R 事件发生的加权可能性

我想确定某个范围内发生某些事件的概率

最小值=600最大值=50000最频繁结果=600

---

我生成了一系列事件：

numbers首先，我认为您要查找的是
ppois
，而不是
qpois
。函数
qpois（p600）
采用概率向量
p
。如果你做了
qpois（0.75600）
你将得到616，这意味着75%的观察值将达到或低于616

ppois
与
qpois
相反。如果你做
ppois（616600）
你会得到（大约）0.75

至于你的具体分布，它不能是泊松分布。让我们看看平均值为600的泊松分布是什么样子：

x <- 500:700
plot(x, dpois(x, 600), type = "h")

因此，如果您的数据包含30000或50000以及600的值，那么它肯定不是泊松分布

如果不了解更多关于实际数据的信息，就不可能说出您的分布情况。也许如果你在问题中加入一个样本，我们可以提供更多帮助


编辑

通过评论中提供的数字样本，我们可以了解实际的经验分布：

hist（数字，200）


如果我们想知道任意点的概率，我们可以创建经验累积分布函数，如下所示：

获得[1]0.16412的概率

然而，在这种情况下，我们知道分布是如何生成的，因此我们可以使用一些简单的几何图形来计算精确的理论cdf（我不会在这里展示我的工作，因为尽管它很简单，但它相当冗长、枯燥，并且不适用于其他分布）：

cdf[1]0.8360898

---

这非常接近，但理论上比经验值更准确。

当然，这是用python创建的随机生成的列表[link]（），通过：

import numpy as np import matplotlib.pyplot as plt a=600 b=50000 c=600 num=np.ma.round（np.random.triangal（左=a-0.5，模式=c，右=b+0.5，大小=50000））