如何在Python中应用Poisson-Gamma分布（负二项分布）？

核心结论 #

Poisson-Gamma混合分布（即Poisson参数λ服从Gamma分布的边缘分布）本质就是负二项分布（Negative Binomial Distribution），不需要自定义复杂的混合分布逻辑，直接用SciPy内置的nbinom类就能完成计算。

参数对应关系 #

Poisson-Gamma混合需要两个关键参数：

1. Gamma分布的形状参数α（决定分布的离散程度）
2. Gamma分布的均值μ_λ（即原Poisson分布参数λ的期望，对应你原来的mu_X=1.7）

转换为SciPy中nbinom的参数（注意SciPy的nbinom定义是成功n次前出现k次失败的概率）：

• n = α（Gamma的形状参数）
• p = α / (α + μ_λ) （由负二项分布均值公式μ = n*(1-p)/p推导而来，确保混合后的分布均值等于μ_λ）

代码实现 #

假设你指定Gamma的形状参数α=2（可根据实际场景调整），代码如下：

from scipy.stats import nbinom

# Gamma分布参数：形状α、均值μ_λ（对应原Poisson的mu_X）
alpha = 2
mu_lambda = 1.7

# 转换为SciPy nbinom的参数
nbinom_n = alpha
nbinom_p = alpha / (alpha + mu_lambda)

# 计算X=1、2、3的概率并求和
one = nbinom.pmf(1, nbinom_n, nbinom_p)
two = nbinom.pmf(2, nbinom_n, nbinom_p)
three = nbinom.pmf(3, nbinom_n, nbinom_p)

from_1_to_3 = one + two + three
print(from_1_to_3)

关于负二项分布的参数定义疑问 #

• 无需额外考虑“成败次数”的逻辑：SciPy的nbinom已经封装了负二项分布的概率计算，只要参数对应正确，就能直接得到Poisson-Gamma混合分布的结果。
• 若对参数定义有混淆：只需记住我们的目标是让混合分布的均值等于原Poisson的期望μ_λ，按照上面的参数转换公式设置n和p即可，不必纠结不同定义的差异。

内容的提问来源于stack exchange，提问作者Drankenkin