2025年泊松分布(Poisson Distribution)

泊松分布(Poisson Distribution)定义 现实生活多数服从于泊松分布 假设你在一个呼叫中心工作 一天里你大概会接到多少个电话 它可以是任何一个数字 现在 呼叫中心一天的呼叫总数可以用泊松分布来建模 这里有一些例子 医院在一天内录制的紧急电话的数量 某个地区在一天内报告的失窃的数量 在一小时内抵达沙龙的客户人数

大家好,我是讯享网,很高兴认识大家。

定义:

现实生活多数服从于泊松分布

假设你在一个呼叫中心工作,一天里你大概会接到多少个电话?它可以是任何一个数字。现在,呼叫中心一天的呼叫总数可以用泊松分布来建模。这里有一些例子:

  • 医院在一天内录制的紧急电话的数量。
  • 某个地区在一天内报告的失窃的数量。
  • 在一小时内抵达沙龙的客户人数。
  • 书中每一页打印错误的数量。 泊松分布适用于在随机时间和空间上发生事件的情况,其中,我们只关注事件发生的次数。

当以下假设有效时,则称为泊松分布

  • 任何一个成功的事件都不应该影响另一个成功的事件。
  • 在短时间内成功的概率必须等于在更长的间内成功的概率。
  • 时间间隔很小时,在给间隔时间内成功的概率趋向于零。

泊松分布中使用了这些符号:

  • λ是事件发生的速率
  • t是时间间隔的长
  • X是该时间间隔内的事件数。
  • 其中,X称为泊松随机变量,X的概率分布称为泊松分布。
  • 令μ表示长度为t的间隔中的平均事件数。那么,µ = λ*t。

例如说一个医院中,每个病人来看病都是随机并独立的概率,则该医院一天(或者其他特定时间段,一小时,一周等等)接纳的病人总数可以看做是一个服从poisson分布的随机变量。但是为什么可以这样处理呢? 通俗定义:假定一个事件在一段时间内随机发生,且符合以下条件:

  • (1)将该时间段无限分隔成若干个小的时间段,在这个接近于零的小时间段里,该事件发生一次的概率与这个极小时间段的长度成正比。
  • (2)在每一个极小时间段内,该事件发生两次及以上的概率恒等于零。
  • (3)该事件在不同的小时间段里,发生与否相互独立。

则该事件称为poisson process。这个第二定义就更加利于大家理解了,回到医院的例子之中,如果我们把一天分成24个小时,或者24x60分钟,或者24x3600秒。时间分的越短,这个时间段里来病人的概率就越小(比如说医院在正午12点到正午12点又一毫秒之间来病人的概率是不是很接近于零?)。 条件一符合。另外如果我们把时间分的很细很细,是不是同时来两个病人(或者两个以上的病人)就是不可能的事件?即使两个病人同时来,也总有一个人先迈步子跨进医院大门吧。条件二也符合。倒是条件三的要求比较苛刻。应用到实际例子中就是说病人们来医院的概率必须是相互独立的,如果不是,则不能看作是poisson分布。

已知平均每小时出生3个婴儿,请问下一个小时,会出生几个?

有可能一下子出生6个,也有可能一个都不出生。这是我们没法知道的。

泊松分布就是描述某段时间内,事件具体的发生概率。

                 
讯享网

上面就是泊松分布的公式。等号的左边,P 表示概率,N表示某种函数关系,t 表示时间,n 表示数量,1小时内出生3个婴儿的概率,就表示为 P(N(1) = 3) 。等号的右边,λ 表示事件的频率。

接下来两个小时,一个婴儿都不出生的概率是0.25%,基本不可能发生。

接下来一个小时,至少出生两个婴儿的概率是80%。

 

# IMPORTS 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 # PLOTTING CONFIG %matplotlib inline style.use('fivethirtyeight') plt.rcParams["figure.figsize"] = (14, 7) plt.figure(dpi=100) # PDF plt.bar(x=np.arange(20), height=(stats.poisson.pmf(np.arange(20), mu=5)), width=.75, alpha=0.75 ) # CDF plt.plot(np.arange(20), stats.poisson.cdf(np.arange(20), mu=5), color="#fc4f30", ) # LEGEND plt.text(x=8, y=.45, s="pmf (normed)", alpha=.75, weight="bold", color="#008fd5") plt.text(x=8.5, y=.9, s="cdf", alpha=.75, weight="bold", color="#fc4f30") # TICKS plt.xticks(range(21)[::2]) plt.tick_params(axis = 'both', which = 'major', labelsize = 18) plt.axhline(y = 0.005, color = 'black', linewidth = 1.3, alpha = .7) # TITLE, SUBTITLE & FOOTER plt.text(x = -2.5, y = 1.25, s = "Poisson Distribution - Overview", fontsize = 26, weight = 'bold', alpha = .75) plt.text(x = -2.5, y = 1.1, s = 'Depicted below are the normed probability mass function (pmf) and the cumulative density\nfunction (cdf) of a Poisson distributed random variable $ y \sim Poi(\lambda) $, given $ \lambda = 5 $.', fontsize = 19, alpha = .85)

