在 Julia 中估计概率分布并从中抽样
Estimating a probability distribution and sampling from it in Julia
我正在尝试使用 Julia 使用 N 个观察到的数据点（存储为 Float64 数字的数组）来估计连续单变量分布，然后从这个估计的分布中抽样。我没有将注意力限制在某些分布族上的先验知识。
我正在考虑使用 KernelDensity 包来估计分布，但我不确定如何从结果输出中抽样。
任何 help/tips 将不胜感激。
如果对估计分布没有任何限制，经验分布函数（参见Wikipedia). For this distribution there are very nice theorems about convergence to actual distribution (see Dvoretzky–Kiefer–Wolfowitz inequality）是一个自然的候选者。
有了这个选择，采样就特别简单了。如果 dataset 是当前样本的列表，那么 dataset[rand(1:length(dataset),sample_size)] 是来自经验分布的一组新样本。使用 Distributions 包，它可以更具可读性，如下所示：
using Distributions
new_sample = sample(dataset,sample_size)
最后，内核密度估计也不错，但可能需要选择一个参数（内核及其宽度）。这显示了对特定分布族的偏好。从核分布中抽样与从经验分布中抽样惊人地相似： 1. 从经验分布中选择一个样本； 2. 使用来自核函数的样本对每个样本进行扰动。
例如，如果核函数是宽度为w的正态分布，那么扰动样本可以计算为：
new_sample = dataset[rand(1:length(dataset),sample_size)]+w*randn(sample_size)
我正在尝试使用 Julia 使用 N 个观察到的数据点（存储为 Float64 数字的数组）来估计连续单变量分布，然后从这个估计的分布中抽样。我没有将注意力限制在某些分布族上的先验知识。
我正在考虑使用 KernelDensity 包来估计分布，但我不确定如何从结果输出中抽样。
任何 help/tips 将不胜感激。
如果对估计分布没有任何限制，经验分布函数（参见Wikipedia). For this distribution there are very nice theorems about convergence to actual distribution (see Dvoretzky–Kiefer–Wolfowitz inequality）是一个自然的候选者。
有了这个选择，采样就特别简单了。如果 dataset 是当前样本的列表，那么 dataset[rand(1:length(dataset),sample_size)] 是来自经验分布的一组新样本。使用 Distributions 包，它可以更具可读性，如下所示：
using Distributions
new_sample = sample(dataset,sample_size)
最后，内核密度估计也不错，但可能需要选择一个参数（内核及其宽度）。这显示了对特定分布族的偏好。从核分布中抽样与从经验分布中抽样惊人地相似： 1. 从经验分布中选择一个样本； 2. 使用来自核函数的样本对每个样本进行扰动。
例如，如果核函数是宽度为w的正态分布，那么扰动样本可以计算为：
new_sample = dataset[rand(1:length(dataset),sample_size)]+w*randn(sample_size)