Słownik metodologiczny · Statystyka opisowa

Rozkład Poissona – jak opisuje liczbę zdarzeń?

Rozkład Poissona opisuje liczbę zdarzeń w ustalonym czasie, np. liczbę napadów paniki w miesiącu. Pokazujemy wzór, równość średniej i wariancji, przykład w R, związek z regresją Poissona i najczęstsze problemy.

Strona główna / Słownik / Rozkład Poissona
W skrócie: Rozkład Poissona to rozkład liczby zdarzeń w ustalonym czasie lub przestrzeni, gdy zdarzenia zachodzą niezależnie ze stałą średnią intensywnością λ. Jego średnia i wariancja są równe λ. Jest podstawą regresji Poissona, ale dane psychologiczne często mają wariancję większą od średniej.

Co to jest rozkład Poissona?

Rozkład Poissona (ang. Poisson distribution) to rozkład dyskretny liczby zdarzeń w ustalonym czasie lub przestrzeni, gdy zdarzenia zachodzą niezależnie i ze stałą średnią intensywnością: liczby napadów paniki w miesiącu, błędów w zadaniu, wizyt w poradni. Ma jeden parametr λ (lambda), czyli oczekiwaną liczbę zdarzeń. Prawdopodobieństwo k zdarzeń wynosi P(X = k) = λke−λ/k!, dla k = 0, 1, 2, …

Własności

  • Średnia równa wariancji. Obie wynoszą λ, więc wariancja rośnie razem ze średnią. To założenie najczęściej łamane w praktyce.
  • Kształt. Przy małym λ rozkład jest prawostronnie skośny i ma wiele zer; gdy λ rośnie, zbliża się do rozkładu normalnego.
  • Związek z rozkładem dwumianowym. To granica rozkładu dwumianowego przy wielu próbach i małym prawdopodobieństwie sukcesu, gdy np = λ.
  • Sumowanie. Suma niezależnych zmiennych Poissona ma rozkład Poissona z λ równym sumie parametrów.

Przykład w R

Przy λ = 2.5 funkcja dpois() daje P(0) = .082, P(1) = .205, P(2) = .257 i P(3) = .214, a więcej niż 5 zdarzeń ma prawdopodobieństwo .042. W 10 000 symulowanych obserwacjach średnia wyniosła 2.52, a wariancja 2.46, czyli prawie tyle samo.

Rozkład Poissona jest punktem wyjścia regresji Poissona. Coxe, West i Aiken (2009) polecają ją dla liczebności o niskiej średniej (zwykle poniżej 10), gdy zwykła regresja liniowa może dawać obciążone wyniki. Gardner, Mulvey i Shaw (1995) ostrzegają, że liczebności w psychologii są zwykle bardziej zmienne, niż zakłada model. Taką nadmierną dyspersję uwzględnia regresja ujemna dwumianowa.

Na rysunku

Rysunki pokazują, jak kształt zależy od λ i co w praktyce znaczy „wariancja równa średniej”. Modelowanie zliczeń pokazuje wpis Regresja Poissona – wizualizacja.

Cztery panele ze słupkami prawdopodobieństw rozkładu Poissona dla λ = 0.5, 2, 5 i 15, każdy z pionową pomarańczową linią w miejscu średniej i poziomą strzałką od λ − SD do λ + SD. Przy λ = 0.5 najwyższy jest słupek zera, około 0.6; przy λ = 2 słupki 1 i 2 są równe; przy λ = 5 rozkład jest lekko prawoskośny; przy λ = 15 prawie symetryczny i szeroki, od około 5 do 27
Rysunek 1. Rozkład Poissona dla czterech wartości λ. Obliczenia: R, pakiet ggplot2 (wartości teoretyczne).

