免费泊松分布计算器

泊松分布是一种离散概率模型，它回答一个直截了当的问题：如果某事件平均每个区间（时间、距离、面积）发生λ次，那么在该区间内恰好发生指定次数（x）的概率是多少？这款免费的在线泊松分布计算器自动完成计算，让您输入λ和x，即可在数秒内同时获得精确概率和累积概率。

泊松公式及其定义

数学上，泊松分布给出在平均发生率为λ时恰好观察到$x$次事件的概率：

$$P(X = x) = \dfrac{e^{-\lambda} \lambda^{x}}{x!}$$

其中：

• $e$ 是欧拉数（≈ 2.71828）。
• $\lambda$（率参数）是该区间内预期发生的事件数。
• $x$ 必须是非负整数（0, 1, 2, …），$\lambda$ 是正实数。

该分布是离散的，意味着它只对整数计数分配概率。λ 和 x 都必须满足这些约束，公式才能产生有效的概率。

关键性质

泊松分布的特点：

• 均值 = $\lambda$
• 标准差 = $\sqrt{\lambda}$

这两个参数完全描述了分布的中心和离散程度。由于标准差是均值的平方根，随着平均发生率增加，变异性也增加，但速度较慢。

典型用例

可用泊松分布分析的事件有两个特征：它们独立发生，并且平均发生率在区间内保持恒定。常见示例包括：

• 每小时到达服务台的客户数量。
• 一页文本中的错别字数量。
• 一个地区每年的大地震次数。
• 一个呼叫中心在十分钟内接到的电话数量。
• 制造产品中每单位面积的缺陷数量。

所有这些“稀有”事件都意味着相对于它们可能发生的机会而言，发生率较低，但在总体上是可预测的。

如何使用泊松计算器

使用该工具包括三个步骤：

1. 确定 λ —— 根据历史记录或领域知识。
   示例：一个公交站平均每小时有5辆公交车 → λ = 5。

2. 选择 x —— 你想要概率的具体次数。
   示例：下一小时正好到达3辆公交车的概率是多少？

3. 计算 —— 手动使用公式或通过计算器立即计算。

   对于 λ = 5 和 x = 3：

   $$P(X = 3) = \dfrac{e^{-5} \cdot 5^{3}}{3!} = \dfrac{0.006738 \cdot 125}{6} \approx 0.140$$

   即14.0%的概率。

计算器还返回四种累积概率：

• $P(X < x)$ —— 少于x次事件。
• $P(X \leq x)$ —— 至多x次事件。
• $P(X > x)$ —— 多于x次事件。
• $P(X \geq x)$ —— 至少x次事件。

对于公交示例，$P(X < 3) = 0.125$（约12.5%），$P(X \leq 3) = 0.265$，$P(X > 3) = 0.735$，$P(X \geq 3) = 0.875$。

手动逐步示例

为说明公式，假设平均事件率为每区间5次，我们关心 $x = 1$。

• $P(X = 1) = \dfrac{e^{-5} \cdot 5^{1}}{1!} = 5 e^{-5} \approx 0.0337$
• $P(X < 1) = P(X = 0) = e^{-5} \approx 0.0067$
• $P(X \leq 1) = P(X = 0) + P(X = 1) \approx 0.0404$
• $P(X > 1) = 1 - P(X \leq 1) \approx 0.9596$
• $P(X \geq 1) = 1 - P(X = 0) \approx 0.9933$

结果汇总到下表：

概率表达式	近似值
$P(X = 1)$	0.0337
$P(X < 1)$	0.0067
$P(X \leq 1)$	0.0404
$P(X > 1)$	0.9596
$P(X \geq 1)$	0.9933

分布形状

泊松概率质量函数（PMF）随λ变化显著。当λ很小（例如1或2）时，PMF强烈右偏，大部分质量集中在最低计数上。随着λ增大，分布变得更加对称，最终近似于正态曲线（这是中心极限定理的结果）。

例如，比较 $P(\lambda = 2, x = 3) \approx 0.180$ 与 $P(\lambda = 8, x = 3) \approx 0.029$。第一种情况恰好产生三次事件的可能性大约是第二种情况的六倍。这种变化说明增加平均发生率会“推动”概率向更大的数值移动。

历史简叙

西梅翁·德尼·泊松于1837年首次描述了该分布，当时他正在研究误判的概率，并将其称为“小数定律”。后来，在19世纪90年代，波兰统计学家Władysław Bartkiewicz将泊松公式应用于一个著名的数据集：普鲁士骑兵每年被马踢死的数量。他证明了即使是看似随机的稀有事件，也能仅用一个参数λ可靠地建模。

第二次世界大战期间，该分布被用于运筹学，模拟轰炸精度、队列长度和网络拥塞。今天，泊松模型出现在金融（稀有冲击的压力测试）、流行病学（疾病发生率）、保险（理赔频率）以及许多处理稀有事件计数的其他领域。

泊松模型不适用的情况

由于泊松分布是离散的且要求独立性和恒定发生率，因此在以下情况应避免使用：

• 事件不独立。正自相关（例如一个火山引发其他火山爆发）会使方差膨胀，超过泊松的预期。
• 发生率并不恒定，随时间或空间变化。如果λ改变，更灵活的模型（例如负二项）可能更适合。
• 零事件不可能。在这种情况下，常使用零截断或零膨胀泊松变体。
• 底层过程是连续的（例如时间至事件数据），需要不同的概率模型。

尽管存在这些限制，泊松分布仍然是分析稀有独立事件最广泛使用的工具之一。通过仅凭一个参数提供快速概率估计，它将看似随机的事件转化为可量化的风险。

这款免费的在线泊松分布计算器使得计算毫不费力，无论你是处理计数数据的学生、研究人员还是分析师。