自 2010 年 · 每月支援超過 200 萬次工具執行
自 2010 年
加到 Chrome

我的工具箱

自動模式

尚未收藏任何工具。

升級為高級版
相關工具
二項機率分布計算機負二項分布計算機機率分布計算機幾何分佈計算機超幾何分布計算機貝塔分布計算機指數分佈計算機
主頁 > 數學 > 進階數學計算
 

泊松分佈計算機

計算泊松機率 P(X=k)、累計機率，並視覺化 PMF/CDF 分佈，提供詳細的分步解決方案。

免費使用無需註冊2026年1月更新
泊松分佈計算機立即免費試用 ▼
快速示例
泊松 PMF 公式
$P(X = k) = \frac{e^{-\lambda} \cdot \lambda^k}{k!}$
預期每間隔的事件數 (0.01 - 100)
非負整數 (0 - 200)

Embed 泊松分佈計算機 Widget

泊松分佈計算機

歡迎使用 泊松分佈計算機，這是一個全面的工具，用於計算泊松機率，並提供互動式視覺化和分步解法。無論您是學習機率論的學生，還是分析事件數據的研究人員，亦或是使用統計模型的專業人士，此計算機都能為您提供準確的結果和詳細的說明。

什麼是泊松分佈？

泊松分佈是一種離散機率分佈，用於模擬在固定時間或空間間隔內發生的事件數量。它以法國數學家西莫恩·德尼·泊松的名字命名，是機率論和統計學中最重要的分佈之一。

泊松分佈由單一參數 lambda (λ) 表徵，該參數代表每個間隔的平均事件發生率。關鍵屬性包括：

泊松機率質量函數 (PMF)
$$P(X = k) = \frac{e^{-\lambda} \cdot \lambda^k}{k!}$$

理解 Lambda (λ) 和 k

什麼是 Lambda (λ)？

Lambda (λ) 是泊松分佈的平均發生率參數。它代表每個間隔內的預期事件數。例如：

什麼是 k？

變量 k 代表您想要計算其機率的特定事件數量。它必須是一個非負整數（0, 1, 2, 3, ...）。例如，如果您想知道一小時內恰好接到 3 個電話的機率，那麼 k = 3。

如何計算泊松分佈機率

  1. 確定參數： 確定平均事件發生率 (λ) 和您想要計算機率的事件數 (k)。
  2. 輸入數值： 在計算機中輸入代表平均發生率的 lambda (λ) 值和代表事件數的 k 值。
  3. 計算機率： 點擊“計算”以獲取 P(X = k)、P(X ≤ k)、P(X > k) 以及其他機率指標和視覺化效果。
  4. 查看分步解法： 檢查詳細的數學步驟，了解如何使用泊松公式計算每個機率。
  5. 分析圖表： 使用 PMF 柱狀圖和 CDF 階梯圖視覺化分佈並了解機率分佈情況。
示例：客戶到達

一家咖啡館平均每小時接待 5 名客戶。在給定的一小時內恰好有 3 名客戶到達的機率是多少？

解法： 當 λ = 5 且 k = 3 時：

$$P(X = 3) = \frac{e^{-5} \cdot 5^3}{3!} = \frac{0.00674 \times 125}{6} \approx 0.1404$$

恰好有 3 名客戶到達的機率約為 14.04%。

機率類型說明

機率類型 符號 含義
精確機率 P(X = k) 恰好發生 k 次事件的機率
累計（最多） P(X ≤ k) 發生 k 次或更多次事件的機率
累計（少於） P(X < k) 發生少於 k 次事件的機率
尾部（多於） P(X > k) 發生多於 k 次事件的機率
尾部（至少） P(X ≥ k) 發生 k 次或更多次事件的機率

PMF 和 CDF 有什麼區別？

PMF（機率質量函數） 給出恰好發生 k 次事件的機率：P(X = k)。它顯示了每個特定 k 值的機率。

CDF（累計分佈函數） 給出最多發生 k 次事件的機率：P(X ≤ k)。它是從 0 到 k 的所有 PMF 值之和：

累計分佈函數 (CDF)
$$P(X \leq k) = \sum_{i=0}^{k} \frac{e^{-\lambda} \cdot \lambda^i}{i!}$$

泊松分佈的应用

泊松分佈廣泛應用於許多領域：

何時使用泊松分佈

在以下情況下使用泊松分佈：

常見問題解答

什麼是泊松分佈？

泊松分佈是一種離散機率分佈，用於模擬在固定時間或空間間隔內發生的事件數量，前提是事件以已知的恆定平均發生率 (λ) 發生，且彼此獨立。它常用於模擬罕見事件，如客戶到達、系統故障或放射性衰變。

泊松分佈中的 lambda (λ) 是什麼？

Lambda (λ) 是泊松分佈的平均發生率參數。它代表每個間隔內的預期事件數。例如，如果一個呼叫中心平均每小時接到 5 個電話，那麼 λ = 5。Lambda 必須為正數，可以是任何大於零的實數。

如何計算泊松分佈的 P(X = k)？

恰好發生 k 次事件的機率使用泊松 PMF 公式計算：P(X = k) = (e^(-λ) × λ^k) / k!。例如，當 λ = 5 且 k = 3 時：P(X = 3) = (e^(-5) × 5^3) / 3! = (0.00674 × 125) / 6 ≈ 0.1404，即約 14.04%。

泊松分佈中 PMF 和 CDF 有什麼區別？

PMF（機率質量函數）給出恰好發生 k 次事件的機率：P(X = k)。CDF（累計分佈函數）給出最多發生 k 次事件的機率：P(X ≤ k)，它是從 0 到 k 的所有 PMF 值之和。CDF 對於計算結果範圍的機率非常有用。

什麼時候應該使用泊松分佈？

在以下情況下使用泊松分佈：(1) 事件獨立發生，(2) 事件以恆定的平均速率發生，(3) 兩個事件不能在完全相同的瞬間發生，以及 (4) 您正在計算固定間隔內的事件數量。常見的應用包括模擬網站流量、保險索賠、設備故障和生物過程。

參考資料

引用此內容、頁面或工具為：

"泊松分佈計算機" 於 https://MiniWebtool.com/zh-tw/泊松分佈計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 團隊創建。最後更新時間：2026年1月13日

開發者 API 可用: 用一次 JSON HTTP 請求，把這個工具接入你的應用程式、自動化流程或代理。 查看 API 文件

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

進階數學計算:

熱門與最新工具:

正態分布計算機韋布爾分佈計算機F-Test/F分布計算機查看全部 →
主頁 > 數學 > 進階數學計算 > 泊松分佈計算機