如果这是一个非常基本的问题,我深表歉意,但我想确保我做对了。我有一些时间序列数据,似乎符合泊松过程的特征。数据来自模拟过程,在该过程中,我可以随时间监控事件,并由此确定等待时间(即事件之间的时间)
等待时间存储在数组waittimes中,我计算平均等待时间
mean=numpy.mean(waittimes)
然后我用平均值作为系数计算一个指数
samples = numpy.random.exponential(mean,size=10000)
最后,我使用以下代码计算“经验”累积分布函数(ecdf)
def ecdf(data):
# Number of data points: n
n = len(data)
# x-data for the ECDF: x
x = numpy.sort(data)[::-1]
# y-data for the ECDF: y
y = numpy.arange(1, n+1) / n
return x,y
确定经验数据和指数数据的ECDF
x,y=ecdf(waittimes)
x_theor,y_theor=ecdf(samples)
绘制(x,y)和(x_定理,y_定理)给出了合理的一致性,表明等待时间呈指数分布
不幸的是,我对泊松过程的了解不是它应该是什么。在这里的某个地方,我假设我应该能够计算泊松速率参数,并绘制类似于上面ecdf的泊松cdf,但是如何实现这一点呢?等待时间的平均值是否与泊松过程中的速率相同,或类似于速率=1/平均值或不同的值
非常感谢
泊松分布中的参数
lambda
是预期的事件数,是无量纲的-它不是一个速率,它的量纲与时间成反比如果大小为
T
的窗口中的事件数遵循参数为lambda
(无维度)的泊松分布,则事件之间的等待时间应遵循平均值为T/lambda
(时间)的指数分布相关问题 更多 >
编程相关推荐