欢迎来到泊松分布（Poisson Distribution）的世界！
在你的 A Level 统计学旅程中，你应该已经接触过二项分布（Binomial distribution），它用于计算在固定次数试验中的“成功”次数。但如果没有固定的试验次数呢？如果我们只是想计算某件事在特定时间或空间内发生的次数，该怎么办？
这就是泊松分布大显身手的时候了！无论是一小时内出现的流星数量、书页上的错别字数量，还是午餐时间进入商店的顾客人数，泊松分布都是我们的首选工具。如果一开始觉得它有点抽象，别担心，我们会一步步拆解给你听。
1. 什么样的情况适用“泊松”？（教学大纲 SB1）
要使用泊松模型，我们所计算的事件必须遵循四条严格的规则。你可以用记忆口诀 "RISC" 来记住它们：
R – Randomly（随机性）： 事件必须是随机发生的。
I – Independently（独立性）： 一个事件的发生不会增加或减少另一个事件发生的可能性。
S – Singly（单一性）： 事件不会在同一时间或地点同时发生。
C – Constant Rate（恒定速率）： 每段间隔内的平均事件数（\(\lambda\)）必须保持不变。
术语与符号
如果随机变量 \(X\) 服从泊松分布，我们会将其写为：
\(X \sim \text{Po}(\lambda)\)
符号 \(\lambda\)（希腊字母 "lambda"）代表平均值（在给定间隔内的平均发生次数）。
比喻： 想象雨点落在单块地砖上。如果雨势稳定（恒定速率），一滴雨点不会“指挥”另一滴雨点落在哪里（独立），而且雨点是一滴一滴落下的（单一），那么该地砖上的雨点数量就服从泊松分布。重点总结： 在开始计算之前，请务必确认该情况是否符合随机、独立、单一且速率恒定的条件。
2. 计算概率（教学大纲 SB2）
要找出恰好发生 \(x\) 次事件的概率，我们使用以下公式：
\(P(X = x) = \frac{e^{-\lambda} \lambda^x}{x!}\)
其中：
\(e\) 是一个常数（约等于 2.718，可在计算器上找到）。
\(\lambda\) 是平均速率。
\(x\) 是你想要寻找的成功次数。
\(x!\) 是 "\(x\) 阶乘"（例如 \(4! = 4 \times 3 \times 2 \times 1\)）。
使用计算器
在考试中，你大多会使用计算器的分布函数：
1. Poisson PD： 用于计算“刚好”的题目（例如 \(P(X = 3)\)）。
2. Poisson CD： 用于计算“累积”的题目（例如 \(P(X \leq 3)\)）。
快速检视：常见计算器错误
- 如果题目要求 \(P(X > 3)\)，计算器无法直接计算。你必须计算 \(1 - P(X \leq 3)\)。
- 如果题目要求 \(P(X \geq 3)\)，你必须计算 \(1 - P(X \leq 2)\)。
你知道吗？ 泊松分布是以法国数学家 Siméon Denis Poisson 的名字命名的，但他本人其实并不是用它来计算事件发生次数——他当时是用它来为法律审判建模的！
3. 平均值与方差（教学大纲 SB3）
泊松分布最迷人（且最有帮助！）的特点之一，就是它的性质非常简单。对于 \(X \sim \text{Po}(\lambda)\)：
平均值 (Mean)： \(E(X) = \lambda\)
方差 (Variance)： \(\text{Var}(X) = \lambda\)
没错，它们是相等的！这是泊松分布独有的特征。如果你手上的数据其平均值与方差大致相等，这就是该情况适用泊松模型的一个强烈讯号。
标准差 (Standard Deviation)： 由于方差为 \(\lambda\)，因此标准差为 \(\sqrt{\lambda}\)。
重点总结： 如果 \(X \sim \text{Po}(5)\)，那么平均值就是 5，方差也是 5。很简单吧！
4. 加总独立的泊松分布（教学大纲 SB4）
有时候你有两个不同的泊松变量，想要求总和。只要它们是独立的，你就可以直接把平均值加起来。
如果 \(X \sim \text{Po}(\lambda_1)\) 且 \(Y \sim \text{Po}(\lambda_2)\)，那么：
\(X + Y \sim \text{Po}(\lambda_1 + \lambda_2)\)
别忘记： 这仅在事件相互独立时有效。如果收到工作邮件会导致你收到个人邮件，你就不能使用这个规则！
5. 泊松分布的假设检验（教学大纲 SB5）
我们使用假设检验来观察平均速率（\(\lambda\)）是否因为某次观测而发生了改变。
逐步流程：
1. 设定假设：
\(H_0\)：\(\lambda = \text{旧速率}\)
\(H_1\)：\(\lambda > \text{旧速率}\)（或是 \(< \text{旧速率}\) 或 \(\neq \text{旧速率}\)）
2. 确定分布：
假设 \(H_0\) 为真，即 \(X \sim \text{Po}(\lambda)\)。
3. 计算 P 值 (P-value)：
找出观测值或更极端情况的发生概率。
- 若测试速率增加，计算 \(P(X \geq \text{观测值})\)。
- 若测试速率减少，计算 \(P(X \leq \text{观测值})\)。
4. 与显著性水平 (\(\alpha\)) 比较：
- 若 P 值 \(\leq \alpha\)，拒绝 \(H_0\)。有显著证据显示速率已发生改变。
- 若 P 值 \(> \alpha\)，接受 \(H_0\)（或称“未能拒绝”）。没有足够证据显示速率发生了改变。
快速检视：常见错误
学生常会计算 \(P(X = \text{观测值})\) 而非累积概率。在假设检验中，我们永远要寻找该结果或更极端情况的概率。
重点总结盒
术语： \(X \sim \text{Po}(\lambda)\)条件： 随机、独立、单一、速率恒定。
性质： \(\text{平均值} = \text{方差} = \lambda\)。
公式： \(P(X=x) = \frac{e^{-\lambda} \lambda^x}{x!}\)
总和： 对于独立变量，直接相加 \(\lambda\) 值。
检验： 使用泊松分布求出“尾端”概率来检验平均值。