k * e^{-λ}) / k! ermöglicht präzise Berechnungen. Schülerinnen und Schüler lernen, wann diese Verteilung geeignet ist: bei unabhängigen Ereignissen mit konstanter Rate und geringer Wahrscheinlichkeit pro Einheit.

Im KMK-Standard für Stochastik der Sekundarstufe II verbindet dieses Thema die Binomialverteilung mit Grenzfällen, wo n groß und p klein ist, sodass np = λ konstant bleibt. Reale Anwendungen, etwa in der Qualitätskontrolle oder Verkehrsplanung, fördern das Verständnis für stochastische Modelle. Schüler analysieren Daten aus Alltagssituationen und vergleichen Verteilungen, um Anwendungsbereiche zu erkennen.

Aktives Lernen eignet sich hervorragend, da Simulationen und Datensammlungen abstrakte Konzepte konkret machen. Wenn Schüler selbst Poisson-Prozesse erzeugen und mit Binomial vergleichen, festigen sie Bedingungen intuitiv und entdecken Grenzen durch Beobachtung eigener Daten.

Leitfragen

1. Erklären Sie die Bedingungen, unter denen die Poisson-Verteilung zur Modellierung von Ereignissen geeignet ist.
2. Vergleichen Sie die Poisson-Verteilung mit der Binomialverteilung hinsichtlich ihrer Anwendungsbereiche.
3. Analysieren Sie reale Beispiele, in denen die Poisson-Verteilung zur Vorhersage seltener Ereignisse genutzt wird.

Lernziele

• Berechnen Sie die Wahrscheinlichkeit für das Eintreten einer bestimmten Anzahl von seltenen Ereignissen mithilfe der Poisson-Formel.
• Analysieren Sie die Eignung der Poisson-Verteilung für gegebene Szenarien, indem Sie die Bedingungen für seltene, unabhängige Ereignisse mit konstanter Rate prüfen.
• Vergleichen Sie die Parameter und Anwendungsbereiche der Poisson-Verteilung mit denen der Binomialverteilung.
• Entwerfen Sie ein einfaches Modell zur Simulation von Poisson-verteilten Ereignissen, z.B. Anrufe in einem Callcenter pro Minute.

Bevor es losgeht

Binomialverteilung

Warum: Die Schüler müssen die Grundlagen der Binomialverteilung, einschließlich ihrer Parameter (n, p) und ihrer Anwendungsbedingungen, verstehen, um die Poisson-Verteilung als Grenzwert und Alternative vergleichen zu können.

Grundbegriffe der Wahrscheinlichkeitsrechnung

Warum: Ein solides Verständnis von Wahrscheinlichkeiten, Ereignissen und der Berechnung von Wahrscheinlichkeiten ist notwendig, um die Poisson-Formel anzuwenden und zu interpretieren.

Schlüsselvokabular

Poisson-Verteilung	Eine diskrete Wahrscheinlichkeitsverteilung, die die Anzahl von Ereignissen in einem festen Intervall beschreibt, wenn diese Ereignisse mit einer bekannten konstanten Rate unabhängig voneinander auftreten.
Parameter λ (Lambda)	Der Erwartungswert oder die durchschnittliche Anzahl von Ereignissen, die in dem gegebenen Intervall erwartet werden. Er ist gleichzeitig die Varianz der Verteilung.
Seltene Ereignisse	Ereignisse, die mit einer sehr geringen Wahrscheinlichkeit pro einzelner Beobachtung eintreten, aber über eine große Anzahl von Beobachtungen hinweg eine messbare Häufigkeit aufweisen.
Ereignisrate	Die durchschnittliche Anzahl von Ereignissen pro Zeiteinheit, Flächeneinheit oder Volumeneinheit, die als Parameter λ in die Poisson-Verteilung eingeht.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Die Poisson-Verteilung gilt nur für kontinuierliche Ereignisse.

Was Sie stattdessen lehren sollten

Poisson ist diskret und zählt ganze Ereignisse. Aktive Simulationen mit Würfeln oder Zählungen helfen Schülern, die diskrete Natur zu erleben und den Unterschied zu kontinuierlichen Verteilungen wie Exponential zu erkennen.

Häufige Fehlvorstellung

Poisson ersetzt Binomial immer bei seltenen Ereignissen.

Was Sie stattdessen lehren sollten

Nur unter Bedingungen wie n groß, p klein. Gruppenvergleiche von Simulationen beider Verteilungen machen Grenzen sichtbar und fördern kritisches Denken durch eigene Daten.

Häufige Fehlvorstellung

λ ändert sich nicht über Intervalle.

Was Sie stattdessen lehren sollten

Konstante Rate ist Voraussetzung. Datensammlungen in variierenden Zeiträumen offenbaren Abweichungen und stärken Verständnis durch Beobachtung realer Muster.

Ideen für aktives Lernen

Planspiel: Würfel als Poisson-Ereignisse

Schüler werfen einen Würfel 100-mal und zählen Sechsen pro 10 Würfen, um λ=1/6 zu simulieren. Sie berechnen beobachtete Häufigkeiten und vergleichen mit theoretischer Poisson-Verteilung. In der Reflexion diskutieren sie Abweichungen.

