请给我用numpy自带的泊松分布公式生成随机数并进行KS检验的代码

在Python中，你可以使用NumPy库来生成泊松分布的随机数，并结合SciPy库来进行KS检验。以下是生成随机数并进行检验的一个例子：

import numpy as np
from scipy.stats import ks_2samp

# 定义泊松分布参数 λ 和样本大小 n
lambda_val = 5  # λ 是泊松分布的均值
n_samples = 1000

# 使用 NumPy 生成泊松分布的随机数
poisson_rvs = np.random.poisson(lam=lambda_val, size=n_samples)

# 假设我们有一个理论分布的累积分布函数，这里可以用标准正态分布代替
theoretical_cdf = lambda x: 0.5 * (1 + erf(x / np.sqrt(2)))

# 计算理论分布的累积分布
theoretical_values = theoretical_cdf(np.linspace(-5, 5, 100))

# 对比两组数据的累积分布
observed_cdf, _ = np.histogram(poisson_rvs, bins=range(-5, 6), density=True)
observed_cdf = observed_cdf.cumsum()

# 进行KS检验
ks_statistic, p_value = ks_2samp(observed_cdf, theoretical_values)

print(f"KS statistic: {ks_statistic}")
print(f"P-value: {p_value}")

# 如果P-value小于显著性水平（如0.05），我们可以拒绝零假设（即两组数据有相同的分布）

在这个代码示例中，我们首先生成了泊松分布的随机数，然后模拟了一个理论分布的累积分布函数，接着比较了这两个分布。最后，通过`ks_2samp`函数获取了KS检验的统计量和p-value。