Моделирование избыточной дисперсии Пуассона в метках времени

Я пытаюсь моделировать временные метки событий, которые обычно соответствуют пуассоновскому процессу, где среднее = дисперсия. Я добился этого, используя следующий код, который выбирает экспоненциальный (межвременной отсчет экспоненциальный для Пуассона), и он, кажется, работает довольно хорошо.

    def GenerateTimes(self):

        intervals = [random.expovariate(self.CountsPerSecond) for i in range(self.nDataPoints)]
        timeStamps = [0.0]
        timeStamp = 0.0

        for t in intervals:
            timeStamp += t
            timeStamps.append(timeStamp)

        self.timeStamps = timeStamps

Теперь я хочу смоделировать очень похожий процесс и включить степень избыточной дисперсии, то есть среднюю дисперсию. Для полного объяснения чрезмерной дисперсии посмотрите на на этой странице . По сути, я хочу включить степень «слипания» или «кластеризации» в метках времени.

В идеале, я хотел бы, чтобы среднее значение было таким же, как чистый пуассоновский процесс, но стандартное отклонение должно быть увеличено с помощью множителя, т.е. 1,5 х сигма, 2 х сигма и т. Д. Любой совет, как я могу это сделать ?

Спасибо

1
задан Mark 27 June 2019 в 17:20
поделиться

1 ответ

Я думаю, что Вы ищете, Процесс Точки Cox: https://en.wikipedia.org/wiki/Point_process https://en.wikipedia.org/wiki/Cox_process

В процессе точки Cox там кластеризируется событий и следовательно большего различия, чем в процессе точки Poisson.

0
ответ дан Zach Favakeh 27 June 2019 в 17:20
поделиться
  • 1
    Я думаю в первой строке Вы, хочет сказать parseInr(_) вместо parseFloat(_) ? – Grijesh Chauhan 20 July 2013 в 09:11
Другие вопросы по тегам:

Похожие вопросы: