通知
您现在将离开 support.minitab.com。"
单击继续以继续：
Poisson 过程对某事件或属性在特定观测值范围内的发生次数进行计数，观测值范围可以表示时间、面积、体积和项目数等内容。观测值的长度表示每个观测值范围的幅度、持续时间或大小。
Minitab 使用观测值长度将样本率转换为最适合您的情形的形式。
例如，如果每个样本观测值对一年中的事件数进行计数，则长度 1 表示每年发生率，长度 12 表示每月发生率。
在输出中，原假设和备择假设可帮助您验证是否为假设率输入了正确的值。
总发生次数是事件在样本中的发生次数。
样本数量 (N) 是样本中计数的发生次数。
样本数量影响置信区间、测试能力以及发生率。
通常，较大的样本数量将产生较窄的置信区间。样本数量越大，检验检测到差值的功效越大。有关更多信息，请转到什么是功效？。
事件的样本率是事件在样本中观测值的每个单位长度内发生的平均次数。
The sample rate of an event is an estimate of the population rate of that event.
由于样本率基于样本数据而不是整个总体，因此样本率通常不等于总体发生率。使用置信区间可以更好地估计总体发生率。
当观测长度不等于 1 时，Minitab 会显示样本均值。样本均值等于总发生次数除以样本数量。但是，由于观测值长度不等于 1，因此对于您的特定情形，样本率通常更有用。
置信区间提供总体率的可能值范围。由于样本的随机性，来自总体的两个样本不可能生成相同的置信区间。但是如果将样本重复许多次，则所获得的特定百分比的置信区间或限值会包含未知的总体率。这些包含率的置信区间或限值的百分比是区间的置信水平。例如，95% 置信水平表明，如果从总体中随机抽取 100 个样本，则大约 95 个样本将产生包含总体率的区间。
上限定义可能大于总体率的值。下限定义可能小于总体率的值。
置信区间有助于评估结果的实际意义。使用您的专业知识可以确定置信区间是否包括对您的情形有实际显著性的值。如果区间因太宽而毫无用处，请考虑增加样本数量。有关更多信息，请转到获得更加精确的置信区间的方法。
| N | 合计出现次数 | 样本 Poisson 比率 | λ 的 95% 置信区间 |
|---|---|---|---|
| 30 | 598 | 19.9333 | (18.3675, 21.5970) |
在这些结果中，每日客户投诉数量的总体发生率估计值大约为 19.93。总体发生率介于大约 18.37 和 21.6 之间的可信度为 95%。
Z 值是 Z 检验的检验统计量，它对观测到的统计量与假设总体参数之间的差值进行测量，以标准误为单位。
您必须选择 正态近似 Minitab 计算 Z 值的方法。
可以通过将 Z 值与标准正态分布的临界值进行比较来确定是否要否定原假设。但是，使用检验的 p 值做出相同的决定通常更实际且更方便。
为了确定是否要否定原假设，请将 Z 值与临界值进行比较。对于双侧检验，临界值为 Z1-α/2 ，对于单侧检验，临界值为 Z1-α 。对于双侧检验，如果 Z 值的绝对值大于临界值，则否定原假设。否则，无法否定原假设。您可以在 Minitab 中计算临界值，也可以从大多数统计书籍的标准正态分布表中查找临界值。有关更多信息，请转到使用逆累积分布函数 (ICDF)，然后单击“使用 ICDF 计算临界值”。
P 值是一个概率，用来度量否定原假设的证据。P 值越小，否定原假设的证据越充分。
使用 p 值可确定总体率在统计意义上是否不同于假设率。
您现在将离开 support.minitab.com。"
单击继续以继续：