欢迎来到泊松分布（Poisson Distribution）的世界！
在本章中，我们要学习如何预测“不可预测”的事物。你有没有想过，客户服务中心是如何决定周二下午需要安排多少员工，或者医院是如何预估急诊室将会有多少病人到诊的吗？答案就是使用泊松分布！
我们使用这个分布来模拟在一个固定时段或空间区间内，某个事件发生的次数。如果现在觉得这些概念有点抽象，不用担心——我们会循序渐进地为你拆解！
1. 什么情况适合使用泊松分布？
在运用数学工具之前，我们必须先了解何时适合使用这个模型。若要一个情境符合泊松分布，该事件必须符合以下条件：
- 独立性 (Independently)：一个事件的发生不会影响另一个事件发生的概率。（如果一个人走进商店，这并不代表会“导致”另一个人随即走进来）。
- 随机性 (Randomly)：事件可以在任何时间发生。
- 单一性 (Singly)：两个事件不可能在同一瞬间同时发生。
- 恒定的平均速率 (At a Constant Average Rate)：事件发生的平均次数（我们称之为 \(\lambda\)，即 "lambda"）在整个区间内保持不变。
小比喻：想象雨滴落在一块特定的方形地砖上，过程就像是细雨绵绵。雨滴落下的过程是随机的、独立的，而且它们通常不会在同一时间精确地落在同一个点上。每分钟的平均雨滴数量保持恒定。
重点总结：
记忆口诀：记住 CRIS：Constant rate（恒定速率）、Random（随机）、Independent（独立）、Singly（单一发生）。如果这四个条件都满足，你就可以使用泊松变量了！
2. 泊松公式
泊松分布的写法为：
\(X \sim Po(\lambda)\)
这里的 \(X\) 是我们的随机变量（成功的次数），而 \(\lambda\) (lambda) 是在指定区间内发生的平均次数。
要找出精确发生 \(r\) 次成功的概率，我们使用以下公式：
\(P(X = r) = \frac{e^{-\lambda} \lambda^r}{r!}\)
符号拆解：
- \(e\)：一个数学常数，约等于 2.718（你的计算器上会有一个专属按键！）。
- \(\lambda\)：事件发生的平均次数。
- \(r\)：你感兴趣的事件发生次数（例如：“有 3 辆车经过的概率是多少？”）。
- \(r!\)：“r 的阶乘”（例如：\(3! = 3 \times 2 \times 1\)）。
步骤示例：
假设学生每小时平均收到 4 封电子邮件。请找出下一个小时内该学生正好收到 2 封邮件的概率。
1. 确认 \(\lambda\)：这里 \(\lambda = 4\)。
2. 确认 \(r\)：我们想要 \(r = 2\)。
3. 代入公式：\(P(X=2) = \frac{e^{-4} \times 4^2}{2!}\)。
4. 计算：\(P(X=2) = \frac{0.0183 \times 16}{2} = 0.1465\)（取小数点后四位）。
快速检查：
一定要检查你的时间区间！如果平均值是每小时 4 次，但题目询问的是两小时内的概率，你必须将 \(\lambda\) 加倍变为 8。
3. 平均值与方差：同卵双胞胎
泊松分布最酷（也是最简单！）的特点之一，就是它的平均值与方差。
对于泊松分布 \(X \sim Po(\lambda)\)：
平均值 \(E(X) = \lambda\)
方差 \(Var(X) = \lambda\)
你知道吗？如果题目告诉你一组数据的平均值与方差大致相等，这是一个非常强烈的暗示，表示该数据符合泊松分布！
4. 加总独立的泊松变量
有时候我们会同时遇到两个不同的泊松事件。如果 \(X\) 和 \(Y\) 是独立的泊松变量：
若 \(X \sim Po(\lambda_a)\) 且 \(Y \sim Po(\lambda_b)\)，
则 \(X + Y \sim Po(\lambda_a + \lambda_b)\)。
示例：如果一家面包店平均每小时卖出 3 个白面包和 2 个黑面包，则卖出面包的总数遵循 \(Po(3 + 2) = Po(5)\)。
5. 二项分布的近似
有时候，二项分布 (Binomial distribution)（即有固定次数 \(n\) 的试验）的数值太大，使用泊松来处理会更容易。当符合以下情况时，我们可以这样做：
- \(n\) 很大（通常 \(n > 50\)）。
- \(p\) 很小（概率很低，通常 \(np < 5\)）。
此时，我们使用 \(\lambda = np\)。
为什么要这样做？计算 \(^{100}C_{5} \times (0.01)^5 \times (0.99)^{95}\) 比使用泊松公式困难得多。这是一个数学捷径！
常见错误避雷针：
如果 \(p\) 很大（接近 0.5），请不要使用泊松近似。这时候我们应该改用正态分布 (Normal distribution)！
6. 使用正态分布近似泊松分布
等等，我们也能把泊松转为正态分布吗？没错！如果 \(\lambda\) 很大（通常 \(\lambda > 15\)），泊松分布的图表看起来就会像对称的钟形曲线。
这种情况下，我们使用：
\(X \sim N(\lambda, \lambda)\)
（其中平均值为 \(\lambda\)，方差也是 \(\lambda\)）。
重要：连续性修正 (Continuity Correction)！
因为泊松是离散的（你不可能收到 4.5 封邮件），而正态分布是连续的（你可以有 4.5 厘米），所以两者转换时，必须调整数值 0.5。
示例：若要使用正态近似法求 \(P(X > 20)\)，你实际上要计算的是 \(P(X > 20.5)\)。
重点总结：
检查你的 \(\lambda\)：
- 如果 \(\lambda\) 很小：使用标准泊松公式。
- 如果 \(\lambda\) 很大 (\(> 15\))：使用正态近似法，并记得加上连续性修正。
总结检查清单
在参加考试前，确保你能做到以下事项：
- 列出泊松分布的 4 个条件 (CRIS)。
- 使用 \(e^{-\lambda}\) 公式计算概率。
- 针对不同时间区间调整 \(\lambda\)。
- 辨识何时该用泊松来近似二项分布。
- 当 \(\lambda\) 很大时，使用正态分布来近似泊松（记得 0.5 的修正！）。
你一定没问题的！泊松分布里的希腊字母看起来可能有点吓人，但它不过是一种计算随机事件的方法。继续练习历届试题吧！