欢迎来到泊松分布 (Poisson Distribution)！
你好！今天我们将深入探讨统计学中最实用的工具之一：泊松分布。虽然这个名字听起来有点洋气（它在法文中解作“鱼”，读音为 "pwa-son"），但它其实是一个非常友好且直接的计数工具。
在本章中，我们将学习如何预测在固定的时间或空间内，某个事件发生的次数。想象一下这类情况：你在一小时内收到多少封邮件，或者一块饼干里有多少粒巧克力豆。如果刚开始觉得有点复杂，不用担心；我们会把它拆解成小部分逐一击破！
1. 我们何时可以使用泊松分布？(SB1)
泊松分布用于模拟随机事件在固定区间（时间或空间）内发生的次数。然而，只有当事件满足四个特定条件时，我们才能使用它。你可以用缩写 "CRIS" 来记住这些条件：
C – Constant Rate (固定平均率)： 事件必须以固定的平均率发生（我们称之为 \(\lambda\)，即希腊字母 "lambda"）。
R – Random (随机)： 事件随机发生，无法单独预测。
I – Independent (独立)： 一个事件的发生不会令另一个事件发生的可能性增加或减少。
S – Singly (单次发生)： 事件每次只发生一次，从不同时发生（没有“同时发生”的情况）。
符号表示法
当我们想表达“随机变量 \(X\) 服从平均值为 \(\lambda\) 的泊松分布”时，我们会这样写：
\(X \sim \text{Po}(\lambda)\)
快速例子
想象一条安静的乡村道路，平均每小时有 3 辆车经过。如果车辆到达是独立且以固定平均率发生的，我们就可以说 \(X \sim \text{Po}(3)\)。
快速温习： 要使用泊松分布，事件必须是独立的 (Independent)、以固定平均率发生 (Constant rate)、单次发生 (Singly) 以及随机的 (Random) —— 即 CRIS。
2. 泊松公式 (SB2)
如果我们知道平均率 (\(\lambda\))，我们可以使用以下公式计算特定次数 (\(x\)) 发生的精确概率：
\[P(X = x) = \frac{e^{-\lambda} \lambda^x}{x!}\]
这些符号代表什么？
- \(e\)：这是一个常数（约等于 2.718）。你的计算器有一个专门的按键！
- \(\lambda\)：给定区间内的平均事件次数。
- \(x\)：我们想要计算概率的目标成功次数（0, 1, 2...）。
- \(x!\)：\(x\) 的阶乘（例如 \(4! = 4 \times 3 \times 2 \times 1\)）。
使用计算器
大多数现代科学计算器和图形计算器都有 Poisson PD (概率密度) 和 Poisson CD (累积概率分布) 功能。在考试中，使用这些功能通常比使用公式快得多！
你知道吗？ 泊松分布最初是被用来模拟普鲁士军队中，因马匹踢伤而意外死亡的士兵人数！
重点总结： 若要计算精确的“等于”某个值的概率，请使用公式；若要节省考试时间，请使用计算器内的泊松功能。
3. 平均值、方差与标准差 (SB3)
这里有一个好消息：在处理平均值和离散度时，泊松分布是最容易操作的分布之一！
对于任何泊松分布 \(X \sim \text{Po}(\lambda)\)：
平均值 (Mean) \(E(X) = \lambda\)
方差 (Variance) \(\text{Var}(X) = \lambda\)
由于方差是 \(\lambda\)，因此标准差 (Standard Deviation) 仅仅是 \(\sqrt{\lambda}\)。
为什么这很重要？
在考试中，如果题目说这是一个泊松分布且平均值为 5，你就自动知道方差也是 5。如果题目给你数据中平均值和方差相差很大，这就是一个提示，暗示该分布可能不是一个好的泊松模型！
常见错误： 学生经常忘记将方差开根号来求标准差。记住：\(\text{SD} = \sqrt{\text{Variance}}\)。
4. 将独立的泊松分布相加 (SB4)
如果你同时观察两件不同的事情会怎样？例如，你收到的邮件数量 (\(X\)) 和收到的短信数量 (\(Y\))？
如果 \(X\) 和 \(Y\) 是独立的泊松变量：
如果 \(X \sim \text{Po}(\lambda)\) 且 \(Y \sim \text{Po}(\mu)\)，那么：
\(X + Y \sim \text{Po}(\lambda + \mu)\)
简单来说：你只需要把平均值加起来！
现实例子
如果你平均每小时收到 2 封邮件和 3 条短信，那么你每小时收到的总通知数就服从平均值为 \(2 + 3 = 5\) 的泊松分布。
重点总结： 若要组合独立的泊松事件，只需将它们的平均率（\(\lambda\) 值）相加即可。
5. 泊松分布的假设检验 (SB5)
有时我们想知道平均率 (\(\lambda\)) 是否改变了。例如，新的道路安全宣传活动是否真的减少了事故数量？
假设检验步骤：
1. 列出假设 (Hypotheses)：
\(H_0: \lambda = \text{旧平均率}\)（没有改变）
\(H_1: \lambda <, > \text{ 或 } \neq \text{旧平均率}\)（平均率已改变）
2. 假设 \(H_0\) 为真： 确定分布 \(X \sim \text{Po}(\lambda)\)。
3. 计算概率： 计算观测值或更极端情况发生的概率。
• 若测试减少：\(P(X \le \text{观测值})\)
• 若测试增加：\(P(X \ge \text{观测值})\)
4. 与显著性水平比较： 如果你的概率小于显著性水平（例如 0.05），则结果为显著 (significant)。
5. 写出结论： “有足够的证据显示 [情境] 的平均率已经改变。”
“大于”测试的重要提示
当使用计算器或表格计算 \(P(X \ge k)\) 时，请记住：
\(P(X \ge k) = 1 - P(X \le k - 1)\)。
例如：发生 5 次或以上的概率等于 1 减去发生 4 次或以下的概率。
快速温习： 假设检验旨在检查观测结果是否“怪异到”足以暗示平均率确实已经改变。在最后的答案中，务必加入题目背景的相关内容！