描述客服來電數量該用哪種分佈？
某客服中心統計資料發現，平均每小時會接到約 20 通顧客來電，但每分鐘的來電數量不固定，可能為 0、1、2 通不等。這些來電事件彼此獨立，且在短時間內，發生的機率與時間長短成正比。若要以機率模型描述「每分鐘接到幾通來電」的機率分佈，下列哪一種最適合使用？
客服中心平均每小時接 20 通電話。具體到每一分鐘，可能接到 0 通、1 通或 2 通，數量不固定。每一通電話的發生和其他通話沒有關聯（彼此獨立），而且在更短的時間內，來電機率跟時間長度成比例。
問你：哪一種機率分佈最適合描述「某一分鐘內接到幾通電話」這個情況？
一句話總結
「固定時段內，發生次數不固定、事件彼此獨立、平均速率已知」：這三個條件完全符合卜瓦松分佈（Poisson Distribution）的使用情境，用它來描述「每分鐘接到幾通電話」再精準不過。
先感受問題：客服排班要準備幾個人？
聯捷電商的客服主管曉薇，負責安排客服班次。她知道每小時平均有 20 通來電，換算下來每分鐘平均 20/60 ≈ 0.33 通。
但她不知道的是：某一分鐘是否真的會有電話進來？會有 0 通？1 通？還是偶爾衝到 3 通？
如果她能算出「某一分鐘接到 0 通的機率」「接到 1 通的機率」「接到 2 通的機率」，她就能更精準地安排值班人力，不會讓客戶等太久，也不會浪費人力成本。
這種「固定時間視窗內、計數隨機事件發生次數」的問題，就是卜瓦松分佈（Poisson Distribution）的經典應用場景。
用錯分佈會造成什麼問題
- 用均勻分佈的錯誤：均勻分佈假設所有結果機率相等（例如擲骰子）。但來電數量不是「0 到 10 通都一樣可能發生」，事實上 0 通最常見，越多通電話越少見，用均勻分佈完全不符合實際觀察。
- 用常態分佈的錯誤：常態分佈是連續分佈，可以取任何實數值（包括負數），而來電次數是非負整數（0、1、2...），用連續分佈描述計數資料在概念上就不對。樣本數極大時 Poisson 才漸近常態。
- 用指數分佈的錯誤：指數分佈描述的是「兩次事件之間的等待時間」（例如：下一通電話多久後會來），不是「某段時間內發生幾次」。雖然兩者密切相關，但問題形式不同。
- 忽視「事件獨立性」假設的錯誤：卜瓦松分佈要求每次事件獨立發生。如果來電會互相影響（例如：一個大客戶打電話後，會帶動其他客戶也打來），就不符合假設，卜瓦松分佈的預測就不準確。
- 用錯分佈導致資源誤估：如果用常態分佈估算，預測某分鐘接到「-2 通」電話就荒謬了；用均勻分佈則會高估高來電次數的機率，導致排太多客服卻閒著。
卜瓦松分佈：計算固定時段內「發生幾次」的機率
聯捷電商的曉薇用卜瓦松分佈來建立來電模型：
已知：平均每分鐘接到 λ = 20/60 ≈ 0.333 通電話。
題目給出的條件完全符合卜瓦松分佈的三個假設：
2. 事件彼此獨立（每通電話的發生不影響其他通話）
3. 在短時間內，機率與時間長短成正比（稀有事件假設）
用卜瓦松公式，曉薇可以算出某一分鐘：
- 接到 0 通的機率（最常見）
- 接到 1 通的機率
- 接到 2 通或更多通的機率（較少見）
有了這個分佈，排班規劃就有了數學依據，而不是憑感覺猜。
這就是選項 C 講的：卜瓦松分佈（Poisson distribution）。
技術版：卜瓦松分佈的數學性質與應用條件
卜瓦松分佈（Poisson Distribution）的機率質量函數
P(X = k) = (λ^k × e^(-λ)) / k!
