概念

Poisson分布，是一种统计与概率学里常见到的离散概率分布。
现实生活多数服从泊松分布。
泊松分布的概率函数为：

泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生次数。泊松分布适合于描述单位时间内随机事件发生的次数。
泊松分布的期望和方差均为λ
特征函数为

# 加载功能包
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
import matplotlib.style as style
from IPython.core.display import HTML# 指定大小
%matplotlib inline
style.use('fivethirtyeight')
plt.rcParams['figure.figsize']=(14,7)
plt.figure(dpi=100)# PDF 概率密度函数
plt.bar(x=np.arange(20),height=(stats.poisson.pmf(np.arange(20),mu=5)),width=0.75,alpha=0.75)
# mu=λ*t# CDF累计概率密度函数
plt.plot(np.arange(20),stats.poisson.cdf(np.arange(20),mu=5),color="#fc4f30")# 补充图设置：LEGEND、TICKS与TITLE
plt.text(x=10, y=0.5, s="PDF(normed)", alpha = .75, weight="bold", color="#008fd5")
plt.text(x=16, y=0.9, s="CDF", alpha = .75, weight="bold", color="#fc4f30")
plt.xticks(range(21)[::2])
plt.tick_params(axis = 'both', which ='major', labelsize = 18)
plt.axhline(y = 0, color ='black', linewidth = 1.3, alpha = 7)
plt.text(x = -2, y = 1.1, s = "Poisson Distribution - Overview", fontsize = 26, weight = 'bold', alpha = 75)

λ的影响

plt.figure(dpi=100)# PDF λ=1
plt.scatter(np.arange(20),(stats.poisson.pmf(np.arange(20),mu=1)),alpha=0.75,s=100)
plt.plot(np.arange(20),stats.poisson.pmf(np.arange(20),mu=1),alpha=0.75)# PDF λ=5
plt.scatter(np.arange(20),(stats.poisson.pmf(np.arange(20),mu=5)),alpha=0.75,s=100)
plt.plot(np.arange(20),stats.poisson.pmf(np.arange(20),mu=5),alpha=0.75)# PDF λ=10
plt.scatter(np.arange(20),(stats.poisson.pmf(np.arange(20),mu=10)),alpha=0.75,s=100)
plt.plot(np.arange(20),stats.poisson.pmf(np.arange(20),mu=10),alpha=0.75)# LEGEND、TICKS与TITLE
plt.text(x=1, y=0.15, s="$\lambda = 1$", alpha = 75, weight="bold", color="#008fd5")
plt.text(x=4, y=0.1, s="$\lambda = 5$", alpha = 75, weight="bold", color="#fc4f30")
plt.text(x=9, y=0.15, s="$\lambda = 10$", alpha = 75, weight="bold", color="#e5ae38")
plt.xticks(range(21)[::2])
plt.tick_params(axis = 'both', which ='major', labelsize = 18)
plt.axhline(y = 0, color ='black', linewidth = 1.3, alpha = 7)
plt.text(x = -2.5, y =0.4, s = "Binomial Distribution - $\lambda$", fontsize = 26, weight = 'bold', alpha = 75)

产生随机值

import numpy as np
from scipy.stats import poisson# draw a single sample
np.random.seed(42)
print(poisson.rvs(mu=10),end="\n\n")# draw 10 samples
print(poisson.rvs(mu=10,size=10), end="\n\n")

[ 6 11 14 7 8 9 11 8 10 7]

概率质量函数

from scipy.stats import poisson# additional imoprts for plotting purpose
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams["figure.figsize"] = (14,7)# continuous pdf for the plot
x_s = np.arange(15)
y_s = poisson.pmf(k=x_s, mu=5)
plt.scatter(x_s, y_s,s=100);

累积概率密度函数

from scipy.stats import poisson# probabolity of x less or equal 3
print("P(X<3)={}".format(poisson.cdf(k=3,mu=5)))# probability of x in [2 ,8]
print("P(2<X<=8)={}".format(poisson.cdf(k=8,mu=5)-poisson.cdf(k=2,mu=5)))

