Phân phối Poisson là phân phối xác suất của các lần xuất hiện độc lập trong một khoảng. Phân phối Poisson được sử dụng cho các phân phối dựa trên số lượng khi các sự kiện này xảy ra với tỷ lệ trung bình đã biết và không phụ thuộc vào thời gian kể từ sự kiện cuối cùng. Ví dụ: Nếu số lượng ô tô trung bình băng qua một con phố cụ thể trong một ngày là 25, thì bạn có thể tìm xác suất để 28 ô tô chạy qua đường đó bằng cách sử dụng công thức poisson cho bởi
e là cơ số của logarit tự nhiên [2. 7183]
μ là số lần xuất hiện trung bình [25 trong trường hợp này]
x là số lần xuất hiện trong câu hỏi [28 trong trường hợp này]
Vào bất kỳ ngày nào chúng ta có thể thấy 0,1,2,3,…. 25. 30. số ô tô trên phố với trung bình khoảng 25 ô tô. Vì vậy, để tìm 28 chiếc xe, chúng ta sẽ phải tính toán
Với hàm Poisson, chúng ta xác định giá trị trung bình là 25 ô tô. Hàm python đưa ra xác suất nằm trong khoảng [0. 0632] 6%, tức là 28 ô tô sẽ đi qua phố
Công thức có vẻ phức tạp để giải bằng tay nhưng với các thư viện python thì đó là một miếng bánh
Số sự kiện dự kiến xảy ra trong một khoảng thời gian cố định, phải >= 0. Một trình tự phải được phát trên kích thước được yêu cầu
size int hoặc bộ số nguyên, tùy chọnhình dạng đầu ra. Nếu hình dạng đã cho là, e. g. , [m, n, k]
, sau đó mẫu m * n * k
được rút ra. Nếu kích thước là None
[mặc định], một giá trị duy nhất được trả về nếu lam
là một số vô hướng. Nếu không, các mẫu np.array[lam].size
được rút ra
Các mẫu được rút ra từ phân phối Poisson được tham số hóa
Xem thêm
cái nào nên được sử dụng cho mã mới
ghi chú
Phân phối Poisson
\[f[k; \lambda]=\frac{\lambda^k e^{-\lambda}}{k. }\]
Đối với các sự kiện có khoảng cách dự kiến \[\lambda\] phân phối Poisson \[f . describes the probability of \[k\] events occurring within the observed interval \[\lambda\].
Bởi vì đầu ra được giới hạn trong phạm vi của loại C int64, một ValueError được nâng lên khi lam nằm trong 10 sigma của giá trị đại diện tối đa
Người giới thiệu
[ 1 ]
Weisstein, Eric W. “Phân bố chất độc. ” Từ MathWorld–A Wolfram Web Resource. http. //thế giới toán học. chó sói. com/PoissonDistribution. html
Là một thể hiện của lớp, đối tượng kế thừa từ nó một tập hợp các phương thức chung [xem bên dưới để biết danh sách đầy đủ] và hoàn thành chúng với các chi tiết cụ thể cho phân phối cụ thể này
ghi chú
Hàm khối lượng xác suất cho là
\[f[k] = \exp[-\mu] \frac{\mu^k}{k. }\]
cho \[k \ge 0\] .
lấy \[\mu \geq 0\] làm tham số hình dạng. Khi \[\mu = 0\] , phương thức
>>> mu = 0.6 >>> mean, var, skew, kurt = poisson.stats[mu, moments='mvsk']0 trả về
>>> mu = 0.6 >>> mean, var, skew, kurt = poisson.stats[mu, moments='mvsk']1 ở lượng tử \[k = 0\ . .
Hàm khối lượng xác suất ở trên được định nghĩa ở dạng “chuẩn hóa”. Để thay đổi phân phối, hãy sử dụng tham số
>>> mu = 0.6 >>> mean, var, skew, kurt = poisson.stats[mu, moments='mvsk']2. Cụ thể,
>>> mu = 0.6 >>> mean, var, skew, kurt = poisson.stats[mu, moments='mvsk']3 hoàn toàn tương đương với
>>> mu = 0.6 >>> mean, var, skew, kurt = poisson.stats[mu, moments='mvsk']4
ví dụ
>>> import numpy as np >>> from scipy.stats import poisson >>> import matplotlib.pyplot as plt >>> fig, ax = plt.subplots[1, 1]
Tính bốn khoảnh khắc đầu tiên
>>> mu = 0.6 >>> mean, var, skew, kurt = poisson.stats[mu, moments='mvsk']
Hiển thị hàm khối lượng xác suất [______0_______0]
________số 8_______
Ngoài ra, đối tượng phân phối có thể được gọi [dưới dạng hàm] để sửa hình dạng và vị trí. Điều này trả về một đối tượng RV "đóng băng" giữ cố định các tham số đã cho