Generieren von Zufallsvariablen aus einer Mischung von Normalverteilungen

Wie kann ich aus einer Mischungsverteilung und insbesondere einer Mischung von Normalverteilungen in probieren R? Zum Beispiel, wenn ich probieren wollte aus:

wie könnte ich das machen

Es ist forempfehlenswert, Raus Leistungsgründen keine Schleifen zu bilden. Eine alternative Lösung, die diese Tatsache ausnutzt, rnormist vektorisiert:

N <- 100000

components <- sample(1:3,prob=c(0.3,0.5,0.2),size=N,replace=TRUE)
mus <- c(0,10,3)
sds <- sqrt(c(1,1,0.1))

samples <- rnorm(n=N,mean=mus[components],sd=sds[components])

Im Allgemeinen ist einer der einfachsten Wege, eine Probe aus einer Gemischverteilung zu entnehmen, der folgende:

Algorithmusschritte

1) Erzeuge eine Zufallsvariable$U\sim\text{Uniform}(0,1)$

2) Wenn Intervall, in dem der Wahrscheinlichkeit der -Komponente des Mischungsmodells entsprechen, dann aus der Verteilung der -Komponente erzeugen$U\in\left[\sum_{i=1}^kp_{k},\sum_{i=1}^{k+1}p_{k+1}\right)$$p_{k}$$k^{th}$$k^{th}$

3) Wiederholen Sie die Schritte 1) und 2), bis Sie die gewünschte Menge an Proben aus der Gemischverteilung erhalten haben

Unter Verwendung des oben angegebenen allgemeinen Algorithmus können Sie aus Ihrer Beispielmischung von Normalen mit dem folgenden RCode ein Beispiel erstellen:

#The number of samples from the mixture distribution
N = 100000                 

#Sample N random uniforms U
U =runif(N)

#Variable to store the samples from the mixture distribution                                             
rand.samples = rep(NA,N)

#Sampling from the mixture
for(i in 1:N){
    if(U[i]<.3){
        rand.samples[i] = rnorm(1,0,1)
    }else if(U[i]<.8){
        rand.samples[i] = rnorm(1,10,1)
    }else{
        rand.samples[i] = rnorm(1,3,.1)
    }
}

#Density plot of the random samples
plot(density(rand.samples),main="Density Estimate of the Mixture Model")

#Plotting the true density as a sanity check
x = seq(-20,20,.1)
truth = .3*dnorm(x,0,1) + .5*dnorm(x,10,1) + .2*dnorm(x,3,.1)
plot(density(rand.samples),main="Density Estimate of the Mixture Model",ylim=c(0,.2),lwd=2)
lines(x,truth,col="red",lwd=2)

legend("topleft",c("True Density","Estimated Density"),col=c("red","black"),lwd=2)

Welches erzeugt:

und zur Überprüfung der geistigen Gesundheit:

Konzeptionell wählen Sie mit einiger Wahrscheinlichkeit nur eine Verteilung (aus Möglichkeiten) aus und generieren dann Pseudozufallsvariablen aus dieser Verteilung. In wäre dies (zB): $k$R

set.seed(8)               # this makes the example reproducible
N     = 1000              # this is how many data you want
probs = c(.3,.8)          # these are *cumulative* probabilities; since they 
                          #   necessarily sum to 1, the last would be redundant
dists = runif(N)          # here I'm generating random variates from a uniform
                          #   to select the relevant distribution

# this is where the actual data are generated, it's just some if->then
#   statements, followed by the normal distributions you were interested in
data = vector(length=N)
for(i in 1:N){
  if(dists[i]<probs[1]){
    data[i] = rnorm(1, mean=0, sd=1)
  } else if(dists[i]<probs[2]){
    data[i] = rnorm(1, mean=10, sd=1)
  } else {
    data[i] = rnorm(1, mean=3, sd=.1)
  }
}

# here are a couple of ways of looking at the results
summary(data)
#    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
# -3.2820  0.8443  3.1910  5.5350 10.0700 13.1600 

plot(density(data))

Bereits perfekte Antworten gegeben, also für diejenigen, die dies in Python erreichen wollen, ist hier meine Lösung:

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

mu = [0, 10, 3]
sigma = [1, 1, 1]
p_i = [0.3, 0.5, 0.2]
n = 10000

x = []
for i in range(n):
    z_i = np.argmax(np.random.multinomial(1, p_i))
    x_i = np.random.normal(mu[z_i], sigma[z_i])
    x.append(x_i)

def univariate_normal(x, mean, variance):
    """pdf of the univariate normal distribution."""
    return ((1. / np.sqrt(2 * np.pi * variance)) * 
            np.exp(-(x - mean)**2 / (2 * variance)))

a = np.arange(-7, 18, 0.01)
y = p_i[0] * univariate_normal(a, mean=mu[0], variance=sigma[0]**2) + p_i[1] * univariate_normal(a, mean=mu[1], variance=sigma[0]**2)+ p_i[2] * univariate_normal(a, mean=mu[2], variance=sigma[0]**2)

fig, ax = plt.subplots(figsize=(8, 4))

ax.hist(x, bins=100, density=True)
ax.plot(a, y)