统计机器学习-泊松分布

泊松分布：

模型：假设单位时间内发生时间$\lambda$次，求单位时间内事件发生x次的概率。
分布函数：
$$p(x)=\frac{e^{-\lambda }{\lambda }^x}{x!}$$
矩母函数：
$$M_x(t)=E(e^{tx})=\sum _{x=0}^{\infty }\frac{e^{tx}{e}^{-\lambda }{\lambda }^x}{x!}$$
$$期望E(x)=\lambda ；方差Var(x)=\lambda$$
似然函数：
$$L=-n\lambda +\sum _{i=1}^n(x_{i}ln\lambda -ln{x}_i)$$
性质：
$$x_1\sim Poisson({\lambda }_1)，x_2\sim Poisson({\lambda }_2)$$
$$x_1+x_2\sim Poisson({\lambda }_1+{\lambda }_2)$$

---

用matplotlib验证这一性质：

import numpy as np
import matplotlib.pyplot as plt

plt.xlim(0,30)
plt.ylim(0.00,0.20)
sample1 = np.random.poisson(lam=5, size=10000) 
sample2 = np.random.poisson(lam=10, size=10000) 
sample3 = np.random.poisson(lam=15, size=10000)
pillar=30
s1=plt.hist(sample1,rwidth=0.9,alpha=0.6,density=True,label="x1",bins=pillar,range=[0,pillar])
plt.plot(s1[1][0:pillar],s1[0],'blue')
s2=plt.hist(sample2,rwidth=0.9,alpha=0.6,density=True,label="x2",bins=pillar,range=[0,pillar])
plt.plot(s2[1][0:pillar],s2[0],'orange')
s3=plt.hist(sample3,rwidth=0.9,alpha=0.6,density=True,label="x3",bins=pillar,range=[0,pillar])
plt.plot(s3[1][0:pillar],s3[0],'g')
s4=plt.hist(sample1+sample2,rwidth=0.9,alpha=0.6,density=True,label="x3=x1+x2",bins=pillar,range=[0,pillar])
plt.plot(s4[1][0:pillar],s4[0],'r')
plt.legend()
plt.show()

泊松分布与二项分布的关系：

二项分布：
$$C_n^x{p}^x(1-p{)}^{n-x}$$
二者关系：
$$\underset{n\to \infty }{\lim }{(}_x^n)p^x(1-p{)}^{n-x}=\frac{e^{-\lambda }{\lambda }^x}{x!}$$
证明：
$$令p=\frac{\lambda }{n}$$
$$\underset{n\to \infty }{\lim }{(}_x^n)(\frac{\lambda }{n}{)}^x(1-\frac{\lambda }{n}{)}^{n-x}$$
$$=\underset{n\to \infty }{\lim }\frac{n!}{x!(n-x)!}(\frac{\lambda }{n}{)}^x(1-\frac{\lambda }{n}{)}^{n-x}$$
$$=\frac{{\lambda }^x}{x!}\underset{n\to \infty }{\lim }\frac{n!}{x!(n-x)!}(1-\frac{\lambda }{n}{)}^n(1-\frac{\lambda }{n}{)}^{n-x}$$

import numpy as np
import matplotlib.pyplot as plt


def draw(n,p,lam):
    plt.title("n={}, p={}, $\lambda$={}".format(n,p,lam))
    b = np.random.binomial(n=n,p=p, size=1000)
    p = np.random.poisson(lam=lam, size=1000) 
    pillar=50
    sb=plt.hist(b,rwidth=0.9,alpha=0.6,density=True,bins=pillar,range=[0,pillar],label="binomial")
    plt.plot(sb[1][0:pillar],sb[0],'blue')
    sp=plt.hist(p,rwidth=0.9,alpha=0.6,density=True,bins=pillar,range=[0,pillar],label="poisson")
    plt.plot(sp[1][0:pillar],sp[0],'orange')
    plt.legend()


plt.figure(figsize=(8,8),dpi=80)

plt.subplot(221)
draw(100,0.1,10)

plt.subplot(222)
draw(100,0.1,20)

plt.subplot(223)
draw(300,0.1,10)

plt.subplot(224)
draw(10,0.1,50)

plt.show()

（n×p越接近于$\lambda$，拟合程度越好）