De Poisson-verdeling is de statistische basis van vrijwel elke tellingsmeting in het laboratorium: het aantal bacteriekolonies op een agarplaat, het aantal positieve druppels in een digitale PCR-run en het aantal pulsen dat een detector registreert bij een radioactief monster. Zolang de gebeurtenissen onafhankelijk optreden met een constante gemiddelde snelheid, geldt: de standaardafwijking van een telling is gelijk aan de wortel van het aantal getelde treffers. Deze eenvoudige regel bepaalt hoeveel u moet tellen om een gewenste precisie te bereiken, welke betrouwbaarheidsintervallen bij een resultaat horen en waarom een lage telling nooit een precieze telling kan zijn. Dit artikel behandelt de theorie, de rekenregels, de drie belangrijkste toepassingsgebieden en de praktische gevolgen voor validatie, meetonzekerheid en rapportage.
De Poisson-verdeling beschrijft de kans op een bepaald aantal gebeurtenissen (k) binnen een vast interval van tijd, volume of oppervlak, wanneer die gebeurtenissen onafhankelijk plaatsvinden met een constante gemiddelde snelheid λ. De kansmassafunctie luidt:
P(k) = λk · e−λ / k!
Een cruciale eigenschap onderscheidt de Poisson-verdeling van vrijwel alle andere kansverdelingen: het gemiddelde is gelijk aan de variantie (μ = σ2 = λ). Daaruit volgt dat de standaardafwijking van een enkele telling gelijk is aan de wortel van de verwachte waarde, en dat de relatieve fout — de standaardafwijking gedeeld door het gemiddelde — schaalt als 1/√N. Meer tellen levert dus altijd een betere precisie, maar met afnemend rendement: van 10 naar 100 tellingen verkleint de relatieve fout van 32 % naar 10 %, van 100 naar 10.000 tellingen verkleint hij van 10 % naar 1 %.
De verdeling geldt onder drie aannames. Ten eerste zijn de gebeurtenissen onafhankelijk: het optreden van één gebeurtenis beïnvloedt de kans op een volgende niet. Ten tweede is de gemiddelde snelheid λ constant over het interval. Ten derde is de kans op twee gebeurtenissen op exact hetzelfde tijdstip of exact dezelfde plek verwaarloosbaar. In de praktijk zijn deze aannames goed vervuld bij radioactief verval, bij het uitplaten van een goed gemixte, verdunde suspensie en bij het genereren van dPCR-druppels — mits het monster homogeen is en de verdunning voldoende ver is doorgevoerd.
Bij een kiemplaat-kolonietelling wordt een verdunning van het monster uitgeplaat op een voedingsbodem; na incubatie groeit elke levensvatbare eenheid uit tot een zichtbare kolonie. De telling volgt een Poisson-verdeling omdat elke druppel monster onafhankelijk van de andere op de plaat terechtkomt, mits het monster grondig is gemixt.
De kiemgetal-calculator hanteert het telbare bereik van 30 tot 300 kolonies per plaat volgens ISO 4833; onder deze grens wordt de statistische onzekerheid onaanvaardbaar groot, boven de bovengrens overlappen kolonies en wordt de telling systematisch te laag. Bij 30 kolonies bedraagt de theoretische relatieve fout 1/√30 ≈ 18 %. Bij 300 kolonies is dat 1/√300 ≈ 6 %. Meerdere platen per verdunning verlagen de gecombineerde fout: het gemiddelde van drie platen met 100 kolonies elk (totaal N = 300) heeft dezelfde precisie als één plaat met 300 kolonies. Onderstaande tabel vat de vuistregel samen.
De formule voor het 95 %-vertrouwensinterval van een Poisson-telling is bij benadering N ± 1,96 √N. Bij een telling van 100 kolonies loopt het interval dus van 80 tot 120; bij 30 kolonies van 19 tot 41. Voor kleine tellingen (N < 30) volstaat de normale benadering niet meer en moet met exacte Poisson-tabellen of de chi-kwadraat-methode worden gerekend; software als R (poisson.test) of Excel-invoegingen leveren de exacte grenzen.
