泊松分佈計算器

是什麼 / 概念解釋

一筆呼叫中心每小時平均接到5個投訴電話，你猜下週一上午10點到11點之間接到0個電話的機率是多少？或者一家醫院急診室每10分鐘平均來1.2位病人，想知道某10分鐘恰好來3位病人的機率？這些場景都適合用泊松分佈來估算。泊松分佈是描述在固定時間/空間/區域內，事件發生的次數服從的離散機率分佈，由數學家西莫恩·德尼·泊松在1837年提出。它的關鍵假設是：事件相互獨立且發生速率恆定（λ為平均發生次數）。

在我們這個計算器裡，你只需要填兩個數：λ（平均發生率）和k（你想查的事件次數），工具就會算出恰好發生k次的機率，以及累積機率（≤k和≥k）。

原理與公式 / 演算法

泊松機率的公式很簡單：P(X=k) = (λ^k × e^-λ) / k!

各變數含義：

• λ — 在單位區間內事件發生的平均次數（例如平均每小時5通電話）
• k — 你想查的次數（例如0通）
• e — 自然常數，約2.71828
• k! — k的階乘（k×(k-1)×...×1）

為什麼公式長這樣？簡單說：泊松分佈是二項分佈在試驗次數很大、機率很小情況下的極限。λ代表期望值，e^-λ負責保證所有機率之和為1，λ^k/k!則隨著k增大先增加後下降，整體形成單峰形狀。

計算器還同時提供累積機率：P(X ≤ k) = 所有≤k的機率之和，以及P(X ≥ k) = 1 - P(X ≤ k-1)。在右側結果卡片上你可以看到這三個值。

使用步驟 / 怎麼用這個工具

開啟我們的泊松分佈計算器，你會看到兩個輸入框：

1. 在“平均發生率 λ”輸入框裡填你的λ值。比如每小時平均5次，就填5。
2. 在“事件次數 k”輸入框裡填你想查詢的次數，比如0。
3. 點選旁邊的“計算”按鈕（或者輸入後自動計算，視頁面設計而定）。
4. 右側結果區域會顯示：
   • P(X = k)：恰好等於k的機率
   • P(X ≤ k)：小於等於k的累積機率
   • P(X ≥ k)：大於等於k的累積機率

注意：λ和k都必須是≥0的數字，k為整數。如果你輸入小數k，計算器會自動取整。

完整算例 / 實操步驟

我們用一個真實場景來演示：某客服中心平均每小時接到4個客戶電話（λ=4）。請問：在某個小時裡恰好接到2個電話的機率是多少？

步驟1：在λ輸入框填4，在k輸入框填2。
步驟2：點選計算。計算器內部會代入公式：P(X=2) = 4² × e^-4 / 2! = 16 × 0.018316 / 2 = 0.1465。結果顯示：P(X=2) ≈ 0.1465（約14.65%）。
步驟3：同時看到累積機率：P(X≤2) ≈ 0.2381（23.81%），P(X≥2) ≈ 0.9084（90.84%）。

解讀：雖然平均每小時4個電話，但恰好2個的機率並不高（14.65%），這是因為波動大。機率最大的k是3和4（λ附近）。

對照算例（極端值）：如果λ=0.2，k=0（罕見事件，比如每5小時才發生一次）。輸入0.2和0，得到P(X=0) = e^-0.2 ≈ 0.8187（81.87%）。說明在極低發生率下，多數時間事件完全不發生。反過來，λ=10，k=15，P≈0.0347（3.47%），遠小於λ附近的機率。

結果怎麼解讀 / 數值含義

日常使用中，閾值0.05常用於判斷是否異常（類似統計檢驗中的p值）。

典型使用場景

1. 電話呼叫中心排班：客服經理用λ=平均每小時來電量，計算P(X≥10)來評估人手是否足夠，避免電話溢位。
2. 工廠良品率監控：質檢員已知產品缺陷率λ=2個/千件，檢查一批1000件，若發現k=6個缺陷，計算P(X≥6)來判定是否為異常波動，決定是否停產排查。
3. 交通事故分析：某路段每月平均發生3起事故，交警計算P(X=0)來預測“零事故月”的可能性，從而分配巡邏資源。
4. 圖書借閱預測：圖書館每半小時平均借出15本書，想知道某半小時借出>20本書的機率，用於多開服務視窗的決策。

常見誤用 / 易踩的坑

• 混淆λ和k的單位：λ必須在與k相同的時間/空間單位下定義。比如λ=“每小時2個”，k=“某4小時內的次數”時，需要先調整λ為“4小時8個”，否則結果錯誤。
• 認為P(X=k)很高就不存在波動：實際上泊松分佈有方差等於λ，所以λ較大時，機率最高點的機率也可能很小（如λ=100時，P(X=100)≈0.04）。
• 忽略事件獨立性：如果事件之間存在關聯（如高峰期連續來電），泊松分佈就不適用，應考慮負二項或其他分佈。
• 把累積機率P(X≤k)當作精確機率：要問“恰好”還是“不超過”，兩者含義不同，注意結果卡片上的標籤。

常見問題 FAQ

1. λ可以是小數嗎？

可以。λ可以是任意非負實數，比如0.5、2.7。計算器內部使用浮點數計算，結果精確到小數點後4位。

2. k最大能算到多少？

在我們的計算器裡，k最大支援到999。因為階乘計算數值極大，λ過大（比如λ>200）時機率可能非常小，顯示為0.0000，但累積機率仍有效。

3. 泊松分佈和正態分佈有什麼關係？

當λ較大（一般λ≥20）時，泊松分佈近似正態分佈，均值和方差都≈λ。這時也可以直接用正態近似快速估算，但泊松分佈更精確。

4. 為什麼P(X=0) = e^-λ？

將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發生的機率。

5. 如何用工具計算二項分佈？

泊松分佈通常用於“稀有事件”，如果試驗次數n很大且p很小（通常np≤10），可以用λ=np近似。直接在本計算器填入λ即可。如需精確二項分佈，請切換使用我們的二項分佈計算器。

6. 計算出來的累積機率為什麼大於1？

不會。累積機率是多個互斥機率的和，總和一定≤1。如果看到大於1，可能是輸入了負數或非法值，請檢查λ和k。

邊界與侷限 / 注意事項

• 適用條件：事件相互獨立、發生速率恆定、兩個事件不會同時發生（對連續時間）。若違反這些假設（如網路流量有自相關性），結果會偏低或偏高。
• 不適用場景：當λ>1000時，階乘和指數值可能溢位，計算器會返回近似值或報錯；此時建議用正態近似。
• 精度說明：本計算器採用JavaScript的Number型別（雙精度浮點數），對於極大λ（如>1000）或極小機率（如<1e-15）可能顯示為0，屬於正常浮點限制。
• 參考標準：機率計算公式基於標準泊松分佈定義（參考維基百科Poisson distribution條目），未採用蒙特卡洛模擬。

現在你可以在上方計算器裡試試自己的數字——比如你店門口平均每天經過30個顧客，想知道某恰恰好有25個的機率，填λ=30、k=25，看看結果吧！