Numpy 来自两个概率分布组合的样本数据

我想做一份模拟目录。我可以访问两组真实数据，我想使用它们的属性生成模拟目录： 第一个包含来自震级和红移（

z

）的信息。 second集合包含有关星系的星等和加权椭圆度的信息

在我的最终模拟目录中，我想生成红移和加权椭圆度。我想使用量级与红移和量级与加权椭圆度的基本属性。但是，我还有一个定义良好的公式，描述了红移的分布，功能如下（

GeneralRandom

是一个能够按照给定分布生成随机样本的类

p（z）

）：

我使用定义的红移分布函数对上述过程中的红移进行采样。 现在，我很困惑如何将从两个分布计算出的

kde

组合起来，并估计我感兴趣的参数，例如，从采样的

红移

中计算模拟目录的

加权椭圆度

？ 该图显示了从两个已知真实数据集估计的高斯KDE。我不知道如何独立使用

stats.gaussian_kde

的输出，只需插入计算的

红移

，并在

2D kde

之后获得相应的

幅值

，然后在上一步中从估计的

幅值

，和

量级

和

权重的估计KDE

估计输入

红移

的

加权椭圆率

？ 从统计学上讲，问题是这样的，对吗

我也不知道计算，应该怎么做

如果有人能介绍我如何解决我的问题，以及一些python编程技巧或介绍一些有用的库，我将不胜感激。

---

设R=红移，M=幅度，W=重量。如果我理解正确的话，你是在尝试从P（W，R）取样

考虑到手头的数据，您没有足够的信息来提供完整的解决方案：注意p（W，R）=p（W | R）p（R），其中p（W | R）=\int p（W，M | R）dM=\int p（W | M，R）p（M | R）dM。你可以从有数据的P（M，R）中推导出P（M，R），但是你没有数据来推导P（W，M，R）——你只有P（W，M），所以你可以推导出P（W，M），但不能推导出P（W，M，R）——为了取得进展，如果你已经有了M，你必须假设R不会给你更多关于W的信息。我对你的问题域一无所知——你必须研究这个假设，看看它是否合理

---

假设p（W | M，R）=p（W | M）是一个合理的假设，您可以从p（R），然后从p（M | R），然后从p（W | M）进行采样以获得一对（R，W）。对于采样P（M | R）和P（W | M），您需要从从内核密度导出的条件分布中进行采样。我目前没有一个公式，但我认为它相对简单。也许我明天会做，今晚我没有时间。

我想假设

R

不会给我更多关于

w

的信息，所以这是一个相对公平的假设。但我如何计算条件分布呢？如果你能给我一些提示，告诉我高斯分布是否能产生条件概率，我怎样才能把它们混合起来，得到一个给定概率为R的W的样本？我找到了P（R | M）的另一个分析公式和另一个包含

量级信息的数据集，
红移
和
加权椭圆度
所以现在的问题是这样的P（W | R）=\int P（R | M）P（W | R，M）P（M）/P（R）dM，看起来比以前更复杂，对吗？现在我不知道如何将所有信息组合起来，对
红移
和
加权椭圆率
进行采样？Dalek你说你有一个包含所有三个变量的数据集。太棒了，如果你想为P（W | R）构建一个模型，只需从新数据集中使用R和W，忽略M。但另一方面，我知道
幅值
和
红移
和
幅值
和
加权椭圆度
之间存在关系，但这并不一定意味着
redshift
和
weight
之间存在直接关系。因为例如在更高的星等中，星系的类型会发生变化，所以
P（R | M）另一方面，
幅度
和
加权椭圆度
是相关的，因为在较高的
幅度
中，数据会变得更嘈杂，因此
摆动椭圆度
会降低。即使我做了这个假设，我也需要拟合一个条件核密度估计，并从上面
p（z）
的分析公式绘制一个
红移的样本，然后使用这个条件概率（我不知道如何）对
加权幅度进行采样，这是正确的方法吗？
ng=24000
def p(z):
    z0=1./3.;eta=1.0
    value=eta*(z**2)*np.exp(-1*(z/z0)**eta)/scipy.special.gamma(3./eta)/z0**3 
    return value

catalogue_generate=GeneralRandom(x=np.arange(0.0, 1.5, .001), p_func=p, Nrl=10000)

catalogue_generate.set_pdf(np.arange(0.0, 1.5, .001), catalogue_generate.p_val, 10000)
redshift=catalogue_generate.random( ng)[0]
redshift=random.sample(redshift, ng)