标签: poisson

考虑以下：

foo = 1:10
bar = 2 * foo
glm(bar ~ foo, family=poisson)

我得到结果

Coefficients:
(Intercept)          foo  
     1.1878       0.1929  

Degrees of Freedom: 9 Total (i.e. Null);  8 Residual
Null Deviance:      33.29 
Residual Deviance: 2.399    AIC: 47.06 

从本页的说明看，似乎foo的系数应该是log(2)，但不是。

更一般而言，我认为此输出应该表示lambda = 1.187 + .1929 * foo其中lambda是泊松分布的参数，但似乎与数据不符。

我应该如何解释此回归的输出？

我被要求实现一种算法，使用指数分布的模拟来模拟泊松（lambda）分布。

我得到了以下密度：\nP(X = k) = P(X1 + \xc2\xb7 \xc2\xb7 \xc2\xb7 + Xk \xe2\x89\xa4 1 < X1 + \xc2\xb7 \xc2\ xb7 \xc2\xb7 + Xk+1)，对于 k = 1, 2, . 。。.\nP(X = k) 是具有 lambda 的泊松分布，Xi 是指数分布。

我编写了代码来模拟指数分布，但不知道如何模拟泊松分布。有人可以帮我解决这个问题吗？谢谢万。

我的代码：

n<-c(1:k)\n  u<-runif(k)\n  x<--log(1-u)/lambda\n

好吧,我只是重写我的代码.现在的问题是当我编译它时,我得到"节点a的多重定义"的错误.有谁知道我的代码有什么问题.我为模型创建了变量a,b和c,没有很多常量.

  model{



  for(i in 1:n){


            a <- (k[1] + step(s1[i]-.9)*k[2] + step(s1[i]*.5-.9)*k[3]) 
            b <- (r[1] + step(s2[i]-.9)*r[2] + step(s2[i]*.5-.9)*r[3])
            c <- (s[1] + step(s3[i]-.9)*s[2] + step(s3[i]*.5-.9)*s[3])


    dummy[i] <- 0

      dummy[i] ~ dloglik(logLike[i])

      # This is the log transformation of the 3-variate poisson 

      logLike[i] <- -theta12[i] + a*log(theta12[i]) - logfact(a) -theta13[i] - b*log(theta13[i]) - logfact(b)-theta23[i] - c*log(theta23[i]) - logfact(c)-theta1[i] + (y1[i]-a-b)*log(theta1[i]) + logfact(y1[i]-a-b)-theta2[i] + (y2[i]-a-c)*log(theta2[i]) + logfact(y2[i]-a-c)-theta3[i] + (y3[i]-b-c)*log(theta3[i]) + logfact(y3[i]-b-c)





            log(theta1[i]) <- alpha1 + beta1*log(L[i])
            log(theta2[i]) <- alpha2 …

我可能错过了关于统计或numpy/scipy的重要观点.我想用泊松统计生成随机数,其预期值a decimal less than 1例如是lambda = 0.6.当我pythonize这个:

>>> from scipy.stats import poisson
>>> import numpy as np
>>> lambda = 0.6
>>> poisson.rvs(lambda, size=10)
>>> print r
[2 2 0 0 0 2 1 0 0 2 ]

试

>>> r = np.real(poisson.rvs(lambda, size=10))

给出相同的结果.

为什么0和1之间没有小数？

rpois()取两个值（n和lambda）根据泊松分布生成n个随机数。

但是，rpois()在以下情况下该怎么办？

> n = c(0,1,2,3,4,5,6,7,8,9)
> lamda = 10
> rpois(n, lamda)
 [1] 13 15 10  9 10 11 10 10 11 15
> 

所以，我尝试模拟混合泊松分布：

data2 <- data.frame(x = c(rpois(n = 50, lambda = 0), rpois(n = 450, lambda = 10)))

然后在其上绘制直方图和密度函数，对于分布函数，我使用spatstatdmixpois包中的函数。这是该图的代码：

ggplot(data2, aes(x = x)) +
  geom_histogram(aes(y = ..density..), bins = 15) +
  geom_line(aes(x = x, y = dmixpois(data2$x, mu = 9, sd = sqrt(41))))