scipy.stats.Normal.

support#

Normal.support()[source]#

随机变量的支持度

随机变量的支持度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。

此函数返回支持度的下限和上限。

返回值:

另请参阅

注释

假设一个连续概率分布具有支持度 (l, r)。下表总结了当参数超出支持度时，几种方法返回的值。

对于离散分布，同样的表格适用于用 pmf 和 logpmf 替换 pdf 和 logpdf。

对于连续分布的 cdf 和相关方法，不等式不必严格；即，当方法在相应边界处评估时，返回表格中的值。

下表总结了逆方法对于参数 0 和 1 返回的值，无论分布是连续的还是离散的。

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

对于逆对数函数，对于 x = log(0) 和 x = log(1) 返回相同的值。当在域 0 到 1 之外的参数处评估时，所有逆函数都返回 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)

检索分布的支持度

>>> 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，即使对于支持度内的参数，PDF 返回的数值也可能为零，即使真实值非零。在这种情况下，log-PDF 可能有用。

>>> 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类似。