泊松分布计算器

是什么 / 概念解释

一笔呼叫中心每小时平均接到5个投诉电话，你猜下周一上午10点到11点之间接到0个电话的概率是多少？或者一家医院急诊室每10分钟平均来1.2位病人，想知道某10分钟恰好来3位病人的概率？这些场景都适合用泊松分布来估算。泊松分布是描述在固定时间/空间/区域内，事件发生的次数服从的离散概率分布，由数学家西莫恩·德尼·泊松在1837年提出。它的关键假设是：事件相互独立且发生速率恒定（λ为平均发生次数）。

在我们这个计算器里，你只需要填两个数：λ（平均发生率）和k（你想查的事件次数），工具就会算出恰好发生k次的概率，以及累积概率（≤k和≥k）。

原理与公式 / 算法

泊松概率的公式很简单：P(X=k) = (λ^k × e^-λ) / k!

各变量含义：

• λ — 在单位区间内事件发生的平均次数（例如平均每小时5通电话）
• k — 你想查的次数（例如0通）
• e — 自然常数，约2.71828
• k! — k的阶乘（k×(k-1)×...×1）

为什么公式长这样？简单说：泊松分布是二项分布在试验次数很大、概率很小情况下的极限。λ代表期望值，e^-λ负责保证所有概率之和为1，λ^k/k!则随着k增大先增加后下降，整体形成单峰形状。

计算器还同时提供累积概率：P(X ≤ k) = 所有≤k的概率之和，以及P(X ≥ k) = 1 - P(X ≤ k-1)。在右侧结果卡片上你可以看到这三个值。

使用步骤 / 怎么用这个工具

打开我们的泊松分布计算器，你会看到两个输入框：

1. 在“平均发生率 λ”输入框里填你的λ值。比如每小时平均5次，就填5。
2. 在“事件次数 k”输入框里填你想查询的次数，比如0。
3. 点击旁边的“计算”按钮（或者输入后自动计算，视页面设计而定）。
4. 右侧结果区域会显示：
   • P(X = k)：恰好等于k的概率
   • P(X ≤ k)：小于等于k的累积概率
   • P(X ≥ k)：大于等于k的累积概率

注意：λ和k都必须是≥0的数字，k为整数。如果你输入小数k，计算器会自动取整。

完整算例 / 实操步骤

我们用一个真实场景来演示：某客服中心平均每小时接到4个客户电话（λ=4）。请问：在某个小时里恰好接到2个电话的概率是多少？

步骤1：在λ输入框填4，在k输入框填2。
步骤2：点击计算。计算器内部会代入公式：P(X=2) = 4² × e^-4 / 2! = 16 × 0.018316 / 2 = 0.1465。结果显示：P(X=2) ≈ 0.1465（约14.65%）。
步骤3：同时看到累积概率：P(X≤2) ≈ 0.2381（23.81%），P(X≥2) ≈ 0.9084（90.84%）。

解读：虽然平均每小时4个电话，但恰好2个的概率并不高（14.65%），这是因为波动大。概率最大的k是3和4（λ附近）。

对照算例（极端值）：如果λ=0.2，k=0（罕见事件，比如每5小时才发生一次）。输入0.2和0，得到P(X=0) = e^-0.2 ≈ 0.8187（81.87%）。说明在极低发生率下，多数时间事件完全不发生。反过来，λ=10，k=15，P≈0.0347（3.47%），远小于λ附近的概率。

结果怎么解读 / 数值含义

日常使用中，阈值0.05常用于判断是否异常（类似统计检验中的p值）。

典型使用场景

1. 电话呼叫中心排班：客服经理用λ=平均每小时来电量，计算P(X≥10)来评估人手是否足够，避免电话溢出。
2. 工厂良品率监控：质检员已知产品缺陷率λ=2个/千件，检查一批1000件，若发现k=6个缺陷，计算P(X≥6)来判定是否为异常波动，决定是否停产排查。
3. 交通事故分析：某路段每月平均发生3起事故，交警计算P(X=0)来预测“零事故月”的可能性，从而分配巡逻资源。
4. 图书借阅预测：图书馆每半小时平均借出15本书，想知道某半小时借出>20本书的概率，用于多开服务窗口的决策。

常见误用 / 易踩的坑

• 混淆λ和k的单位：λ必须在与k相同的时间/空间单位下定义。比如λ=“每小时2个”，k=“某4小时内的次数”时，需要先调整λ为“4小时8个”，否则结果错误。
• 认为P(X=k)很高就不存在波动：实际上泊松分布有方差等于λ，所以λ较大时，概率最高点的概率也可能很小（如λ=100时，P(X=100)≈0.04）。
• 忽略事件独立性：如果事件之间存在关联（如高峰期连续来电），泊松分布就不适用，应考虑负二项或其他分布。
• 把累积概率P(X≤k)当作精确概率：要问“恰好”还是“不超过”，两者含义不同，注意结果卡片上的标签。

常见问题 FAQ

1. λ可以是小数吗？

可以。λ可以是任意非负实数，比如0.5、2.7。计算器内部使用浮点数计算，结果精确到小数点后4位。

2. k最大能算到多少？

在我们的计算器里，k最大支持到999。因为阶乘计算数值极大，λ过大（比如λ>200）时概率可能非常小，显示为0.0000，但累积概率仍有效。

3. 泊松分布和正态分布有什么关系？

当λ较大（一般λ≥20）时，泊松分布近似正态分布，均值和方差都≈λ。这时也可以直接用正态近似快速估算，但泊松分布更精确。

4. 为什么P(X=0) = e^-λ？

将k=0代入公式：P(X=0)=λ^0×e^{-λ}/0! = 1×e^{-λ}/1 = e^{-λ}。所以只要知道λ，就能立刻算出事件一次不发生的概率。

5. 如何用工具计算二项分布？

泊松分布通常用于“稀有事件”，如果试验次数n很大且p很小（通常np≤10），可以用λ=np近似。直接在本计算器填入λ即可。如需精确二项分布，请切换使用我们的二项分布计算器。

6. 计算出来的累积概率为什么大于1？

不会。累积概率是多个互斥概率的和，总和一定≤1。如果看到大于1，可能是输入了负数或非法值，请检查λ和k。

边界与局限 / 注意事项

• 适用条件：事件相互独立、发生速率恒定、两个事件不会同时发生（对连续时间）。若违反这些假设（如网络流量有自相关性），结果会偏低或偏高。
• 不适用场景：当λ>1000时，阶乘和指数值可能溢出，计算器会返回近似值或报错；此时建议用正态近似。
• 精度说明：本计算器采用JavaScript的Number类型（双精度浮点数），对于极大λ（如>1000）或极小概率（如<1e-15）可能显示为0，属于正常浮点限制。
• 参考标准：概率计算公式基于标准泊松分布定义（参考维基百科Poisson distribution条目），未采用蒙特卡洛模拟。

现在你可以在上方计算器里试试自己的数字——比如你店门口平均每天经过30个顾客，想知道某恰恰好有25个的概率，填λ=30、k=25，看看结果吧！