matlab求泊松分布,python泊松分布随机数

　　首先，假设你把numpy导入为np，我就写这个回答，因为它把numpy函数和python的内置函数或者math和random packages的函数清晰地区分了。

　　我认为没有必要回答你的具体问题，因为你的基本假设是错误的：

　　是的，泊松统计的均值等于方差，但是假设你用的是常数lam。但你没有。你输入了xfdd的Y值，所以不能指望它们是常数(xfdd按照你的定义！)。

　　使用np.random.poisson(lam=0.5)从泊松分布获得随机值。但是要小心，因为这个泊松分布甚至和xfdds分布都不完全一样，而且因为你是在“低均值”范围内，所以两个范围有很大的区别。参见维基百科关于泊松分布的文章。

　　另外，你是在创建随机数，所以不应该真的画随机数，而是画其中的一个，np.histogram .因为统计分布都是概率密度函数(见概率密度函数)。

　　之前，我提到过你用常数lam来创建泊松分布。现在是讨论大小的时候了：你创建了随机数，所以为了近似真实的泊松分布，你需要画很多随机数。大小如下：np.random.poisson (LAM=0.5，size=10000)。比如创建一个10000个元素的数组，每个元素都是从泊松概率密度函数中提取的，平均值为0.5。

　　如果你没有在维基百科的文章中读到过，在泊松分布被定义之前，结果只是无符号的(gt；=0)整数。

　　所以我猜你想做的是创建一个xfdds和泊松分布，有1000个值：高斯=np.random.normal (0.5，2 * np.sqrt (2 * np.log (2))，1000)

　　泊松=np.random .泊松(0.5，1000)

　　然后绘制直方图：导入matplotlib.pyplot作为plt

　　plt.hist(高斯)

　　plt.hist(泊松)

　　plt.show()

　　或者使用{}来代替。

　　要从随机样本中获取统计信息，仍然可以对xfdds和泊松样本使用np.var和np.mean。这一次(至少在我的样本测试中)他们给出了一个好结果：print(np.mean(gaussian))

　　0.653517935138

　　print(np.var(高斯))

　　5.4848398775

　　print(np.mean(泊松))

　　0.477

　　print(np.var(泊松))

　　0.463471

　　注意，xfdds值几乎是我们定义的参数。另一方面，泊松均值和var几乎相等。您可以通过增加上面的大小来提高均值和var的准确性。

　　为什么泊松分布不接近原始信号？

　　原始信号只包含0到1之间的值，所以泊松分布只允许正整数，标准差与平均值有关。从xfdds分布的平均值来看，信号近似为0，所以泊松分布几乎总是画0。xfdds函数的最大值是1。1的泊松分布如下(信号泊松在左边，泊松分布在右边，值为1)

　　所以在那个区域你会得到很多0和1，还有一些2。但是也有一些可能性。你的画的价值高达7英镑。这正是我提到的反对称性。如果改变xfdds分布的幅度(比如乘以1000)，“拟合”会更好，因为泊松分布在这里几乎是对称的：

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。