Platen met minder dan 30 kolonies (TFTC, Too Few To Count) leveren een relatieve fout van meer dan 18 % en worden in genormeerde methoden niet meegenomen in de berekening. Platen met meer dan 300 kolonies (TNTC, Too Numerous To Count) worden formeel als onbetrouwbaar aangemerkt omdat kolonies overlappen; de telling is dan systematisch te laag en de Poisson-aanname geldt niet meer omdat de gebeurtenissen niet meer onafhankelijk zijn (concurrentie om nutriënten en ruimte). Voor grensgevallen zijn genormeerde correctiemethoden beschikbaar; deze staan uitgewerkt in het artikel over kiemplaat en kolonietelling.
Digitale PCR (dPCR) is de tweede grote toepassing waar de Poisson-verdeling niet alleen de meetonzekerheid maar ook de kwantificering zelf bepaalt. Het monster wordt verdeeld in tienduizenden tot miljoenen individuele reactiecompartimenten (druppels bij ddPCR of putjes op een chip); elk compartiment bevat gemiddeld nul, één of enkele templatemoleculen. Na de PCR-amplificatie geeft elk compartiment een binair signaal — positief of negatief — en wordt via de Poisson-verdeling het gemiddelde aantal moleculen per compartiment berekend.
De rekenregel is: als p de fractie positieve druppels is en V het gemiddelde druppelvolume, dan is de gemiddelde bezetting λ = −ln(1 − p) en de absolute concentratie c = λ / V. De berekening is geldig zolang p tussen 5 % en 70 % ligt. Bij lagere waarden is de statistische onzekerheid te groot omdat het aantal positieve druppels klein is; bij hogere waarden wordt de correctie voor dubbele bezetting onbetrouwbaar. Deze werkregel is opgenomen in ISO 20395:2019 voor kwantitatieve nucleïnezuurmetingen.
De hoogste precisie wordt bereikt bij een gemiddelde bezetting van ongeveer λ = 1,6 templatemoleculen per compartiment, ofwel circa 80 % positieve druppels. Bij deze bezetting is de onzekerheid van λ minimaal ten opzichte van het aantal geanalyseerde druppels. In de praktijk kiezen laboratoria doorgaans een verdunning die tussen 20 % en 50 % positieve druppels oplevert; dit ligt in het comfortabele midden van het lineaire gebied van de Poisson-correctie en houdt een ruime marge tot de bovengrens. Meer over het achterliggende principe en de vergelijking met kwantitatieve PCR staat in het artikel over qPCR / real-time PCR.
Bij radioactief verval is de Poisson-verdeling geen benadering maar een fundamentele eigenschap van het proces zelf. De kernen vervallen onafhankelijk van elkaar met een constante kans per tijdseenheid; het aantal vervalgebeurtenissen dat een detector — Geiger-Müllertelbuis, NaI-scintillator, halfgeleiderdetector of vloeistofscintillatieteller — in een vast tijdsinterval registreert, volgt daarom exact een Poisson-verdeling zolang de meettijd kort is ten opzichte van de halveringstijd en de doodtijd van de detector verwaarloosbaar is.
De praktische consequenties zijn direct: het aantal counts N binnen een meettijd t heeft een standaardafwijking van √N, en de tellsnelheid R = N/t heeft een standaardafwijking van √N/t = √(R/t). Wilt u een tellsnelheid met een precisie van 1 % bepalen, dan moet u minimaal 10.000 counts verzamelen — ongeacht de activiteit van het monster. Bij een laag-actief monster (bijvoorbeeld een omgevingsdosistelling of natuurlijke achtergrond) betekent dit lange meettijden of achtergrondsubtractie met een aparte Poisson-correctie.
