歡迎來到卜瓦松分佈（Poisson Distribution）的世界！
在你的 A Level 統計學旅程中，你應該已經接觸過二項分佈（Binomial distribution），它用於計算在固定次數試驗中的「成功」次數。但如果沒有固定的試驗次數呢？如果我們只是想計算某件事在特定時間或空間內發生的次數，該怎麼辦？
這就是卜瓦松分佈大顯身手的時候了！無論是一小時內出現的流星數量、書頁上的錯別字數量，還是午餐時間進入商店的顧客人數，卜瓦松分佈都是我們的首選工具。如果一開始覺得它有點抽象，別擔心，我們會一步步拆解給你聽。
1. 什麼樣的情況適用「卜瓦松」？（教學大綱 SB1）
要使用卜瓦松模型，我們所計算的事件必須遵循四條嚴格的規則。你可以用記憶口訣 "RISC" 來記住它們：
R – Randomly（隨機性）： 事件必須是隨機發生的。
I – Independently（獨立性）： 一個事件的發生不會增加或減少另一個事件發生的可能性。
S – Singly（單一性）： 事件不會在同一時間或地點同時發生。
C – Constant Rate（恆定速率）： 每段間隔內的平均事件數（\(\lambda\)）必須保持不變。
術語與符號
如果隨機變量 \(X\) 服從卜瓦松分佈，我們會將其寫為：
\(X \sim \text{Po}(\lambda)\)
符號 \(\lambda\)（希臘字母 "lambda"）代表平均值（在給定間隔內的平均發生次數）。
比喻： 想像雨點落在單塊地磚上。如果雨勢穩定（恆定速率），一滴雨點不會「指揮」另一滴雨點落在哪裡（獨立），而且雨點是一滴一滴落下的（單一），那麼該地磚上的雨點數量就服從卜瓦松分佈。重點總結： 在開始計算之前，請務必確認該情況是否符合隨機、獨立、單一且速率恆定的條件。
2. 計算機率（教學大綱 SB2）
要找出恰好發生 \(x\) 次事件的機率，我們使用以下公式：
\(P(X = x) = \frac{e^{-\lambda} \lambda^x}{x!}\)
其中：
\(e\) 是一個常數（約等於 2.718，可在計算機上找到）。
\(\lambda\) 是平均速率。
\(x\) 是你想要尋找的成功次數。
\(x!\) 是 "\(x\) 階乘"（例如 \(4! = 4 \times 3 \times 2 \times 1\)）。
使用計算機
在考試中，你大多會使用計算機的分佈函數：
1. Poisson PD： 用於計算「剛好」的題目（例如 \(P(X = 3)\)）。
2. Poisson CD： 用於計算「累積」的題目（例如 \(P(X \leq 3)\)）。
快速檢視：常見計算機錯誤
- 如果題目要求 \(P(X > 3)\)，計算機無法直接計算。你必須計算 \(1 - P(X \leq 3)\)。
- 如果題目要求 \(P(X \geq 3)\)，你必須計算 \(1 - P(X \leq 2)\)。
你知道嗎？ 卜瓦松分佈是以法國數學家 Siméon Denis Poisson 的名字命名的，但他本人其實並不是用它來計算事件發生次數——他當時是用它來為法律審判建模的！
3. 平均值與變異數（教學大綱 SB3）
卜瓦松分佈最迷人（且最有幫助！）的特點之一，就是它的性質非常簡單。對於 \(X \sim \text{Po}(\lambda)\)：
平均值 (Mean)： \(E(X) = \lambda\)
變異數 (Variance)： \(\text{Var}(X) = \lambda\)
沒錯，它們是相等的！這是卜瓦松分佈獨有的特徵。如果你手上的數據其平均值與變異數大致相等，這就是該情況適用卜瓦松模型的一個強烈訊號。
標準差 (Standard Deviation)： 由於變異數為 \(\lambda\)，因此標準差為 \(\sqrt{\lambda}\)。
重點總結： 如果 \(X \sim \text{Po}(5)\)，那麼平均值就是 5，變異數也是 5。很簡單吧！
4. 加總獨立的卜瓦松分佈（教學大綱 SB4）
有時候你有兩個不同的卜瓦松變量，想要求總和。只要它們是獨立的，你就可以直接把平均值加起來。
如果 \(X \sim \text{Po}(\lambda_1)\) 且 \(Y \sim \text{Po}(\lambda_2)\)，那麼：
\(X + Y \sim \text{Po}(\lambda_1 + \lambda_2)\)
別忘記： 這僅在事件相互獨立時有效。如果收到工作郵件會導致你收到個人郵件，你就不能使用這個規則！
5. 卜瓦松分佈的假設檢定（教學大綱 SB5）
我們使用假設檢定來觀察平均速率（\(\lambda\)）是否因為某次觀測而發生了改變。
逐步流程：
1. 設定假設：
\(H_0\)：\(\lambda = \text{舊速率}\)
\(H_1\)：\(\lambda > \text{舊速率}\)（或是 \(< \text{舊速率}\) 或 \(\neq \text{舊速率}\)）
2. 確定分佈：
假設 \(H_0\) 為真，即 \(X \sim \text{Po}(\lambda)\)。
3. 計算 P 值 (P-value)：
找出觀察值或更極端情況的發生機率。
- 若測試速率增加，計算 \(P(X \geq \text{觀察值})\)。
- 若測試速率減少，計算 \(P(X \leq \text{觀察值})\)。
4. 與顯著性水平 (\(\alpha\)) 比較：
- 若 P 值 \(\leq \alpha\)，拒絕 \(H_0\)。有顯著證據顯示速率已發生改變。
- 若 P 值 \(> \alpha\)，接受 \(H_0\)（或稱「未能拒絕」）。沒有足夠證據顯示速率發生了改變。
快速檢視：常見錯誤
學生常會計算 \(P(X = \text{觀察值})\) 而非累積機率。在假設檢定中，我們永遠要尋找該結果或更極端情況的機率。
重點總結盒
術語： \(X \sim \text{Po}(\lambda\)條件： 隨機、獨立、單一、速率恆定。
性質： \(\text{平均值} = \text{變異數} = \lambda\)。
公式： \(P(X=x) = \frac{e^{-\lambda} \lambda^x}{x!}\)
總和： 對於獨立變量，直接相加 \(\lambda\) 值。
檢定： 使用卜瓦松分佈求出「尾端」機率來檢定平均值。