การแจกแจงปัวซง

พื้นฐานความน่าจะเป็นด้วย Python

Alexander A. Ramírez M.

CEO @ Synergy Vision

การสร้างโมเดลด้วยปัวซง

ศูนย์บริการทางโทรศัพท์

คิวในธนาคาร

กราฟฟังก์ชันมวลปัวซง

ภาพศูนย์บริการทางโทรศัพท์

สมมติว่ามีสายเข้า 2.2 สายต่อนาที

$$ $$ ฟังก์ชันมวลความน่าจะเป็นของปัวซง

ใน Python ทำได้ดังนี้:

# Import poisson
from scipy.stats import poisson

# Calculate the probability mass 
# with pmf
poisson.pmf(k=3, mu=2.2)

0.19663867170702193

พารามิเตอร์ mu กำหนดค่าเฉลี่ยของเหตุการณ์ที่เกิดขึ้น

ฟังก์ชันมวลความน่าจะเป็นของปัวซง

# Calculate pmf of 0
poisson.pmf(k=0, mu=2.2)

0.11080315836233387

# Calculate pmf of 6
poisson.pmf(k=6, mu=2.2)

0.01744840480280308

กราฟฟังก์ชันมวลความน่าจะเป็นของปัวซงสำหรับค่าเฉลี่ยต่างๆ

ฟังก์ชันการแจกแจงสะสม

# Calculate cdf of 2
poisson.cdf(k=2, mu=2.2)

0.6227137499963162

# Calculate cdf of 5
poisson.cdf(k=5, mu=2.2)

0.9750902496952996

กราฟฟังก์ชัน Survival

# Calculate sf of 2
poisson.sf(k=2, mu=2.2)

0.3772862500036838

กราฟฟังก์ชัน Percent Point

# Calculate ppf of 0.5
poisson.ppf(q=0.5, mu=2.2)

2.0

# Import poisson, matplotlib.pyplot, and seaborn
from scipy.stats import poisson
import matplotlib.pyplot as plt
import seaborn as sns

# Create the sample using poisson.rvs()
sample = poisson.rvs(mu=2.2, size=10000, random_state=13)

# Plot the sample
sns.distplot(sample, kde=False)
plt.show()

กราฟฟังก์ชันมวลความน่าจะเป็นของตัวอย่างปัวซง

พื้นฐานความน่าจะเป็นด้วย Python