Bij radioactieve metingen wordt bijna altijd een achtergrondtelling afgetrokken: Nnetto = Ntotaal − Nachtergrond. Omdat beide tellingen Poisson-verdeeld zijn en onafhankelijk van elkaar, is de standaardafwijking van het verschil gelijk aan √(Ntotaal + Nachtergrond). Voor een laag-actief monster bepaalt de achtergrondtelling meestal het grootste deel van de onzekerheid; het optimaliseren van monster- en achtergrondmeettijd volgens de gemodificeerde Currie-limiet (tmonster/tachtergrond = √(Rtotaal/Rachtergrond)) is dan een standaardprocedure.
Poisson-verdeling geldt bij onafhankelijke gebeurtenissen met een constante gemiddelde snelheid. In de praktijk zijn er drie vaak voorkomende situaties waarin de aannames worden geschonden en de spreiding groter is dan √N (overdispersie):
Clustering. Bij microbiële kweken kunnen cellen aggregeren tot clumps; één clump vormt één kolonie, terwijl er meerdere levensvatbare cellen in zaten. De telling ligt dan systematisch lager dan het werkelijke aantal cellen (CFU is dus altijd ≤ werkelijk aantal levensvatbare cellen). Grondig vortexen en toevoegen van dispersantia (bijvoorbeeld 0,1 % Tween 80 in het verdunningsmedium) beperkt dit effect, maar heft het niet volledig op.
Inhomogeen monster. Als de monsterverdeling niet uniform is — bijvoorbeeld gesedimenteerd materiaal in een niet gemengd monster — zullen sommige verdunningen te veel en andere te weinig cellen bevatten. De variantie tussen replica's is dan groter dan Poisson voorspelt. Voer altijd een test op overdispersie uit (variantie/gemiddelde-verhouding, ook wel de Fano-factor genoemd): bij Poisson is deze exact 1; bij overdispersie > 1.
Detectorverzadiging. Bij hoge tellsnelheden of hoge dPCR-bezetting is de doodtijd van de detector, respectievelijk het aantal partities, een limiterende factor. Boven 70 % positieve druppels wordt de dPCR-correctie onbetrouwbaar; bij Geiger-Müllertellingen boven enkele duizenden counts per seconde is een doodtijdcorrectie vereist en werkt Poisson alleen na correctie.
Onderdispersie (variantie < gemiddelde) is zeldzaam en wijst meestal op systematische registratiefouten: een technicus die neigt naar "netjes af te ronden", een softwarefilter dat extreme waarden verwerpt of een monsterprocedure die zichzelf corrigeert. Onderdispersie is een sterke aanleiding voor procesreview.
De Poisson-fout is slechts één bijdrage aan de totale meetonzekerheid. Voor complete rapportage volgens de JCGM 100 / GUM (Guide to the Expression of Uncertainty in Measurement) moeten daarnaast de bijdragen van pipetteervolume, verdunningsfactor, kalibratie van de detector, achtergrond, temperatuur en operator-effect worden meegenomen. De componenten worden in kwadratuur gecombineerd:
utotaal2 = uPoisson2 + uvolume2 + uverdunning2 + ukalibratie2 + …
Voor accreditatie volgens NEN-EN-ISO/IEC 17025 en voor validatie van analytische methoden zijn deze bijdragen expliciet vereist; zie het artikel over kalibratie en meetnauwkeurigheid en over validatie van analytische methoden. Deelname aan interlaboratoriumvergelijkingen is de externe toets dat de opgegeven onzekerheid ook daadwerkelijk realistisch is.
Bij een melkmonster wordt op de verdunning 10−4 een plaattelling van 142 kolonies verkregen. Het uitgeplate volume is 1,0 ml. De concentratie is dan:
CFU/ml = 142 × 104 / 1,0 = 1,42 × 106
De Poisson-fout op de telling zelf is √142 ≈ 12, ofwel 8,4 %. Het 95 %-vertrouwensinterval op basis van uitsluitend de telfout loopt van 118 tot 166 kolonies, oftewel 1,18 × 106 tot 1,66 × 106 CFU/ml. Vermeldt u ook de bijdragen van pipetteer- en verdunningsonzekerheid, dan wordt het interval breder; zie de kiemgetal-calculator voor de complete berekening conform ISO 4833.
