Ctrl+K
scipy.stats.

混合#

class scipy.stats.Mixture(components, *, weights=None)[source]#

混合分佈的表示。

混合分佈是以以下方式定義的隨機變數的分佈：首先，根據 components 給定的機率，從 weights 中選擇一個隨機變數，然後實現所選的隨機變數。

參數:
componentsContinuousDistribution 的序列

ContinuousDistribution 的底層實例。所有實例都必須具有純量形狀參數（如果有的話）；例如，在純量引數下評估的 pdf 必須傳回一個純量。

weights浮點數序列，選填

選擇每個隨機變數的相應機率。必須是非負數且總和為一。預設行為是對所有組件進行等權重加權。

註解

以下縮寫貫穿整個文件。

  • PDF：機率密度函數

  • CDF：累積分布函數

  • CCDF：互補累積分布函數

  • entropy：微分熵

  • log-F：F 的對數（例如 log-CDF）

  • inverse F：F 的反函數（例如 inverse CDF）

參考文獻

屬性:
componentsContinuousDistribution 的序列

ContinuousDistribution 的底層實例。

weightsndarray

選擇每個隨機變數的相應機率。

方法

support()

隨機變數的支援度

sample([shape, rng, method])

從分佈中隨機取樣。

moment([order, kind, method])

正整數階的原始、中心或標準動差。

mean(*[, method])

平均值（關於原點的原始一階動差）

median(*[, method])

中位數（第 50 百分位數）

mode(*[, method])

眾數（最可能的值）

variance(*[, method])

變異數（中心二階動差）

standard_deviation(*[, method])

標準差（中心二階動差的平方根）

skewness(*[, method])

偏度（標準化三階動差）

kurtosis(*[, method])

峰度（標準化四階動差）

pdf(x, /, *[, method])

機率密度函數

logpdf(x, /, *[, method])

機率密度函數的對數

cdf(x[, y, method])

累積分布函數

icdf(p, /, *[, method])

累積分布函數的反函數。

ccdf(x[, y, method])

互補累積分布函數

iccdf(p, /, *[, method])

互補累積分布函數的反函數。

logcdf(x[, y, method])

累積分布函數的對數

ilogcdf(p, /, *[, method])

累積分布函數對數的反函數。

logccdf(x[, y, method])

互補累積分布函數的對數

ilogccdf(p, /, *[, method])

互補累積分布函數對數的反函數。

entropy(*[, method])

微分熵
在本頁面上