Co widać. Przy λ = 0.5 aż 60.7% obserwacji to zera, przy λ = 2 – 13.5%, przy λ = 5 – 0.7%. Strzałki rosną razem ze średnią, bo SD = √λ: od 0.71 przy λ = 0.5 do 3.87 przy λ = 15. Skośność (1/√λ) spada z 1.41 do 0.26, więc przy dużym λ rozkład wygląda prawie jak normalny.

Na co uważać. Panele mają różne skale osi. Rysunek pokazuje model, a nie dane – nie powie, czy Twoje zliczenia mają tyle zer, ile przewiduje model.

Podpis do pracy:

Rysunek 1. Rozkład Poissona dla λ = 0.5, 2, 5 i 15. Uwaga. Linia pionowa – średnia rozkładu (λ); strzałki – przedział od λ − SD do λ + SD, gdzie SD = √λ. Panele mają różne skale osi.
Wykres rozrzutu wariancji z próby względem średniej z próby, obie osie logarytmiczne, z przerywaną linią wariancja równa średniej. Cztery chmury po 100 punktów, dla λ = 0.5, 2, 5 i 15, różniące się kolorem i kształtem, układają się wzdłuż linii; każda chmura jest rozciągnięta w pionie, część punktów leży wyraźnie nad linią, część pod nią
Rysunek 2. Średnia i wariancja w próbach po 50 obserwacji z rozkładu Poissona. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(4772)).

Co widać. Dla każdego λ wylosowaliśmy 1000 prób po 50 obserwacji (na wykresie pierwsze 100). Średnio wariancja jest równa średniej: na przykład 15.03 i 15.07 przy λ = 15. W pojedynczej próbie stosunek wariancji do średniej waha się jednak mniej więcej od 0.65 do 1.45 (2.5. i 97.5. centyl, podobnie dla każdego λ). Wartości λ, wielkość próby 50 i liczbę 1000 prób ustawiliśmy ręcznie; ziarno 4772 ustalono raz i nie zmieniano go.

Na co uważać. Stosunek wariancji do średniej równy 1.3 przy 50 osobach nie dowodzi nadmiernej dyspersji, a 0.9 nie dowodzi jej braku. W modelu regresji dyspersję ocenia się na resztach.

Podpis do pracy:

Rysunek 2. Średnia i wariancja w 100 symulowanych próbach po 50 obserwacji z rozkładu Poissona dla λ = 0.5, 2, 5 i 15. Uwaga. Linia przerywana oznacza równość wariancji i średniej; obie osie w skali logarytmicznej.

Kod poniżej odtwarza oba rysunki i liczby z tej sekcji. Jest samowystarczalny: kolory Okabe–Ito i prosty motyw definiuje sam, a część losująca zaczyna się od własnego set.seed(4772). Rysunki na stronie powstały z tych samych obiektów p1 i p2 z motywem serwisu – dane, geometrie i skale są identyczne, różni się tylko krój czcionki i siatka.

Kod R rysunków 1 i 2
# Rysunki 1–2. Rozkład Poissona dla λ = 0.5, 2, 5, 15 i równość średniej z wariancją
library(ggplot2)

motyw <- theme_minimal(base_size = 14) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold"))
lambdy <- c(0.5, 2, 5, 15)
etyk <- paste("λ =", lambdy)