讯享网

 改变参数λ:

讯享网plt.figure(dpi=100) # PDF LAM = 1 plt.scatter(np.arange(20), (stats.poisson.pmf(np.arange(20), mu=1)),#/np.max(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)),#/np.max(stats.poisson.pmf(np.arange(20), mu=1))), alpha=0.75, ) # PDF LAM = 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 LAM = 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 plt.text(x=3, y=.1, s="$\lambda = 1$", alpha=.75, rotation=-65, weight="bold", color="#008fd5") plt.text(x=8.25, y=.075, s="$\lambda = 5$", alpha=.75, rotation=-35, weight="bold", color="#fc4f30") plt.text(x=14.5, y=.06, s="$\lambda = 10$", alpha=.75, rotation=-20, weight="bold", color="#e5ae38") # TICKS 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) # TITLE, SUBTITLE & FOOTER plt.text(x = -2.5, y = .475, s = "Poisson Distribution - $\lambda$", fontsize = 26, weight = 'bold', alpha = .75) plt.text(x = -2.5, y = .425, s = 'Depicted below are three Poisson distributed random variables with varying $\lambda $. As one can easily\nsee the parameter $\lambda$ shifts and flattens the distribution (the smaller $ \lambda $ the sharper the function).', fontsize = 19, alpha = .85)

 构造随机分布:

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")
讯享网12 [ 6 11 14 7 8 9 11 8 10 7]

 画出概率密度函数:

from scipy.stats import poisson # additional imports 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);

计算累积概率密度函数的概率: 

讯享网from scipy.stats import poisson # probability of x less or equal 0.3 print("P(X <=3) = {}".format(poisson.cdf(k=3, mu=5))) # probability of x in [-0.2, +0.2] print("P(2 < X <= 8) = {}".format(poisson.cdf(k=8, mu=5) - poisson.cdf(k=2, mu=5)))
P(X <=3) = 0.73616 P(2 < X <= 8) = 0.50705

 绘制λ:

讯享网from collections import Counter plt.figure(dpi=100) COMPUTATION # DECLARING THE "TRUE" PARAMETERS UNDERLYING THE SAMPLE lambda_real = 7 # DRAW A SAMPLE OF N=1000 np.random.seed(42) sample = poisson.rvs(mu=lambda_real, size=1000) # ESTIMATE MU AND SIGMA lambda_est = np.mean(sample) print("Estimated LAMBDA: {}".format(lambda_est)) PLOTTING # SAMPLE DISTRIBUTION cnt = Counter(sample) _, values = zip(*sorted(cnt.items())) plt.bar(range(len(values)), values/np.sum(values), alpha=0.25); # TRUE CURVE plt.plot(range(18), poisson.pmf(k=range(18), mu=lambda_real), color="#fc4f30") # ESTIMATED CURVE plt.plot(range(18), poisson.pmf(k=range(18), mu=lambda_est), color="#e5ae38") # LEGEND plt.text(x=6, y=.06, s="sample", alpha=.75, weight="bold", color="#008fd5") plt.text(x=3.5, y=.14, s="true distrubtion", rotation=60, alpha=.75, weight="bold", color="#fc4f30") plt.text(x=1, y=.08, s="estimated distribution", rotation=60, alpha=.75, weight="bold", color="#e5ae38") # TICKS plt.xticks(range(17)[::2]) plt.tick_params(axis = 'both', which = 'major', labelsize = 18) plt.axhline(y = 0.0009, color = 'black', linewidth = 1.3, alpha = .7) # TITLE, SUBTITLE & FOOTER plt.text(x = -2.5, y = 0.19, s = "Poisson Distribution - Parameter Estimation", fontsize = 26, weight = 'bold', alpha = .75) plt.text(x = -2.5, y = 0.17, s = 'Depicted below is the distribution of a sample (blue) drawn from a Poisson distribution with $\lambda = 7$.\nAlso the estimated distrubution with $\lambda \sim {:.3f}$ is shown (yellow).'.format(np.mean(sample)), fontsize = 19, alpha = .85)

 

小讯
上一篇 2025-02-09 12:00
下一篇 2025-03-11 18:26

相关推荐

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/112556.html