在卫生统计学中，Poisson分布常用于描述单位时间或空间内罕见事件的发生次数。例如，某医院一天内的急救电话数量，或者每毫升水中的细菌数目等。Poisson分布有一个参数λ（lambda），它表示在给定的时间段或空间区域内发生事件的平均数。

计算Poisson分布的参数λ有几种方法：
1. 使用样本均值：最直接的方法是利用观察数据来估计λ，即计算所有观测值的平均值。如果有一系列独立且同分布的随机变量X1, X2, ..., Xn代表了在相同条件下发生的事件数，则可以通过这些样本的算术平均值来估计λ：
   λ = (X1 X2 ... Xn) / n
   这里，n是观测次数或样本数量。
2. 最大似然估计：对于给定的一组数据x1, x2, ..., xn，可以使用最大似然方法来确定使得这些数据出现概率最大的λ值。Poisson分布的概率质量函数为：
   P(X = k) = (e^(-λ) * λ^k) / k!
   其中，k是事件发生的次数，e是自然对数的底约等于2.71828。
   最大似然估计的目标是找到一个λ值，使得所有观测数据出现的概率乘积最大。在实际计算时，通常是通过求解对数似然函数关于λ的一阶导数等于0来实现的，最终结果同样会得到λ = (X1 X2 ... Xn) / n。

3. 矩估计：由于Poisson分布的数学期望和方差都是λ，因此也可以通过计算样本的均值或方差来进行参数估计。在实际应用中，通常采用样本均值作为λ的估计值，因为样本均值是无偏且一致的最佳线性无偏估计量。

综上所述，无论是使用样本均值、最大似然估计还是矩估计方法，最终得到的Poisson分布参数λ的估计值都是基于数据集中的所有观测值计算出来的平均数。在具体应用时，选择哪种方法取决于研究者的需求以及数据的具体情况。