# Rysunek 1: słupki P(X = k); pionowa linia = średnia λ, odcinek ze strzałkami = średnia ± SD (SD = √λ)
slupki <- do.call(rbind, lapply(lambdy, function(l) {
  k <- 0:30; data.frame(lambda = l, k, P = dpois(k, l))[dpois(k, l) >= 0.001, ]
}))
slupki$panel <- factor(paste("λ =", slupki$lambda), etyk)
opis <- data.frame(lambda = lambdy, panel = factor(etyk, etyk), sd = sqrt(lambdy),
                   y = tapply(slupki$P, slupki$panel, max) * 1.08)
round(data.frame(lambda = lambdy, P0 = dpois(0, lambdy), wariancja = lambdy, SD = sqrt(lambdy),
                 skosnosc = 1 / sqrt(lambdy)), 3)
p1 <- ggplot(slupki, aes(k, P)) +
  geom_col(fill = "#0072B2", alpha = 0.75, width = 0.8) +
  geom_vline(data = opis, aes(xintercept = lambda), colour = "#D55E00", linewidth = 0.9) +
  geom_segment(data = opis, aes(x = lambda - sd, xend = lambda + sd, y = y, yend = y),
               colour = "#D55E00", linewidth = 0.8, arrow = arrow(ends = "both", length = unit(0.08, "in"))) +
  facet_wrap(~ panel, ncol = 2, scales = "free") +
  scale_x_continuous(breaks = function(l) { b <- pretty(l); b[b == round(b) & b >= 0] }) +
  labs(title = "Rozkład Poissona: linia = średnia λ, strzałki = λ ± SD (SD = √λ)",
       x = "Liczba zdarzeń k", y = "P(X = k)") + motyw
p1   # zapis: ggsave("rozklad-poissona-cztery-lambdy.svg", p1, width = 8, height = 7)

# Rysunek 2: 1000 prób po 50 obserwacji dla każdego λ – średnia i wariancja z próby (na wykresie pierwsze 100)
set.seed(4772)
sym <- do.call(rbind, lapply(lambdy, function(l) {
  t(replicate(1000, { x <- rpois(50, l); c(lambda = l, M = mean(x), V = var(x)) }))
}))
sym <- as.data.frame(sym)
sym$rozklad <- factor(paste("λ =", sym$lambda), etyk)
# Wskaźnik dyspersji V/M: średnio około 1, ale w pojedynczej próbie n = 50 sporo się waha
do.call(rbind, lapply(split(sym, sym$lambda), function(s)
  round(c(lambda = s$lambda[1], sr_M = mean(s$M), sr_V = mean(s$V),
          VM_2.5 = unname(quantile(s$V / s$M, .025, na.rm = TRUE)),
          VM_97.5 = unname(quantile(s$V / s$M, .975, na.rm = TRUE))), 2)))
p2 <- ggplot(sym[ave(sym$lambda, sym$lambda, FUN = seq_along) <= 100, ], aes(M, V, colour = rozklad, shape = rozklad)) +
  geom_abline(slope = 1, intercept = 0, linetype = "dashed", colour = "grey30") +
  geom_point(alpha = 0.6, size = 1.8) +
  scale_x_log10() + scale_y_log10() +
  scale_colour_manual(values = c("#D55E00", "#E69F00", "#009E73", "#0072B2"), name = NULL) +
  scale_shape_manual(values = c(16, 17, 15, 3), name = NULL) +
  labs(title = "Średnia i wariancja w 100 próbach po 50 obserwacji",
       subtitle = "linia przerywana: wariancja = średnia; obie osie logarytmiczne",
       x = "Średnia w próbie", y = "Wariancja w próbie") + motyw
p2   # zapis: ggsave("rozklad-poissona-srednia-a-wariancja.svg", p2, width = 8, height = 6)
Wynik w R
  lambda    P0 wariancja    SD skosnosc
1    0.5 0.607       0.5 0.707    1.414
2    2.0 0.135       2.0 1.414    0.707
3    5.0 0.007       5.0 2.236    0.447
4   15.0 0.000      15.0 3.873    0.258
    lambda  sr_M  sr_V VM_2.5 VM_97.5
0.5    0.5  0.50  0.51   0.66    1.43
2      2.0  2.00  2.00   0.67    1.45
5      5.0  5.01  4.97   0.65    1.45
15    15.0 15.03 15.07   0.64    1.48

Jak opisać w pracy

Liczbę napadów paniki w ostatnim miesiącu (M = 2.52, wariancja = 2.46) modelowano rozkładem Poissona; stosunek wariancji do średniej bliski 1 nie wskazywał na nadmierną dyspersję.