P(X<3)=0.2650259152973616
P(2<X<=8)=0.8072543457950705

绘制λ

from collections import Counterplt.figure(dpi=100)# declaring the "true" parameters underlying the sample
lambda_real = 7 #实际λ# draw a sample of n=1000
np.random.seed(42)
sample = poisson.rvs(mu=lambda_real,size=1000) #柏松分布并找了1000个点# estimate mu and sigma
lambda_est = np.mean(sample) #计算出的λ
print("Estimated LAMBDA: {}".format(lambda_est))# sample distribution
cnt = Counter(sample)
_, values = zip(*sorted(cnt.items()))
plt.bar(range(len(values)),values/np.sum(values), alpha=.25) #基于算的结果画出柱形图# true curve
plt.plot(range(18),poisson.pmf(k=range(18),mu=lambda_real),color="#fc4f30") #真实的正态分布曲线# estimated curve
plt.plot(range(18),poisson.pmf(k=range(18),mu=lambda_est),color="#e5ae38") #建立出来的正太分布曲线# legend
plt.text(x=6, y=0.06, s="sample", alpha = .75, weight="bold", color="#008fd5")
plt.text(x=3.5, y=0.12, s="true distrubtion", rotation=65, alpha = .75, weight="bold", color="#fc4f30")
plt.text(x=2, y=0.05, s="estimated distribution", rotation=65, alpha = .75, weight="bold", color="#e5ae38")# ticks
plt.xticks(range(17)[::2])
plt.tick_params(axis='both',which='major',labelsize=18)
plt.axhline(y=0,color='black',linewidth=1.3,alpha=7)# title
plt.text(x=0,y=0.17,s="Poisson Distribution - Parameter Estimation",fontsize=26,weight='bold',alpha=75)

数据科学分布——泊松分布相关推荐

数据科学分布——二项式分布
数据科学分布--二项式分布概念 P对结果的影响 N对结果的影响随机样本概率质量函数概念在n次独立重复的伯努利试验中,设每次试验中事件A发生的概率为p.用X表示n重伯努利试验中事件A发生的次数 ...
数据科学分布——正态分布
正态分布概念默认参数正太分布参数设置均值标准差随机的几个样本概率密度函数累计概率密度基于数据画出分布概念正态分布(Normal distribution),也称"常态分 ...
数据科学分布——均匀分布
均匀分布概念 a与b的影响概念在概率论和统计学中,均匀分布也叫矩形分布,它是对称概率分布,在相同长度间隔的分布概率是等可能的. 均匀分布由两个参数a和b定义,它们是数轴上的最小值和最大值,通常缩 ...
数据科学分布——卡方分布
卡方分布概念自由度随机生成概率密度函数累积概率密度函数概念通俗的讲就是通过小数量的样本容量去预估总体容量的分布情况. 卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度. 若n个 ...
数据科学和统计学_数据科学中的统计
数据科学和统计学统计 (Statistics) Statistics are utilized to process complex issues in reality with the goal ...
随机过程在数据科学和深度学习中有哪些应用？
导语:机器学习的主要应用之一是对随机过程建模. "The only simple truth is that there is nothing simple in this complex ...
数据科学中的计量经济学技术
全文共3615字,预计学习时长10分钟图源:Google 计量经济学是经济学的一个分支领域,它运用数学和统计模型与经济理论来理解.解释和衡量经济系统中的因果关系. 通过计量经济学,可以做出假设:教育 ...
数据科学学习之数据和抽样分布
专栏/前文链接本文为笔者<数据分析与数据科学>专栏中的第二篇, 专栏的链接在这里. 第一篇博文的链接在这里. 希望本文与此专栏能够对接触,学习和研究数据科学的各位有所帮助. 本文介绍的是 ...
数据科学导论学习小结——其三
数据科学导论学习小结--其三这是笔者大学二年级必修科目<数据科学基础>个人向笔记整理的第三部分,包含第六.第七两个章节.本笔记内容基于清华大学出版社<数据科学导论-探索数据的奥秘& ...
【译Py】数据科学面试终极指南04
[译Py]数据科学面试终极指南 [译Py]数据科学面试终极指南01 [译Py]数据科学面试终极指南02 [译Py]数据科学面试终极指南03 [译Py]数据科学面试终极指南04 [译Py]数据科学面试终 ...

数据科学分布——泊松分布

泊松分布

概念

λ的影响

产生随机值

概率质量函数

累积概率密度函数

绘制λ

数据科学分布——泊松分布相关推荐

最新文章

热门文章