In een ddPCR-run met 20.000 druppels van 0,85 nl elk worden 4.000 positieve druppels waargenomen (p = 0,20). De gemiddelde bezetting is λ = −ln(0,80) = 0,223. De absolute concentratie is 0,223 / 0,85 nl = 0,263 kopie/nl = 263 kopieen/μl. Bij 20.000 druppels is het 95 %-vertrouwensinterval circa ± 3 %. Bij een verdund monster met p = 0,05 (1.000 positieve druppels) zou het interval oplopen tot ± 7 %.
Bij een lang-durende meting van een laag-actieve bodemmonster telt de detector in 3.600 s 4.800 counts, waarvan de achtergrondmeting (eveneens 3.600 s) er 3.600 aangeeft. De netto telling is 1.200 counts met onzekerheid √(4.800 + 3.600) = 92 counts, ofwel 7,7 %. Wilt u een preciesere waarde, dan is verlenging van beide meettijden of een aparte langere achtergrondmeting vereist — de netto onzekerheid wordt in dit geval voor bijna 60 % bepaald door de achtergrond.
De Poisson-verdeling beschrijft discrete tellingen (0, 1, 2, 3 …) en heeft één parameter λ, waarbij het gemiddelde gelijk is aan de variantie. De normale (Gauss) verdeling is continu en heeft twee onafhankelijke parameters: gemiddelde en standaardafwijking. Voor grote tellingen (λ > 20 − 30) is de Poisson-verdeling goed te benaderen door een normale verdeling met gemiddelde λ en standaardafwijking √λ; onder deze grens moeten de exacte Poisson-kansen worden gebruikt omdat de normale benadering symmetrisch is en de Poisson-verdeling niet.
Dit volgt direct uit de definitie van de Poisson-verdeling: als gebeurtenissen onafhankelijk optreden met een constante snelheid, dan zijn gemiddelde en variantie beide gelijk aan λ. De standaardafwijking is de wortel van de variantie, dus √λ. Bij een enkele meting is de beste schatter voor λ het getelde aantal N zelf, dus de geschatte standaardafwijking is √N. Deze relatie is een unieke eigenschap van de Poisson-verdeling; bij andere verdelingen bestaat er geen vaste relatie tussen gemiddelde en spreiding.
Voor een relatieve fout onder 10 % zijn minimaal 100 kolonies nodig (1/√100 = 10 %). Voor 5 % relatieve fout zijn 400 kolonies nodig, voor 1 % zelfs 10.000. In genormeerde methoden zoals ISO 4833 wordt gewerkt met platen die 30 tot 300 kolonies bevatten; het middelen van meerdere platen per verdunning verlaagt de gecombineerde fout. Meer over de rekenregels vindt u in de kiemgetal-calculator.
Overdispersie betekent dat de gemeten variantie groter is dan het gemiddelde — de spreiding is groter dan Poisson voorspelt. U herkent overdispersie door de Fano-factor te berekenen (variantie gedeeld door gemiddelde over meerdere replica's); bij zuivere Poisson-verdeling is deze 1. Waarden significant boven 1 wijzen op clustering, inhomogeniteit of gecorreleerde metingen. Voor overdispersieve tellingsdata worden vaak alternatieve modellen gebruikt, zoals de negatief-binomiale verdeling.
Voor grote tellingen (N ≥ 30) geldt de normale benadering: 95 %-CI = N ± 1,96√N. Voor kleine tellingen zijn exacte grenzen nodig via de chi-kwadraat-relatie: de ondergrens is ½·χ2(α/2; 2N) en de bovengrens is ½·χ2(1−α/2; 2N+2). In R levert poisson.test(N) deze grenzen direct; in Excel kan de CHIKW.INV-functie worden gebruikt.
qPCR meet relatief tegen een standaardcurve en is gevoelig voor amplificatie-efficiëntievariaties. dPCR levert een absolute molecuultelling op basis van Poisson-statistiek; bij lage kopieaantallen wordt de precisie uitsluitend bepaald door het aantal geanalyseerde compartimenten en het aantal positieve druppels. Zolang λ ligt tussen 0,05 en 1,5 templatemoleculen per druppel is de statistische onzekerheid van dPCR kleiner dan die van qPCR — onafhankelijk van kalibratiestandaarden. Zie de vergelijking in digitale PCR (dPCR / ddPCR).
