---
title: "卜瓦松分佈（Poisson Distribution）"
slug: poisson-distribution
language: zh-TW
source: https://aiterms.tw/terms/poisson-distribution
updated_at: 2026-04-29
tags: [統計方法, 資料處理, 數學基礎, 異常偵測, 時序分析, AI應用]
ipas_term: false
---

# 卜瓦松分佈（Poisson Distribution）

> **你有沒有算過，一小時內大概會來幾通電話、幾個請求？**
>
> 你可以把 卜瓦松分佈 想成 固定時間內數事件發生幾次。
>
> 很適合看罕見事件或到達次數，固定時間內，數事件發生次數 這件事就特別重要。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **卜瓦松分佈 vs 二項式分佈**
>
> 二項式像擲硬幣，每次只有兩種結果，且次數固定；卜瓦松像數中樂透的次數，事件發生是隨機且稀有的，沒有固定總次數限制。
>
> 最關鍵的區別：一個看單位時間的次數，一個看固定試驗的成功次數。
>
>
> **卜瓦松分佈 vs 二項式分佈**
>
> 卜瓦松看固定時間內來幾次，二項式看固定次數裡成功幾次
>
> 最關鍵的區別：一個數到達次數，一個數成功次數。

### 記住這句就好
> 固定時間內，數事件發生次數

### 實際案例
> **案例 1：客服中心預估每小時來電數**
>
> 這種情況下，卜瓦松分佈 會幫你把原本手工或靠直覺的步驟變得更穩。
>
>
> **案例 2：網站統計某分鐘的請求數波動**
>
> 另一個常見場景也能看出 卜瓦松分佈 的價值，因為它處理的是同一種核心問題。

### 算法與應用
> 核心意思就是：固定時間內，數事件發生次數。
>
> 常用在客服來電、請求數、事故數這種稀有事件
>
> 當事件平均發生率穩定、彼此近似獨立時最常用

### 情境判斷
> **Q1（直覺題）：** 客服中心預估每小時來電數 這種情況，會先想到 卜瓦松分佈 嗎？
>
> → 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。
>
>
> **Q2（判斷題）：** 事件很多而且很密集時，還適合嗎？
>
> → 看情況，若事件不再稀有或獨立性不強，其他分佈可能更合適

### 常見問題
> **Q：卜瓦松分佈與二項分佈有什麼區別？**
> 二項分佈描述的是在固定次數的獨立試驗中，成功的次數。
> 而卜瓦松分佈描述的是在固定時間或地點內，事件發生的次數。
> 當試驗次數很大，且每次試驗成功的機率很小時，二項分佈可以近似為卜瓦松分佈。
>
> **Q：如何估計卜瓦松分佈的平均發生率 λ？**
> 估計卜瓦松分佈的平均發生率 λ 最簡單的方法是計算樣本的平均值。
> 例如，如果我們在 10 個小時內觀察到事件發生了 50 次，那麼平均發生率 λ 的估計值就是 50/10 = 5。
>
> **Q：卜瓦松分佈在異常檢測中有哪些應用？**
> 卜瓦松分佈可以用於檢測異常事件。
> 例如，如果我們知道一個網站平均每小時收到 100 個請求，我們可以利用卜瓦松分佈來判斷某個小時收到 200 個請求是否異常。
> 如果這個機率非常小，那麼我們就可以認為這個事件是異常的。

### 相關術語
> - **機率分佈**：看完這個再讀它，會更容易把概念串起來
> - **異常偵測**：看完這個再讀它，會更容易把概念串起來
> - **中央極限定理**：看完這個再讀它，會更容易把概念串起來
> - **時間序列分析**：看完這個再讀它，會更容易把概念串起來

---

來源：https://aiterms.tw/terms/poisson-distribution
快查頁：https://aiterms.tw/terms/poisson-distribution
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-poisson-distribution