scipy.stats.Mixture.

支援#

Mixture.support()[原始碼]#

隨機變數的支撐集

隨機變數的支撐集是所有可能結果的集合；也就是說，機率密度函數 \(f(x)\) 為非零的引數 \(x\) 定義域的子集。

此函數會傳回支撐集的下限和上限。

回傳值:

參見

註解

假設一個連續機率分佈的支撐集為 (l, r)。下表總結了 ContinuousDistribution 的方法針對支撐集外部引數傳回的值。

對於 cdf 和相關方法，不等式不需要是嚴格的；也就是說，當方法在對應的邊界評估時，會傳回表格值。

下表總結了 ContinuousDistribution 的反函數方法針對定義域 0 到 1 邊界處的引數傳回的值。

方法	`x = 0`	`x = 1`
`icdf(x)`	`l`	`r`
`icdf(x)`	`r`	`l`

對於反向對數函數，針對 x = log(0) 和 x = log(1) 會傳回相同的值。當在定義域 0 到 1 外部的引數評估時，所有反函數都會傳回 nan。

參考文獻

[1]

範例

使用所需的參數實例化分佈

>>> from scipy import stats
>>> X = stats.Uniform(a=-0.5, b=0.5)

擷取分佈的支撐集

>>> X.support()
(-0.5, 0.5)

對於具有無限支撐集的分佈，

>>> X = stats.Normal()
>>> X.support()
(-inf, inf)

由於下溢，即使對於支撐集內的引數，PDF 傳回的數值也可能為零，即使真實值為非零。在這種情況下，對數 PDF 可能很有用。

>>> X.pdf([-100., 100.])
array([0., 0.])
>>> X.logpdf([-100., 100.])
array([-5000.91893853, -5000.91893853])

對數 CDF 和相關方法的使用案例是類似的。