45 Min.·Partnerarbeit

Datensammlung: Ankunftsraten

Gruppen beobachten 20 Minuten lang Autos an einer Kreuzung und notieren Ankunftszeiten pro Minute. Sie schätzen λ, berechnen P(K=0) und prognostizieren Wartezeiten. Abschließende Präsentation vergleicht Gruppen.

50 Min.·Kleingruppen

Grenzwert: Binomial zu Poisson

Paare simulieren Binomialverteilungen mit n=100, p=0,01 (λ=1) per Zufallsgenerator oder Tabelle. Sie plotten Histogramme und beobachten Konvergenz zur Poisson. Diskussion der Bedingungen schließt ab.

40 Min.·Partnerarbeit

Fallstudienanalyse: Krankenhaus-Notfälle

Whole class analysiert reale Datensätze zu Notfalleinläufen pro Stunde. Sie modellieren mit Poisson, berechnen Risiken und diskutieren Implikationen für Personalplanung.

35 Min.·Ganze Klasse

Bezüge zur Lebenswelt

• In der Telekommunikation analysieren Ingenieure die Anzahl von Anrufen pro Minute in einem Callcenter mithilfe der Poisson-Verteilung, um die Kapazität der Leitungen zu planen und Wartezeiten zu minimieren.
• Verkehrsplaner nutzen die Poisson-Verteilung, um die Anzahl von Fahrzeugen, die eine bestimmte Kreuzung pro Stunde passieren, vorherzusagen. Dies hilft bei der Ampelschaltung und der Planung von Straßenkapazitäten.
• Qualitätssicherungsmanager in der Fertigung verwenden die Poisson-Verteilung, um die Anzahl von Defekten pro Produktionscharge zu modellieren, was für die Festlegung von Inspektionsplänen und die Verbesserung von Produktionsprozessen entscheidend ist.

Ideen zur Lernstandserhebung

Kurze Überprüfung

Stellen Sie den Schülerinnen und Schülern eine Tabelle mit drei verschiedenen Szenarien (z.B. Anzahl von Kunden, die ein Geschäft pro Stunde betreten; Anzahl von Fehlern auf einer Seite eines Buches; Anzahl von Regentropfen auf einem Quadratmeter in einer Minute). Bitten Sie sie, für jedes Szenario zu entscheiden, ob die Poisson-Verteilung geeignet ist und warum, basierend auf den drei Hauptbedingungen.

Lernstandskontrolle

Geben Sie jeder Schülerin und jedem Schüler eine Karte mit einer spezifischen Anzahl von Ereignissen (k) und einem durchschnittlichen Ratenparameter (λ). Bitten Sie sie, die Wahrscheinlichkeit für genau dieses Ereignis (P(X=k)) zu berechnen und eine kurze Begründung zu schreiben, warum die Poisson-Verteilung in diesem Kontext sinnvoll ist.

Diskussionsfrage

Leiten Sie eine Diskussion mit der Frage: 'Unter welchen Umständen könnte die Annahme einer konstanten Ereignisrate für die Poisson-Verteilung unrealistisch sein, und welche alternativen Modelle könnten dann besser passen?' Ermutigen Sie die Schüler, Beispiele aus der realen Welt zu nennen, bei denen die Rate nicht konstant ist (z.B. Stoßzeiten im Verkehr).

Häufig gestellte Fragen

Unter welchen Bedingungen ist die Poisson-Verteilung geeignet?

Die Poisson-Verteilung eignet sich für seltene, unabhängige Ereignisse mit konstanter Rate λ in einem festen Intervall. Typisch bei großen n und kleinem p in der Binomialverteilung, wo np=λ bleibt. Beispiele sind Defekte pro Charge oder Anrufe pro Stunde. Schüler testen Bedingungen durch Simulationen, um Gültigkeit zu prüfen.

Wie unterscheidet sich Poisson von der Binomialverteilung?

Binomial modelliert feste Versuche n mit Erfolgswahrscheinlichkeit p, Poisson approximiert bei n groß, p klein. Rechenaufwand sinkt, da nur λ benötigt wird. Praktische Übungen mit wachsendem n zeigen Konvergenz und klären Anwendungsbereiche in der Stochastik.

Welche realen Beispiele gibt es für die Poisson-Verteilung?

Häufig in Verkehrsunfällen pro Tag, E-Mail-Ankünften pro Stunde oder radioaktiven Zerfällen. In der Wirtschaft für Kundenankünfte, in der Medizin für seltene Nebenwirkungen. Analyse echter Datensätze ermöglicht Vorhersagen und Sensitivitätsanalysen für λ-Änderungen.

Wie hilft aktives Lernen beim Verständnis der Poisson-Verteilung?

Aktives Lernen macht abstrakte Modelle greifbar: Schüler simulieren Ereignisse mit Würfeln oder sammeln reale Daten, berechnen λ und vergleichen mit Theorie. Paar- oder Gruppenarbeit fördert Diskussion von Abweichungen, festigt Bedingungen und verbindet Mathematik mit Alltag. So entsteht tiefes Verständnis statt reiner Formelreproduktion (ca. 70 Wörter).