Na co uważać

  • Nadmiar zer. Jeśli zer jest dużo więcej niż P(0) z modelu, część osób może w ogóle nie przejawiać zachowania (Coxe i in., 2009).
  • Różne okresy obserwacji. Gdy osoby obserwowano różnie długo, porównuj częstości, a w modelu użyj offsetu.
  • Analiza krok po kroku. Wybór między modelami opisuje poradnik regresja dla zliczeń.
Przykład reprodukowalny

Rozkład Poissona w R

Kod liczy prawdopodobieństwa rozkładu Poissona dla λ = 2.5, prawdopodobieństwo ogona i porównuje średnią z wariancją w symulowanej próbie.

Prawdopodobieństwa i równość średniej z wariancją

Dane wejściowe: λ = 2.5; 10 000 obserwacji z rpois(); set.seed(4771).

Co odczytać: P(X = k) dla k = 0–6, P(X > 5) = .042 oraz średnią (2.52) i wariancję (2.46) z symulacji.

R
lambda <- 2.5                          # średnio 2.5 zdarzenia w okresie
round(data.frame(k = 0:6, P = dpois(0:6, lambda)), 3)
round(ppois(5, lambda, lower.tail = FALSE), 3)  # P(X > 5)
set.seed(4771)
x <- rpois(10000, lambda)
round(c(srednia = mean(x), wariancja = var(x)), 2)
Wynik w R
  k     P
1 0 0.082
2 1 0.205
3 2 0.257
4 3 0.214
5 4 0.134
6 5 0.067
7 6 0.028
[1] 0.042
  srednia wariancja 
     2.52      2.46 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Obliczenia w tej sekcji nie wymagają dodatkowych pakietów; rysunki 1 i 2 wykonano w pakiecie ggplot2 i zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Skąd wiadomo, że liczebności mają rozkład Poissona?

Porównaj średnią z wariancją oraz obserwowane częstości z częstościami z dpois(). Wariancja wyraźnie większa od średniej albo dużo więcej zer niż w modelu oznacza, że rozkład Poissona nie pasuje.

Czy zmienna o rozkładzie Poissona może przyjmować wartości ułamkowe?

Nie. Przyjmuje tylko nieujemne liczby całkowite 0, 1, 2 itd. Ułamkiem może być natomiast parametr λ, np. średnio 2.5 zdarzenia na miesiąc.

Czym rozkład Poissona różni się od rozkładu dwumianowego?

Dwumianowy liczy sukcesy w ustalonej liczbie n prób, więc nie przekracza n. Poisson liczy zdarzenia bez górnej granicy i przybliża rozkład dwumianowy, gdy n jest duże, a p małe.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Coxe, S., West, S. G., & Aiken, L. S. (2009). The analysis of count data: A gentle introduction to Poisson regression and its alternatives. Journal of Personality Assessment, 91(2), 121–136. https://doi.org/10.1080/00223890802634175
  2. Gardner, W., Mulvey, E. P., & Shaw, E. C. (1995). Regression analyses of counts and rates: Poisson, overdispersed Poisson, and negative binomial models. Psychological Bulletin, 118(3), 392–404. https://doi.org/10.1037/0033-2909.118.3.392

Cytowania BibTeX

@article{coxe2009analysis, author={Coxe, Stefany and West, Stephen G. and Aiken, Leona S.}, title={{The analysis of count data: A gentle introduction to Poisson regression and its alternatives}}, journal={Journal of Personality Assessment}, year={2009}, volume={91}, number={2}, pages={121--136}, doi={10.1080/00223890802634175}}
@article{gardner1995regression, author={Gardner, William and Mulvey, Edward P. and Shaw, Esther C.}, title={{Regression analyses of counts and rates: Poisson, overdispersed Poisson, and negative binomial models}}, journal={Psychological Bulletin}, year={1995}, volume={118}, number={3}, pages={392--404}, doi={10.1037/0033-2909.118.3.392}}
R