歡迎來到單元 S2：二項分佈與卜瓦松分佈！
你好，未來的統計學家！這一章節非常重要，因為它不僅僅是描述數據，更讓我們能夠建立模型並預測現實生活中事件發生的機率。如果之前覺得機率的概念很抽象，別擔心——我們將會把這兩個關鍵分佈（二項分佈和卜瓦松分佈）拆解成簡單易懂的步驟。學完這一章，你將能夠判斷該使用哪種模型，並學會如何計算計數結果的精確機率！
讓我們開始吧！
第 1 節：離散隨機變數快速複習
在進入具體的模型之前，請記住二項分佈和卜瓦松分佈處理的都是離散隨機變數 (Discrete Random Variables)，\(X\)。
- 離散隨機變數是指其可能取值是可數的（通常為整數）變數。
- 它代表的是計數結果，而非測量值（例如身高或體重）。
- 例子：擲 10 次硬幣時出現正面的次數、一小時內收到的郵件數量。
第 2 節：二項分佈 \(B(n, p)\)
當我們有固定次數的獨立試驗，且每次試驗只有兩種可能的結果時，二項分佈能幫助我們計算機率。
4.1. 二項分佈的條件 (BINS)
隨機變數 \(X\) 必須滿足四個嚴格條件才能使用二項分佈進行建模。請使用助記詞 BINS 來記憶：
- Binary outcomes（二元結果）：每次試驗必須產生「成功」或「失敗」。
- Independent trials（獨立試驗）：一次試驗的結果不會影響其他任何試驗的結果。
- Number of trials is fixed（試驗次數固定）：我們必須預先知道試驗次數 \(n\)。
- Same probability（機率相同）：每次試驗的成功機率 \(p\) 必須保持不變。
類比：想像你在投籃。\(n\) 是你投籃的次數（固定）。\(p\) 是你的成功率（不變）。每一次投籃都是獨立的，結果不是「成功」（進球）就是「失敗」（沒進）。
4.2. 符號與公式
若 \(X\) 服從二項分佈，記作：
\(X \sim B(n, p)\)
其中：
- \(n\) 為試驗次數。
- \(p\) 為單次試驗的成功機率。
在 \(n\) 次試驗中恰好獲得 \(x\) 次成功的機率公式為：
\[ P(X=x) = \binom{n}{x} p^x (1-p)^{n-x} \]
其中：
- \(\binom{n}{x}\)（讀作「n 選 x」）是 \(n\) 次試驗中排列 \(x\) 次成功的方法數。
- \(1-p\) 通常記作 \(q\)，即失敗的機率。
機率計算步驟範例
例子：一枚有偏差的硬幣，出現正面的機率為 0.6。如果投擲 5 次，獲得恰好 3 次正面的機率是多少？
此處 \(n=5\)，\(p=0.6\)，且我們希望 \(x=3\)。因此 \((1-p) = 0.4\)。
- 計算排列方式數：\(\binom{5}{3} = 10\)。
- 計算 3 次成功的機率：\((0.6)^3 = 0.216\)。
- 計算 2 次失敗的機率：\((0.4)^{5-3} = (0.4)^2 = 0.16\)。
- 相乘得到結果：\(P(X=3) = 10 \times 0.216 \times 0.16 = 0.3456\)。
4.3. 平均值、變異數與標準差
對於二項分佈，計算期望成功次數 \(E(X)\) 和變異數 \(Var(X)\) 非常直接。你不需要使用離散變數的通用公式。
平均值（期望值）：
\[ E(X) = np \]
變異數：
\[ Var(X) = np(1-p) \]
標準差：
\[ SD(X) = \sqrt{np(1-p)} \]
記憶小撇步：期望值就是直覺想到的：總試驗次數乘以成功機率。變異數則是該期望值再乘以失敗機率 (\(1-p\))。
二項分佈快速複習：
- 條件： BINS（二元結果、獨立、固定 \(N\)、相同 \(P\)）。
- 符號： \(X \sim B(n, p)\)。
- 關鍵公式： \(E(X) = np\) 以及 \(Var(X) = np(1-p)\)。
第 3 節：卜瓦松分佈 \(Po(\lambda)\)
卜瓦松分佈用於為固定時間或空間區間內事件發生的次數建模。與二項分佈不同，它沒有固定的上限 (\(n\))。
5.1. 卜瓦松分佈的條件
隨機變數 \(X\) 必須滿足以下條件：
- 事件單獨發生（一次發生一個，而非同時發生）。
- 事件以固定的平均速率發生。
- 事件之間以及與距離上次事件的時間是獨立的。
- 事件在時間或空間上是隨機發生的。
類比：想像計算上午 9 點到 10 點之間服務台接到的電話數量。你知道平均速率（\(\lambda\)，假設為每小時 5 通），但總通話數可能是 0、5、10 甚至 100！
5.2. 符號與公式
