SciPy scipy.stats.poisson

  1. Sintaxis de scipy.stats.poisson() para generar distribución de Poisson
  2. Calcule la función de masa de probabilidad (PMF) de la distribución de Poisson utilizando el método scipy.stats.poisson.pmf()
  3. Establecer el valor loc en el método scipy.stats.poisson.pmf()
  4. Calcule la función de distribución acumulativa (CDF) de la distribución de Poisson utilizando el método scipy.stats.poisson.cdf()

La función scipy.stats.poisson genera una variable aleatoria discreta de Poisson que se puede utilizar para calcular la función de masa de probabilidad (PMF), función de densidad de probabilidad (PDF) y función de distribución acumulativa (CDF) de cualquier distribución de probabilidad de Poisson.

Sintaxis de scipy.stats.poisson() para generar distribución de Poisson

scipy.stats.poisson(pmf(mu, loc=0))

Parámetros

mu ocurrencia promedio de un evento en un intervalo específico de espacio o tiempo
loc Por defecto, loc=0 representa la distribución normal, y el parámetro loc especifica el cambio en la distribución.

Calcule la función de masa de probabilidad (PMF) de la distribución de Poisson utilizando el método scipy.stats.poisson.pmf()

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

x = np.arange(0, 20, 0.1)
y = stats.poisson.pmf(x, mu=10)

plt.plot(x, y)
plt.title("Poisson distribution with mu=10 and loc=0")
plt.xlabel("Random variable")
plt.ylabel("Probability")
plt.show()

Producción:

"función de masa de probabilidad de la distribución de poisson usando el método scipy.stats.poisson.pmf"

Aquí, tomamos una matriz NumPy de variables aleatorias de 0 a 20 con un espacio de 0.1 entre dos valores adyacentes. A continuación, calculamos los valores de la función de masa de probabilidad PMF para cada valor de la matriz NumPy para una distribución de Poisson con mu=10.

A continuación, trazamos los valores de PMF contra valores de variables aleatorias. De forma predeterminada, el valor de loc se establece en 0, lo que hace que la variable aleatoria con el PMF más alto sea igual a mu, y por lo tanto el gráfico alcanza su punto máximo en mu.

Establecer el valor loc en el método scipy.stats.poisson.pmf()

Por defecto, el valor de loc en scipy.stats.poisson.pmf() es igual a 0, lo que da la distribución normal. Para cambiar la distribución, cambiamos el valor del parámetro loc en el método scipy.stats.poisson.pmf() al valor deseado.

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

x = np.arange(0, 20, 0.1)
y = stats.poisson.pmf(x, mu=10,loc=5)

plt.plot(x, y)
plt.title("Poisson distribution with mu=10 and loc=5")
plt.xlabel("Random variable")
plt.ylabel("Probability")
plt.show()

Producción:

"Establecer el valor de ubicación en el método scipy.stats.poisson.pmf"

Genera un gráfico de variables aleatorias de 0 a 20 con un espaciado de 0.1 y valores correspondientes de Función de masa de probabilidad (PMF) para una distribución de Poisson con mu=10 y loc=5. Como el loc se establece en 5, el pico del gráfico se desplazará hacia la derecha en 5 unidades.

Calcule la función de distribución acumulativa (CDF) de la distribución de Poisson utilizando el método scipy.stats.poisson.cdf()

El método scipy.stats.poisson.cdf() calcula el valor de la función de distribución acumulativa (CDF) de una variable aleatoria para una distribución de Poisson dada. La CDF de una variable aleatoria representa las probabilidades acumuladas de todos los valores iguales o menores que la variable aleatoria.

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

x = np.arange(0, 20, 0.1)
y = stats.poisson.cdf(x, mu=10)

plt.plot(x, y)
plt.title("CDF of Poisson distribution with mu=10")
plt.xlabel("Random variable")
plt.ylabel("Cumulative Probability")
plt.show()

Producción:

"CDF de distribución de poisson usando el método scipy.stats.poisson.cdf"

Aquí, tomamos un array de NumPy de variables aleatorias de 0 a 20 con un espacio de 0.1 entre dos valores adyacentes. A continuación, calculamos los valores de la función de distribución acumulativa (CDF) para cada valor de la matriz NumPy para una distribución de Poisson con mu=10.

A continuación, trazamos los valores CDF contra valores de variables aleatorias.

Como la probabilidad acumulada aumenta a medida que nos movemos hacia la derecha debido a nuevos valores, la curva CDF tiene un carácter creciente, como se ve en la figura anterior.

Artículo relacionado - SciPy Stats

  • Función SciPy scipy.stats.binom
  • Función SciPy scipy.stats.mode
  • Función SciPy scipy.stats.sem
  • Función SciPy stats.beta