random.expovariate 相当于泊松过程

发布于 2024-12-22 11:20:21 字数 88 浏览 1 评论 0原文

我在某处读到 python 库函数 random.expovariate 产生相当于泊松过程事件的间隔。
真的是这样吗?或者我应该对结果施加一些其他功能?

I read somewhere that the python library function random.expovariate produces intervals equivalent to Poisson Process events.
Is that really the case or should I impose some other function on the results?

如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。

评论(2

多情癖 2024-12-29 11:20:21

严格阅读你的问题,是的,这就是 random.expovariate 所做的。

expovariate 为您提供指数分布的随机浮点数。在泊松过程中,连续事件之间的间隔大小是指数级的。

然而,我可以想象另外两种方法来建模泊松过程

  1. 只需生成随机数,均匀分布并对它们进行排序。
  2. 生成具有泊松分布的整数(即它们的分布类似于泊松过程中固定间隔内的事件数量)。使用 numpy.random.poisson 来执行此操作。

当然,这三件事是完全不同的。正确的选择取决于您的应用。

On a strict reading of your question, yes, that is what random.expovariate does.

expovariate gives you random floating point numbers, exponentially distributed. In a Poisson process the size of the interval between consecutive events is exponential.

However, there are two other ways I could imagine modelling poisson processes

  1. Just generate random numbers, uniformly distributed and sort them.
  2. Generate integers which have a Poisson distribution (i.e. they are distributed like the number of events within a fixed interval in a Poisson process). Use numpy.random.poisson to do this.

Of course all three things are quite different. The right choice depends on your application.

嘿看小鸭子会跑 2024-12-29 11:20:21

https://stackoverflow.com/a/10250877/1587329 很好地解释了为什么它有效(不仅在Python中)和一些代码。简而言之

以平均速率模拟泊松过程中的前 10 个事件
每秒 15 次到达,如下所示:

随机导入
对于范围 (1,10) 内的 i:
   打印随机.expovariate(15)

https://stackoverflow.com/a/10250877/1587329 gives a nice explanation of why this works (not only in python), and some code. In short

simulate the first 10 events in a poisson process with an averate rate
of 15 arrivals per second like this:

import random
for i in range(1,10):
   print random.expovariate(15)
~没有更多了~
我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
原文