现在我正在处理一个时间序列事件，并希望显示它不是随机生成的事件。为此，我试图在scipy中使用kstest。顺便说一下，我有一个关于泊松分布的cipy.stats.kstest的问题，如下所示

• 代码1

from scipy.stats import poisson, kstest

noPts = 100 # <<<<<<<<<<<<---------------
lambdaPoisson = 10

my_data = poisson.rvs(size = noPts, mu = lambdaPoisson)

ks_statistic, p_value = kstest(my_data, 'poisson', args=(lambdaPoisson,0))
print(ks_statistic, p_value)

0.18677614630310613 0.0015821590670650476

字符串
代码2

from scipy.stats import poisson, kstest

noPts = 1000 #<<<<<<<<<<<--------------
lambdaPoisson = 10

my_data = poisson.rvs(size = noPts, mu = lambdaPoisson)

ks_statistic, p_value = kstest(my_data, 'poisson', args=(lambdaPoisson,0))
print(ks_statistic, p_value)

0.13477614630310608 2.6511802749311937e-16

型
我期望更多的数据点将导致两个分布之间更精确的统计匹配（poisson.rvs vs. kstest（Poisson）.是的，ks_statistics正在变小。但是p值变得非常小，这拒绝了零假设，这非常奇怪，因为两个分布是具有相同参数的相同“泊松”。我做错了什么？
有人能理解并解释一下这里的差异吗？