歡迎來到卜瓦松分佈（Poisson Distribution）的世界！
在本章中，我們要學習如何預測「不可預測」的事物。你有沒有想過，客戶服務中心是如何決定週二下午需要安排多少員工，或者醫院是如何預估急診室將會有多少病人到診的嗎？答案就是使用卜瓦松分佈！
我們使用這個分佈來模擬在一個固定時段或空間區間內，某個事件發生的次數。如果現在覺得這些概念有點抽象，不用擔心——我們會循序漸進地為你拆解！
1. 什麼情況適合使用卜瓦松分佈？
在運用數學工具之前，我們必須先了解何時適合使用這個模型。若要一個情境符合卜瓦松分佈，該事件必須符合以下條件：
- 獨立性 (Independently)：一個事件的發生不會影響另一個事件發生的機率。（如果一個人走進商店，這並不代表會「導致」另一個人隨即走進來）。
- 隨機性 (Randomly)：事件可以在任何時間發生。
- 單一性 (Singly)：兩個事件不可能在同一瞬間同時發生。
- 恆定的平均速率 (At a Constant Average Rate)：事件發生的平均次數（我們稱之為 \(\lambda\)，即 "lambda"）在整個區間內保持不變。
小比喻：想像雨滴落在一塊特定的方形地磚上，過程就像是細雨綿綿。雨滴落下的過程是隨機的、獨立的，而且它們通常不會在同一時間精確地落在同一個點上。每分鐘的平均雨滴數量保持恆定。
重點總結：
記憶口訣：記住 CRIS：Constant rate（恆定速率）、Random（隨機）、Independent（獨立）、Singly（單一發生）。如果這四個條件都滿足，你就可以使用卜瓦松變數了！
2. 卜瓦松公式
卜瓦松分佈的寫法為：
\(X \sim Po(\lambda)\)
這裡的 \(X\) 是我們的隨機變數（成功的次數），而 \(\lambda\) (lambda) 是在指定區間內發生的平均次數。
要找出精確發生 \(r\) 次成功的機率，我們使用以下公式：
\(P(X = r) = \frac{e^{-\lambda} \lambda^r}{r!}\)
符號拆解：
- \(e\)：一個數學常數，約等於 2.718（你的計算機上會有一個專屬按鍵！）。
- \(\lambda\)：事件發生的平均次數。
- \(r\)：你感興趣的事件發生次數（例如：「有 3 輛車經過的機率是多少？」）。
- \(r!\)：「r 的階乘」（例如：\(3! = 3 \times 2 \times 1\)）。
步驟範例：
假設學生每小時平均收到 4 封電子郵件。請找出下一個小時內該學生正好收到 2 封郵件的機率。
1. 確認 \(\lambda\)：這裡 \(\lambda = 4\)。
2. 確認 \(r\)：我們想要 \(r = 2\)。
3. 代入公式：\(P(X=2) = \frac{e^{-4} \times 4^2}{2!}\)。
4. 計算：\(P(X=2) = \frac{0.0183 \times 16}{2} = 0.1465\)（取小數點後四位）。
快速檢查：
一定要檢查你的時間區間！如果平均值是每小時 4 次，但題目詢問的是兩小時內的機率，你必須將 \(\lambda\) 加倍變為 8。
3. 平均值與變異數：同卵雙胞胎
卜瓦松分佈最酷（也是最簡單！）的特點之一，就是它的平均值與變異數。
對於卜瓦松分佈 \(X \sim Po(\lambda)\)：
平均值 \(E(X) = \lambda\)
變異數 \(Var(X) = \lambda\)
你知道嗎？如果題目告訴你一組數據的平均值與變異數大致相等，這是一個非常強烈的暗示，表示該數據符合卜瓦松分佈！
4. 加總獨立的卜瓦松變數
有時候我們會同時遇到兩個不同的卜瓦松事件。如果 \(X\) 和 \(Y\) 是獨立的卜瓦松變數：
若 \(X \sim Po(\lambda_a)\) 且 \(Y \sim Po(\lambda_b)\)，
則 \(X + Y \sim Po(\lambda_a + \lambda_b)\)。
範例：如果一家麵包店平均每小時賣出 3 個白麵包和 2 個黑麵包，則賣出麵包的總數遵循 \(Po(3 + 2) = Po(5)\)。
5. 二項分佈的近似
有時候，二項分佈 (Binomial distribution)（即有固定次數 \(n\) 的試驗）的數值太大，使用卜瓦松來處理會更容易。當符合以下情況時，我們可以這樣做：
- \(n\) 很大（通常 \(n > 50\)）。
- \(p\) 很小（機率很低，通常 \(np < 5\)）。
此時，我們使用 \(\lambda = np\)。
為什麼要這樣做？計算 \(^{100}C_{5} \times (0.01)^5 \times (0.99)^{95}\) 比使用卜瓦松公式困難得多。這是一個數學捷徑！
常見錯誤避雷針：
如果 \(p\) 很大（接近 0.5），請不要使用卜瓦松近似。這時候我們應該改用常態分佈 (Normal distribution)！
6. 使用常態分佈近似卜瓦松分佈
等等，我們也能把卜瓦松轉為常態分佈嗎？沒錯！如果 \(\lambda\) 很大（通常 \(\lambda > 15\)），卜瓦松分佈的圖表看起來就會像對稱的鐘形曲線。
這種情況下，我們使用：
\(X \sim N(\lambda, \lambda)\)
（其中平均值為 \(\lambda\)，變異數也是 \(\lambda\)）。
重要：連續性修正 (Continuity Correction)！
因為卜瓦松是離散的（你不可能收到 4.5 封郵件），而常態分佈是連續的（你可以有 4.5 公分），所以兩者轉換時，必須調整數值 0.5。
範例：若要使用常態近似法求 \(P(X > 20)\)，你實際上要計算的是 \(P(X > 20.5)\)。
重點總結：
檢查你的 \(\lambda\)：
- 如果 \(\lambda\) 很小：使用標準卜瓦松公式。
- 如果 \(\lambda\) 很大 (\(> 15\))：使用常態近似法，並記得加上連續性修正。
總結檢查清單
在參加考試前，確保你能做到以下事項：
- 列出卜瓦松分佈的 4 個條件 (CRIS)。
- 使用 \(e^{-\lambda}\) 公式計算機率。
- 針對不同時間區間調整 \(\lambda\)。
- 辨識何時該用卜瓦松來近似二項分佈。
- 當 \(\lambda\) 很大時，使用常態分佈來近似卜瓦松（記得 0.5 的修正！）。
你一定沒問題的！卜瓦松分佈裡的希臘字母看起來可能有點嚇人，但它不過是一種計算隨機事件的方法。繼續練習歷屆試題吧！