你好！欢迎来到“二项分布与泊松分布”的学习之旅

欢迎来到 S2 单元！这一章非常重要，因为它带我们从基础概率论迈向了功能强大的离散概率分布领域。如果觉得听起来有点深奥，请别担心；我们其实是在学习一些专门的工具（公式和统计表），用它们来预测现实生活中某些事件发生的可能性——比如一名足球运动员射入点球的次数，或者你在一小时内收到的邮件数量。

我们将重点研究两个关键模型：二项分布 (Binomial Distribution) 和 泊松分布 (Poisson Distribution)。掌握它们，你就能从根本上理解统计学是如何模拟随机性的！

第一部分：二项分布（计数成功次数）

什么是二项分布？

想象一下，你正在重复同一个动作，每次的结果只有两种可能：成功或失败。如果你有固定次数的尝试机会，二项分布就能帮你算出获得特定成功次数的概率。

我们在数学上将其记为：\(X \sim B(n, p)\)。
其中，\(X\) 是随机变量（我们要统计的成功次数）。
\(n\) 是总尝试次数（固定值）。
\(p\) 是单次试验中成功的概率（必须保持不变）。

二项分布的四个关键条件（BINS 检查法）

一个随机变量 \(X\) 只有在满足以下所有四项条件时，才能用二项分布来建模。请记住助记词 BINS：

  1. Binary outcomes（二元结果）：每次试验必须只有两种结果（成功或失败）。
  2. Independent trials（独立试验）：一次试验的结果不能影响任何其他试验的结果。
  3. Number of trials is fixed（试验次数固定）：在实验开始前，\(n\) 的值必须是确定的。
  4. Same probability（概率相同）：每次试验成功的概率 (\(p\)) 必须保持恒定。

例子：掷硬币 10 次并记录正面朝上的次数。\(n=10\)，\(p=0.5\)。这完全符合 BINS 条件！

计算二项概率：公式

在 \(n\) 次试验中恰好获得 \(x\) 次成功的概率由以下公式给出：

\(P(X=x) = \binom{n}{x} p^x (1-p)^{n-x}\)

其中：

  • \(\binom{n}{x}\)（常写作 \({}^n C_x\)）的意思是“从 n 中选 x”。这计算了在 \(n\) 次试验中出现 \(x\) 次成功的所有不同组合方式。
  • \(p^x\) 是获得 \(x\) 次成功的概率。
  • \((1-p)^{n-x}\) 是剩余 \((n-x)\) 次失败的概率。

给同学的小贴士：理解 \(\binom{n}{x}\)

想象你掷了 3 次硬币 (\(n=3\))，你想要恰好 2 次正面 (\(x=2\))。 可能的情况有：正正反 (HHT)、正反正 (HTH)、反正正 (THH)。总共有 3 种方式。
公式 \(\binom{3}{2}\) 正是用来计算这个组合数量的（结果为 3）。

使用二项分布表（累积概率）

在 Edexcel 考试中，你通常需要使用统计表，表中列出的是累积概率 (Cumulative Probabilities)：

\(P(X \le x) = \text{获得 } x \text{ 次或少于 } x \text{ 次成功的概率。}\n

\n

\n 在使用统计表处理不等式时，必须格外小心：\n

\n
    \n
  • \(P(X < 5)\) 等同于 \(P(X \le 4)\)。（查表时找 4 对应的值）。
  • \(P(X \ge 3)\) 必须计算为：\(1 - P(X \le 2)\)。
  • \(P(3 \le X \le 7)\) 必须计算为：\(P(X \le 7) - P(X \le 2)\)。（减去起始值之前的累积概率）。

二项分布的参数（均值与方差）

虽然你可以用标准的离散随机变量公式计算均值（期望值）和方差，但二项分布有更简单的快捷方式：

期望值（均值）：
\(E(X) = \mu = np\)

方差：
\(Var(X) = \sigma^2 = np(1-p)\)

例子：如果 20% 的包裹会被延误 (\(p=0.2\))，而你寄出了 50 个包裹 (\(n=50\))。
预计延误的包裹数量：\(E(X) = 50 \times 0.2 = 10\)。

二项分布的核心要点：

二项分布模拟的是具有两种结果的固定次数独立试验。牢记 BINS 条件，并在使用累积分布表时保持精确！

第二部分：泊松分布（时间或空间内的事件）

什么是泊松分布？

泊松分布用于模拟在固定时间段或空间区域内随机且独立发生的事件数量。

例子包括：一页纸上的错别字数量、每小时到达结账队列的顾客数量，或每月特定路口的事故数量。

我们在数学上将其记为：\(X \sim Po(\lambda)\)。
其中，\(X\) 是随机变量（我们要统计的事件数量）。
\(\lambda\) (Lambda) 是给定区间内的平均发生率，即事件发生的均值。

