scipy.stats.Mixture.

support#

Mixture.support()[源代码]#

随机变量的支持

随机变量的支持是所有可能结果的集合；即，概率密度函数 \(f(x)\) 非零的自变量 \(x\) 的域的子集。

此函数返回支持的下限和上限。

返回:

另请参阅

注释

假设一个连续概率分布的支持是 (l, r)。下表总结了对于支持范围之外的参数，ContinuousDistribution 的方法返回的值。

对于 cdf 和相关方法，不等式不必是严格的；即当方法在相应的边界进行评估时，会返回表格中的值。

下表总结了对于域 0 到 1 的边界处的参数，ContinuousDistribution 的反向方法返回的值。

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

对于反向对数函数，对于 x = log(0) 和 x = log(1)，返回相同的值。当在域 0 到 1 之外的参数进行评估时，所有反向函数都返回 nan。

参考文献

[1]

示例

使用所需的参数实例化分布

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

检索分布的支持

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

对于具有无限支持的分布，

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

由于下溢，即使参数在支持范围内，PDF 返回的数值也可能为零，即使真实值不为零。在这些情况下，log-PDF 可能很有用。

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

log-CDF 和相关方法的使用案例是类似的。