scipy.stats.

混合

class scipy.stats.Mixture(components, *, weights=None)

混合分布的表示。

混合分布是以如下方式定义的随机变量的分布：首先，根据 weights 给出的概率，从 components 中选择一个随机变量，然后实现所选的随机变量。

参数:

componentsContinuousDistribution 的序列

ContinuousDistribution 的底层实例。所有实例都必须具有标量形状参数（如果有）；例如，在标量参数处评估的 pdf 必须返回一个标量。

weights浮点数序列，可选

选择每个随机变量的相应概率。必须是非负数且总和为 1。默认行为是平均加权所有分量。

注释

以下缩写贯穿整个文档。

• PDF：概率密度函数

• CDF：累积分布函数

• CCDF：互补 CDF

• 熵：微分熵

• log-F：F 的对数（例如 log-CDF）

• 逆 F：F 的反函数（例如，逆 CDF）

参考文献

[1]

混合分布，维基百科，https://en.wikipedia.org/wiki/Mixture_distribution

属性:

componentsContinuousDistribution 的序列

ContinuousDistribution 的底层实例。

weightsndarray

选择每个随机变量的相应概率。

方法

support()	随机变量的支持
sample([shape, rng, method])	从分布中抽取随机样本。
moment([order, kind, method])	正整数阶的原始矩、中心矩或标准矩。
mean(*[, method])	均值（关于原点的原始一阶矩）
median(*[, method])	中位数（第 50 个百分位数）
mode(*[, method])	众数（最可能的值）
variance(*[, method])	方差（中心二阶矩）
standard_deviation(*[, method])	标准差（中心二阶矩的平方根）
skewness(*[, method])	偏度（标准化三阶矩）
kurtosis(*[, method])	峰度（标准化四阶矩）
pdf(x, /, *[, method])	概率密度函数
logpdf(x, /, *[, method])	概率密度函数的对数
cdf(x[, y, method])	累积分布函数
icdf(p, /, *[, method])	累积分布函数的逆函数。
ccdf(x[, y, method])	互补累积分布函数
iccdf(p, /, *[, method])	互补累积分布函数的逆函数。
logcdf(x[, y, method])	累积分布函数的对数
ilogcdf(p, /, *[, method])	累积分布函数对数的逆函数。
logccdf(x[, y, method])	互补累积分布函数的对数
ilogccdf(p, /, *[, method])	互补累积分布函数对数的逆函数。
entropy(*[, method])	微分熵