scipy.stats.Mixture.

поддержка#

Смесь.поддержка()[источник]#

Носитель случайной величины

Носитель случайной величины — это множество всех возможных исходов; т.е., подмножество области определения аргумента \(x\) для которого функция плотности вероятности \(f(x)\) не равно нулю.

Эта функция возвращает нижнюю и верхнюю границы носителя.

Возвращает:

выходкортеж из Array: Нижняя и верхняя границы носителя.

Смотрите также

pdf

Примечания

Предположим, непрерывное распределение вероятностей имеет носитель (l, r). Следующая таблица суммирует значения, возвращаемые различными методами, когда аргумент находится вне области определения.

Метод	Значение для `x < l`	Значение для `x > r`
`pdf(x)`	0	0
`logpdf(x)`	-inf	-inf
`cdf(x)`	0	1
`logcdf(x)`	-inf	0
`ccdf(x)`	1	0
`logccdf(x)`	0	-inf

Для дискретных распределений применяется та же таблица с pmf и logpmf заменен на pdf и logpdf.

Для cdf и связанных методов непрерывных распределений, неравенство не обязательно должно быть строгим; т.е. табличное значение возвращается, когда метод вычисляется в соответствующая граница.

Следующая таблица суммирует значения, возвращаемые обратными методами для аргументов 0 и 1, является ли распределение непрерывным или дискретным.

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

Для обратных логарифмических функций возвращаются те же значения для x = log(0) и x = log(1). Все обратные функции возвращают nan при вычислении с аргументом вне области определения 0 to 1.

Ссылки

[1]

Носитель (математика), Википедия, https://en.wikipedia.org/wiki/Support_(mathematics))

Примеры

любым из целых чисел в полуоткрытом диапазоне

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

Получить носитель распределения:

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

Для распределения с бесконечной поддержкой,

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

Из-за потери значимости числовое значение, возвращаемое PDF, может быть нулевым даже для аргументов в пределах поддержки, даже если истинное значение ненулевое. В таких случаях log-PDF может быть полезен.

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

Случаи использования логарифма CDF и связанных методов аналогичны.