Muestra de una función de distribución en Python

Question

Tengo una matriz.

array([1,1,1,1,1,
1,1,1,0.96227599,0,
0,1,1,1,1,
0,0,1,0,0,
1,1,1,0,1,
1,1,0,1,0,
0,1,0,0,1,
0,0,1,1,1,
1,1,0,1,1,
1,1,1,1,1,
1,1,1,1,1,
1,1,0,0,0,
1,0,1,1,1,
1,1,1,1,1,
1,1,1,1,1,
0.94795539,0.85308765,0,0,1,
1,1,0.9113806,1,1,
1,1,1,1,1,
1,0,1,1,0,
1,1,1,1,1,
1,1,0.20363486,0.50635838,0.52025932,
0,0.34747655,0.50147493,0,0.4848249,
0,0.88495575,0,0.27620151,0.3981369,
0,0,0])

Los valores oscilan entre 0 y 1. ¿Cómo puedo graficar una función de distribución de probabilidad? Y luego llene una tabla con 1000 filas basadas en ella, donde cada fila tiene 5 columnas. De hecho, llene la tabla con muestras de 5 valores:

Answer 1

Para obtener un pdfde sus muestras, puede utilizar un kernel density estimator. Una opción es la gaussian_kdeforma scipy.stats.

Incluye determinación automática de ancho de banda. La estimación funciona mejor para una distribución unimodal; las distribuciones bimodales o multimodales tienden a ser demasiado suavizadas.

Sus muestras tienen un aspecto fuertemente bimodelo con clústeres en 0 y 1, por lo que le recomendamos que utilice sklearns KernelDensity. Aquí tienes más control sobre lo específico algorithm, kernely la bandwidth. Sklearn también tiene una introducción a la estimación de densidad

El flujo de trabajo con ambos métodos es bastante similar:

import numpy as np
from scipy import stats
from sklearn.neighbors import KernelDensity
import matplotlib.pyplot as plt

a = np.array([1,1,1,1,1,1,1,1,0.96227599,0,0,1,1,1,1,0,0,1,0,0,1,1,1,0,1,1,1,0,1,0,0,1,0,0,1,0,0,1,1,1,1,1,0,1,1,1,1,1,
              1,1,1,1,1,1,1,1,1,0,0,0,1,0,1,1,1,1,1,1,1,1,1,1,1,1,1,0.94795539,0.85308765,0,0,1,1,1,0.9113806,1,1,1,1,
              1,1,1,1,0,1,1,0,1,1,1,1,1,1,1,0.20363486,0.50635838,0.52025932,0,0.34747655,0.50147493,0,0.4848249,0,
              0.88495575,0,0.27620151,0.3981369,0,0,0])

kde1 = stats.gaussian_kde(a)
x1 = np.linspace(0, 1, 100)
y1 = kde1.pdf(x1)

kde2 = KernelDensity(bandwidth=0.1).fit(a.reshape(-1, 1))
y2 = kde2.sample(10000)

kde3 = KernelDensity(bandwidth=0.01).fit(a.reshape(-1, 1))
y3 = kde3.sample(10000)

fig, ax = plt.subplots()
ax.plot(x1, y1, c='b')
ax.hist(y2.ravel(), bins=100, density=True, color='r', alpha=0.7)
ax.hist(y3.ravel(), bins=100, density=True, color='m', alpha=0.7)

Tenga en cuenta que este método no limita su PDF en valores entre [0, 1]. Tienes que encargarte de esto tú mismo, es decir, filtrarlos en un segundo paso. Sin embargo, si elige un ancho de banda pequeño, podría acercarse bastante.

---

No entiendo bien la segunda parte de su pregunta. Si desea extraer nuevas muestras de la distribución estimada, puede hacerlo a través de kde.sample()(sklearn) / kde.resample()(scipy). Y llenar esos valores en una tabla es una pregunta diferente para la que definitivamente encontrará respuestas aquí en StackOverflow.