其中：λ（Lambda）= 固定時間區間內的平均事件發生次數，k = 實際發生次數（非負整數），e ≈ 2.718（自然常數）。
卜瓦松分佈的特性
- 期望值 E(X) = λ
- 變異數 Var(X) = λ（期望值和變異數相等，是卜瓦松分佈的獨特性質）
- 只取非負整數值（0、1、2、3...）
- λ 很大時，卜瓦松分佈趨近常態分佈
適用卜瓦松分佈的三個條件
- 事件在固定時間區間（或空間區域）內發生
- 事件彼此獨立（一個事件的發生不影響另一個）
- 短時間內，事件發生的機率與時間長度成正比（稀有事件假設，發生機率小）
計算範例（本題）
λ = 20/60 ≈ 0.333（每分鐘平均來電通數） P(X=0) = (0.333^0 × e^(-0.333)) / 0! = e^(-0.333) ≈ 0.717（71.7% 的分鐘沒有電話） P(X=1) = (0.333^1 × e^(-0.333)) / 1! ≈ 0.239（23.9%） P(X=2) = (0.333^2 × e^(-0.333)) / 2! ≈ 0.040（4.0%） P(X≥3) ≈ 0.004（約 0.4%，非常少見）
卜瓦松分佈的其他應用場景
- 每小時某路口發生的交通事故次數
- 每天網站收到的惡意攻擊次數
- 某區域每年發生的自然災害次數
- 機器學習中的文本詞頻（稀有詞的出現次數）
卜瓦松 vs 指數分佈的關係：如果事件按卜瓦松過程發生（速率 λ），那麼「兩次事件之間的等待時間」服從指數分佈（參數 λ）。它們描述同一個隨機過程的不同面向：卜瓦松看「次數」，指數看「間隔時間」。
為什麼其他選項是錯的
A均勻分佈（Uniform distribution）
每一種可能的來電數量機率相同，例如 0 通、1 通、2 通的機率各 1/3。
均勻分佈假設每個結果等可能發生，適合擲骰子、隨機號碼產生這類情境。來電數量不是「0 到 n 通都一樣可能」，在低到中等負載時，0 通最常見，次數越多越少見，機率遞減。均勻分佈完全無法反映這個現象。
對「分佈」概念模糊，覺得只要有多個結果就用均勻分佈的人。均勻分佈是「所有結果機率相等」的特殊情況，不是預設選項。
B指數分佈（Exponential distribution）
用指數分佈來描述來電次數的機率。
指數分佈描述的是「等待時間」，例如「下一通電話多久後才來」（連續型，可以是任意正實數）。題目問的是「某一分鐘內接到幾通」（離散計數，只取非負整數）。雖然指數分佈和卜瓦松分佈有數學上的對應關係，但兩者描述的問題形式不同，不能混用。
知道指數分佈也用在描述事件發生，但沒有分清楚「等待時間（指數）」和「發生次數（卜瓦松）」的差別。
D常態分佈（Normal distribution）
用鐘形曲線描述每分鐘來電數量的分佈。
常態分佈是連續型分佈，理論上取值從負無窮到正無窮，不適合描述「只取非負整數」的計數資料。來電次數不可能是 -1.5 通。雖然當 λ 很大時卜瓦松分佈會趨近常態分佈，但在這道題（λ ≈ 0.33，非常小）的情況下，常態近似完全不適用。
把常態分佈當「通用分佈」的人。常態分佈是自然界很常見的分佈，但不是所有資料都適用，特別是計數資料和等待時間資料。
同個考點下次怎麼變形
「下一通電話多久後會來」，應該用哪種分佈描述？
來電間隔時間，不是次數，要換一種分佈？
應用指數分佈（Exponential Distribution）。如果每分鐘平均來電 λ 通，則兩通電話之間的等待時間服從指數分佈，期望等待時間 = 1/λ 分鐘。指數分佈的特性是「無記憶性」：不管上一通電話等了多久，下一通電話的等待時間分佈不變。
卜瓦松分佈的期望值和變異數有什麼特別的關係？
為什麼卜瓦松分佈的期望值和變異數都等於 λ？
這是卜瓦松分佈的獨特性質：E(X) = Var(X) = λ。在實務資料分析中，如果你觀察到計數資料的均值和變異數「幾乎相等」，這是卜瓦松分佈的一個徵兆。如果變異數明顯大於均值（過度離散，Overdispersion），應考慮負二項分佈（Negative Binomial Distribution）。
哪些現象可以用卜瓦松分佈建模？
除了電話，還有什麼情境適合？
所有「固定時間或空間內，發生次數可計數、事件獨立」的情境：每天收到的客訴數量、每小時網路請求數、每月發生的機器故障次數、文字中特定詞出現的頻率（Zipf 分佈的近似）、放射性衰變的粒子計數。核心判斷：「計數」而非「連續量」，且事件獨立、發生率穩定。
常態分佈適合描述什麼類型的資料？
常態分佈不適合來電次數，那它適合什麼？
常態分佈適合連續型、對稱分佈、沒有下界限制的資料：人的身高體重、測量誤差、財務報酬率（近似）、大量獨立隨機變數的總和（中央極限定理）。關鍵特徵：連續、對稱（均值 = 中位數 = 眾數）、鐘形曲線。
λ 很大時，卜瓦松分佈趨近哪種分佈？
λ 越大，分佈形狀會改變嗎？
當 λ 很大（通常 λ > 30 就相當接近），卜瓦松分佈趨近常態分佈 N(μ=λ, σ²=λ)。這是中央極限定理的一種體現：很多獨立稀有事件累加起來，趨向常態。在 λ 大的情境下，可以用常態分佈近似計算，但在 λ 小（本題 λ ≈ 0.33）時，分佈高度右偏，常態近似完全不適用。
想再往下看，這 5 個
- 卜瓦松分佈（Poisson Distribution）核心考點，描述固定時間區間內獨立事件發生次數的離散機率分佈。
- 描述性統計（Descriptive Statistics）期望值、變異數等統計量是理解各種分佈特性的基礎工具。
- 異常偵測（Anomaly Detection）卜瓦松過程的分析常用於偵測來電量、網路流量異常，是 AI 監控的基礎。
- 時間序列分析（Time Series Analysis）客服來電量是典型的時間序列資料，卜瓦松分佈是時間序列中計數事件的基礎模型。
- 資料前處理（Data Preprocessing）了解資料符合哪種分佈，是選擇正確前處理方法和模型的前提。