NumPy 泊松分布模拟与 Seaborn 可视化技巧

亨得利眼镜陈美观

泊松分布

简介

泊松分布是一种离散概率分布，用于描述在给定时间间隔内随机事件发生的次数。它常用于模拟诸如客户到达商店、电话呼叫接入中心等事件。
参数

泊松分布用一个参数来定义：
λ：事件发生的平均速率，表示在单位时间内事件发生的平均次数。
公式

泊松分布的概率质量函数 (PMF) 给出了在指定时间间隔内发生 k 次事件的概率，计算公式为：

1. P(k) = e^(-λ) (λ^k) / k!

复制代码

其中：
e^(-λ)：表示没有事件发生的概率。
(λ^k)：表示 k 次事件发生的概率。
k!：表示 k 个元素的阶乘，即 k × (k - 1) × (k - 2) × ... × 2 × 1。
生成泊松分布数据

NumPy 提供了 random.poisson() 函数来生成服从泊松分布的随机数。该函数接受以下参数：
lam：事件发生的平均速率。
size：输出数组的形状。
示例：生成一个平均速率为 5 的事件在 10 个时间间隔内发生的次数：

1. import numpy as np
3. data = np.random.poisson(lam=5, size=10)
4. print(data)

复制代码

可视化泊松分布

Seaborn 库提供了便捷的函数来可视化分布，包括泊松分布。
示例：绘制平均速率为 7 的事件在 1000 个时间间隔内发生的次数分布：

1. import seaborn as sns
2. import numpy as np
4. data = np.random.poisson(lam=7, size=1000)
5. sns.distplot(data)
6. plt.show()

复制代码

正态分布与泊松分布的关系

当事件发生的平均速率 λ 很大时，泊松分布可以近似为正态分布。其均值 μ 为 λ，标准差 σ 为 sqrt(λ)。
示例：比较泊松分布和正态分布的形状：

1. import seaborn as sns
2. import numpy as np
4. lam = 50
6. # 生成泊松分布数据
7. data_poisson = np.random.poisson(lam=lam, size=1000)
9. # 生成正态分布数据
10. mu = lam
11. sigma = np.sqrt(lam)
12. data_normal = np.random.normal(loc=mu, scale=sigma, size=1000)
14. sns.distplot(data_poisson, label="Poisson")
15. sns.distplot(data_normal, label="Normal")
16. plt.legend()
17. plt.show()

复制代码

练习

• 在一个小时内，一家商店平均收到 10 位顾客。模拟顾客到达商店的次数并绘制分布图。
  
• 比较不同平均速率下泊松分布形状的变化。
  
• 利用泊松分布来模拟一个呼叫中心每天接到的电话呼叫数量，并计算平均呼叫量和每天接听超过 30 个电话的概率。
  

解决方案

1. import seaborn as sns
2. import numpy as np
3. import matplotlib.pyplot as plt
5. # 1. 模拟顾客到达商店的次数并绘制分布图
6. data = np.random.poisson(lam=10, size=1000)
7. sns.distplot(data)
8. plt.show()
10. # 2. 比较不同平均速率下泊松分布形状的变化
11. lam_values = [5, 10, 20, 50]
12. for lam in lam_values:
13.     data = np.random.poisson(lam=lam, size=1000)
14.     sns.distplot(data, label=f"λ={lam}")
15. plt.legend()
16. plt.show()
18. # 3. 模拟电话呼叫数量并计算平均呼叫量和每天接听超过 30 个电话的概率
19. calls_per_day = np.random.poisson(lam=150, size=365)
20. print("平均呼叫量:", calls_per_day.mean())
21. print("每天接听超过 30 个电话的概率:", (calls_per_day > 30).mean())

复制代码

最后

为了方便其他设备和平台的小伙伴观看往期文章：
微信公众号搜索：Let us Coding，关注后即可获取最新文章推送
看完如果觉得有帮助，欢迎点赞、收藏、关注

来源:https://www.cnblogs.com/xiaowange/p/18220994
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！