我有一个带有观测值（x，y）的表，需要估计更接近它们的泊松分布的平均值。似乎R和Octave都可以在Linux上执行此操作，但我想知道是否有多平台方式来执行此操作。我可以用程序捆绑任何东西，但我不能要求安装任何东西让它运行。
我尝试自己搜索算法但找不到，所以我不知道该怎么办。
为了记录，我确实找到了一个简单的算法，它基本上将所有值相加并除以示例的数量，但即使是直接从书中获取的一个简单示例也会失败。
示例：
requisitions per day : absolute frequency (days) : relative frequency
8 : 2 : 0.016
9 : 4 : 0.033
10 : 6 : 0.050
11 : 8 : 0.066
12 : 10 : 0.083
13 : 12 : 0.100
14 : 13 : 0.108
15 : 14 : 0.116
16 : 12 : 0.100
17 : 10 : 0.083
18 : 9 : 0.075
19 : 7 : 0.058
20 : 5 : 0.041
21 : 3 : 0.025
22 : 2 : 0.016
23 : 2 : 0.016
24 : 1 : 0.008
Poisson分布的均值应为15（根据我得到的例子）。我在上面说过并且在其中一个答案中的方法给了我16.使用平方欧氏距离的总和，我还发现平均值为15的泊松比平均值16的泊松更接近数据。
答案 0 :(得分：4)
均值的MLE只是样本均值。见维基百科：
http://en.wikipedia.org/wiki/Poisson_distribution#Maximum_likelihood
平均你的数据向量。
更新：我现在根据刚刚添加到问题中的示例数据扩展此答案。
我对样本数据的解释是
reqs-per-day frequency
8 2
9 4
10 6
表示有两天的申请人数为每天8天。申请人数为9天的四天。因此，我假设数据相当于：
8,8,9,9,9,9,10,10,10,10,10,10,...
此列表中的每个条目对应一天。此列表的顺序无关紧要。我想你应该平均这个清单。
频率字段的总和为120.我认为这意味着实验中共有120天。