基于Julia的概率分布估计与抽样
基于Julia的概率分布估计与抽样
提问于 2016-10-19 14:54:58
我试图使用Julia来估计一个连续的单变量分布，使用N个观测数据点(存储为一个Float64数数组)，然后从这个估计的分布中抽取样本。我以前没有知识限制对某些分布家庭的关注。
我正在考虑使用KernelDensity包来估计发行版，但我不知道如何从结果输出中取样。
如有任何帮助/建议，将不胜感激。
回答 1
Stack Overflow用户
回答已采纳
发布于 2016-10-19 18:45:18
没有任何限制的估计分布，一个自然的候选将是经验分布函数(见维基百科)。对于这种分布，有关于收敛到实际分布的很好的定理(见Dvoretzky-不等式)。
有了这个选择，抽样就特别简单了。如果dataset是当前样本的列表，那么dataset[rand(1:length(dataset),sample_size)]是一组来自经验分布的新样本。使用Distributions包，它可以更易读，如下所示：
using Distributions
new_sample = sample(dataset,sample_size)最后，核密度估计也很好，但可能需要选择一个参数(内核及其宽度)。这表明了对某个分布家族的偏爱。核分布的抽样与经验分布的抽样惊人地相似: 1.从经验分布中选择样本；2.使用核函数的样本扰动每个样本。
例如，如果内核函数是宽度w的正态分布，则可以将受干扰的样本计算为：
new_sample = dataset[rand(1:length(dataset),sample_size)]+w*randn(sample_size)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/40134937
复制相关文章
相似问题
腾讯云开发者