Ja. Voor een activiteitsmeting geldt dezelfde regel: de onzekerheid van de netto tellingen is √(Nbruto + Nachtergrond). De detectiegrens (Currie LD) voor een gegeven achtergrond en meettijd volgt eveneens direct uit Poisson-statistiek. De formule LD = 2,71 + 4,65·√Nachtergrond geeft het aantal netto counts dat met 95 %-betrouwbaarheid boven de achtergrond ligt.
De Fano-factor F = variantie / gemiddelde is een maat voor de dispersie van een tellingsdataset relatief aan de Poisson-verwachting. F = 1 wijst op zuiver Poisson-gedrag; F > 1 op overdispersie (clustering, inhomogeniteit); F < 1 op onderdispersie (systematische correctie, filtering). De Fano-factor wordt gebruikt in kwaliteitscontrole van tellingen en als diagnostisch hulpmiddel bij validatie van analytische methoden.
Bij flowcytometrie wordt het aantal events per gate geteld; ook deze tellingen zijn Poisson-verdeeld, mits de cellen willekeurig door de meetopeningen passeren en er geen coincidentiefouten optreden. Voor een zeldzame populatie (bijvoorbeeld 0,1 %) moeten minimaal 400 − 1.000 gebeurtenissen van de doelklasse worden geteld voor een 5 % relatieve fout; dit vereist bij lage frequentie het meten van honderdduizenden tot miljoenen totale events per monster.
Bij druppel-gebaseerde single-cell RNA-sequencing (bijvoorbeeld 10x Chromium) worden cellen en met barcode gecoate beads samengevoegd in nanoliterdruppels. De verdeling is zodanig ingesteld dat de meeste druppels één of geen cel bevatten (Poisson-belading). De multiplet-frequentie (twee cellen in één druppel) volgt de Poisson-formule en bepaalt de bovengrens van de bruikbare belading; typisch onder 5 % bij standaard protocollen.
De Poisson-verdeling is het statistische raamwerk voor tellingsdata in het laboratorium. Onthoud vier praktische consequenties. Ten eerste: de standaardafwijking van een telling is √N, en de relatieve fout schaalt als 1/√N. Ten tweede: voor een precisie van 10 % moet u minimaal 100 treffers tellen, voor 1 % minimaal 10.000. Ten derde: kolonietelling, digitale PCR en radioactiviteitsmeting delen deze onderliggende statistiek en de bijbehorende designafwegingen zijn direct van elkaar afleidbaar. Ten vierde: check altijd de Fano-factor voor overdispersie voordat u standaardformules toepast — clustering en inhomogeniteit zijn de meest voorkomende oorzaken van te optimistische onzekerheidsbudgetten.
Voor werk met Poisson-verdeelde tellingsdata vindt u bij Labvakhandel petrischalen, kweekmedia en voedingsbodems, kolonietellers en apparatuur voor moleculaire biologie. Neem contact op voor advies over de juiste materialen bij uw kwantificeringsmethode.
Disclaimer: Dit artikel is bedoeld als algemene kennisbron over de Poisson-verdeling bij tellingsdata in het laboratorium. Canidae Seal B.V. / Labvakhandel.nl is niet aansprakelijk voor de toepassing van deze informatie in specifieke analyses, validaties of interpretaties. Raadpleeg de van toepassing zijnde normen (ISO 4833, ISO 20395, JCGM 100/GUM) en de kwaliteitsdocumentatie van uw eigen laboratorium.
Inloggen
Wachtwoord vergeten
Account aanmaken
Uw winkelwagen is leeg.