泊松分布的条件

要使 \(X\) 能用泊松分布建模，必须满足以下假设：

  • 事件逐个发生（一次发生一个，而不是成群发生）。
  • 事件随机且相互独立。
  • 事件在区间内以恒定速率（均匀速率）发生。

你知道吗？ 泊松分布是以法国数学家西莫恩·德尼·泊松 (Siméon Denis Poisson, 1781–1840) 的名字命名的。

泊松速率 (\(\lambda\))：缩放是关键！

\(\lambda\) 的值必须与你关注的区间相匹配。如果你改变了时间跨度，就必须相应地调整 \(\lambda\)！

例子：如果一家店每小时平均有 4 位顾客，那么对于 1 小时的区间，\(\lambda = 4\)。

  • 对于 2 小时的区间，平均速率会翻倍：\(\lambda = 4 \times 2 = 8\)。
  • 对于 30 分钟的区间（半小时）：\(\lambda = 4 \times 0.5 = 2\)。
常见错误： 在时间或空间区间发生变化时，忘记缩放 \(\lambda\)！

计算泊松概率：公式

当平均速率为 \(\lambda\) 时，恰好发生 \(x\) 次事件的概率为：

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

其中：

  • \(e\) 是欧拉数（约等于 2.718...）。
  • \(x!\) 是 \(x\) 的阶乘（\(x \times (x-1) \times ... \times 1\)）。

泊松分布的参数（美妙的相等关系）

泊松分布有一个非常简洁的特征，简化了计算：它的均值（期望值）始终等于它的方差。

期望值（均值）：
\(E(X) = \lambda\)

方差：
\(Var(X) = \lambda\)

这种相等关系 (\(E(X) = Var(X)\)) 是判断现实数据集是否可以用泊松分布准确建模的关键特征。

使用泊松分布表

与二项分布一样，泊松分布表提供的也是累积概率 \(P(X \le x)\)。这里同样适用不等式处理规则：

  • 要计算 \(P(X > 5)\)，请计算 \(1 - P(X \le 5)\)。
  • 要计算 \(P(X = 4)\)，请计算 \(P(X \le 4) - P(X \le 3)\)。
泊松分布的核心要点：

泊松分布模拟在一定区间内随机发生的事件。核心参数是平均速率 \(\lambda\)。记得在区间改变时调整 \(\lambda\)，并记住：均值 = 方差 = \(\lambda\)。

第三部分：连接两种分布

泊松近似二项分布

在统计学早期（计算机普及之前），当 \(n\) 非常大时，计算二项概率极其困难。数学家发现，在特定条件下，泊松分布可以作为二项分布的一种极其出色且简单的近似。

什么时候可以使用近似？

我们仅在满足以下两个条件时，才可以使用 \(Po(\lambda)\) 来近似 \(B(n, p)\)：

  1. \(n\) 很大： 通常 \(n > 50\)。
  2. \(p\) 很小： 通常 \(p < 0.1\)。

可以将此想象为在多次尝试（大 \(n\)）中模拟罕见事件（小 \(p\)）。例如，患某种罕见疾病的概率，其中总人口 (\(n\)) 巨大，但患病几率 (\(p\)) 极小。

转换规则

如果满足条件，我们用 \(Po(\lambda)\) 来近似 \(B(n, p)\)，其中：

\(\lambda = np\)

我们直接将二项分布的期望值作为泊松分布的平均速率。

近似法的逐步示例

某公司生产灯泡，灯泡次品率为 0.005。如果一批产品包含 1000 个灯泡，估算恰好有 3 个次品的概率。

第一步：检查二项分布参数。
\(n = 1000\)（很大）
\(p = 0.005\)（很小）
结论：可以使用近似。

第二步：计算 \(\lambda\)。
\(\lambda = np = 1000 \times 0.005 = 5\)

第三步：定义泊松近似模型。
\(X \sim Po(5)\)

第四步：使用泊松分布计算目标概率。
我们要计算 \(P(X=3)\)。使用泊松公式或查 \(\lambda=5\) 的表，取 \(x=3\)。
\(P(X=3) = P(X \le 3) - P(X \le 2)\)（查表法）

为什么这样有效？（简介）

当 \(n\) 极大且 \(p\) 极小时，两个事件同时发生的概率可以忽略不计，试验本质上变成了持续发生的独立罕见事件——这正是泊松分布所要求的条件！

快速回顾：关键参数

二项分布 (B(n, p))：
\(E(X) = np\)
\(Var(X) = np(1-p)\)

泊松分布 (Po(\(\lambda\)))：
\(E(X) = \lambda\)
\(Var(X) = \lambda\)

近似： 要求 \(n\) 大且 \(p\) 小。使用 \(\lambda = np\)。

你已经出色地完成了这一部分的学习！通过理解二项分布和泊松分布的条件与参数，你已经完全有能力解决统计学 2 中的复杂概率问题了。继续多加练习查表技巧吧——那可是最容易出错的地方！