我想了解这个poisson.test()功能：
poisson.test(x, T = 1, r = 1,
alternative = c("two.sided", "less", "greater"),
conf.level = 0.95)
我不明白参数T，r还有什么应该是我的选择？我想解决以下示例并测试这些数据是泊松的假设。
一位科学家计算培养皿上的细菌数量。他知道对于标准培养皿 N，细菌数量遵循参数 lambda=6.1 的泊松分布。一个盘子用一种新的杀菌剂处理，观察到有 2 个细菌存活。
请你能用这个例子帮助我理解 poisson.test 吗？T我应该使用什么值？这里的汇率是多少？我应该使用哪种替代方法？
这是一个 R 函数，用于实现均值差异的假设检验。它类似于?t.test函数，除了假设数据是正态分布的（在总体中），这假设数据是泊松计数。基本思想是你有两个来自两个不同条件的计数，你知道分布是泊松的。从那里，您可以测试这两个计数的差异是否超出您的预期。每个条件只需要一个计数（可能令人惊讶），因为泊松分布非常严格地指定方差。如果总体分布不是完全泊松分布，则该检验将无效，因此您做出了无法评估的非常大的假设。尽管如此，该测试有时可能有用。
考虑到这个基本框架，我们可以解释这些论点。 x是两个计数的向量。如果计数是由一种情况更有可能发生事件的情况引起的，您可以通过T作为偏移量的参数来解释这一点（参见，我应该为我的 Poisson GLM 使用偏移量吗？）。想象一下，您比较了两个培养皿中的细菌数量，其中一个是另一个的两倍。前者可能会在没有任何事情发生的情况下产生更大的计数（我不知道它是否真的以这种方式工作）。在这种情况下，您会想告诉测试菜肴不同；就是T这样。此外，您可以针对除统一之外的某些比率值进行测试，这就是r做。您还可以针对指定的比率值进行单样本测试；r也允许这样做。最后，您可以测试您的干预与对照是否不同，这将是“双向测试”，或者干预产生更大的计数（“大于”）或较小的计数（“小于”）。
在您的具体示例中，您说您想“检验这些数据是泊松的假设”。那将是一个拟合优度测试，这不是什么poisson.test()。它也不符合问题的要求。
如前所述，问题是询问2从具有均值的泊松分布中获得 的值是否合理6.1。那将是实施的测试的一个样本版本。
正如@gung 解释的那样，你的问题是，如果2得到一个泊松分布的值是否合理。如果不是，则杀菌剂降低了。
您可以使用R函数查找概率密度。dpois
所以从那个分布中得到零的机会是
> dpois(x=0, lambda=6.1)
[1] 0.002242868
获得的机会1是
> dpois(x=1, lambda=6.1)
[1] 0.01368149
而得到 0、1 或 2 的机会是
> sum(dpois(x=0:2, lambda=6.1))
[1] 0.05765291
因此在获得 2 甚至更少的机会大于0.05通常的截止值（注意这是一个片面的测试）。