若 \(X\) 服從卜瓦松分佈，記作：
\(X \sim Po(\lambda)\)
其中 \(\lambda\) (lambda) 為平均發生速率（給定區間內的平均事件數）。
發生恰好 \(x\) 次的機率公式為：
\[ P(X=x) = \frac{e^{-\lambda} \lambda^x}{x!} \]
其中：
- \(e\) 是自然對數的底數 (\(e \approx 2.71828\))。
- \(x!\) 是 \(x\) 的階乘 (\(x \times (x-1) \times \dots \times 1\))。
5.3. 調整 \(\lambda\)（最常見的錯誤！）
注意！ \(\lambda\) 是與題目指定的區間掛鉤的。如果時間或空間區間發生變化，你必須調整 \(\lambda\)。
例子：如果平均每小時收到的簡訊數是 \(\lambda = 6\)，那麼：
- 若區間為 30 分鐘（半小時），新速率 \(\lambda_{new} = 6 \times 0.5 = 3\)。
- 若區間為 2 小時，新速率 \(\lambda_{new} = 6 \times 2 = 12\)。
請務必檢查 \(\lambda\) 的時間區間是否與計算機率所需的區間相符。
5.4. 平均值與變異數
卜瓦松分佈最顯著的特徵之一就是其平均值與變異數之間的關係。
平均值（期望值）：
\[ E(X) = \lambda \]
變異數：
\[ Var(X) = \lambda \]
你知道嗎？因為 \(E(X) = Var(X) = \lambda\)，所以在測試數據是否符合卜瓦松模型時，首要檢查之一就是樣本平均值是否約等於樣本變異數。
卜瓦松分佈快速複習：
- 條件： 事件獨立、隨機、單獨發生，且速率恆定。
- 符號： \(X \sim Po(\lambda)\)。
- 關鍵公式： \(E(X) = \lambda\) 以及 \(Var(X) = \lambda\)。
- 關鍵步驟： 若時間/空間區間改變，必須調整 \(\lambda\)。
第 4 節：卜瓦松近似二項分佈
有時我們會遇到二項分佈的情況，但數字非常大，以至於使用二項分佈公式計算機率變得極其困難或費時（特別是計算 \(\binom{n}{x}\) 時）。
幸運的是，在特定條件下，卜瓦松分佈可以為二項分佈提供一個極佳且簡單的近似。
6.1. 何時使用近似
當滿足以下兩個條件時，我們可以用卜瓦松分佈 \(Po(\lambda)\) 來近似二項分佈 \(B(n, p)\)：
- \(n\) 很大（試驗次數很多，通常 \(n > 50\)）。
- \(p\) 很小（成功機率很低，通常 \(p < 0.1\)）。
試著這樣想：你有數百萬張彩券（\(n\) 很大），但中獎機率極低（\(p\) 很小）。這種情況符合卜瓦松模型中隨機且罕見的模式。
6.2. 近似規則
如果滿足條件，我們將二項分佈的平均值設定為與卜瓦松分佈的平均值相等：
\[ 設定 \lambda = np \]
因此，近似關係為：
\[ B(n, p) \approx Po(np) \]
接著使用 \(\lambda = np\) 的卜瓦松公式（或查表）來計算機率。
近似範例
某工廠生產的產品瑕疵率為 0.005。若檢查一批 1000 個產品，求恰好有 4 個瑕疵品的機率。
- 檢查條件： \(n=1000\)（大），\(p=0.005\)（小）。近似條件有效。
- 計算 \(\lambda\)： \(\lambda = np = 1000 \times 0.005 = 5\)。
- 說明近似： \(X \sim Po(5)\)。
- 計算 \(P(X=4)\)： 使用 \(\lambda=5\) 和 \(x=4\) 的卜瓦松公式：
\[ P(X=4) = \frac{e^{-5} 5^4}{4!} \]
這比計算 \(\binom{1000}{4} (0.005)^4 (0.995)^{996} \) 要簡單多了。
6.3. 常見陷阱與建議
使用累積分佈表時要小心！
在兩種分佈中，統計表通常給出累計機率 \(P(X \le x)\)。記住這些規則：
- \(P(X=x) = P(X \le x) - P(X \le x-1)\)
- \(P(X > x) = 1 - P(X \le x)\)
- \(P(X \ge x) = 1 - P(X \le x-1)\)
別擔心，一開始覺得棘手是很正常的——多練習細心分辨 \(n\)、\(p\) 和 \(\lambda\)。如果題目涉及在大樣本或長時間內計算罕見事件，請考慮卜瓦松！如果涉及固定次數的試驗且結果只有成功/失敗，請考慮二項分佈！