Es gibteine Frage zu CrossValidated Informationen zur Verwendung von PyMC zum Anpassen von zwei Normalverteilungen an Daten. Die Antwort vonCam.Davidson.Pilon sollte eine Bernoulli-Distribution verwenden, um Daten einer der beiden Normalen zuzuweisen:

size = 10
p = Uniform( "p", 0 , 1) #this is the fraction that come from mean1 vs mean2
ber = Bernoulli( "ber", p = p, size = size) # produces 1 with proportion p.
precision = Gamma('precision', alpha=0.1, beta=0.1)

mean1 = Normal( "mean1", 0, 0.001 )
mean2 = Normal( "mean2", 0, 0.001 )

@deterministic
def mean( ber = ber, mean1 = mean1, mean2 = mean2):
    return ber*mean1 + (1-ber)*mean2

Jetzt ist meine Frage: Wie mache ich das?drei Normalen?

Grundsätzlich besteht das Problem darin, dass Sie eine Bernoulli-Distribution und 1-Bernoulli nicht mehr verwenden können. Aber wie macht man das dann?

bearbeiten: Mit dem Vorschlag des CDP habe ich den folgenden Code geschrieben:

import numpy as np
import pymc as mc

n = 3
ndata = 500

dd = mc.Dirichlet('dd', theta=(1,)*n)
category = mc.Categorical('category', p=dd, size=ndata)

precs = mc.Gamma('precs', alpha=0.1, beta=0.1, size=n)
means = mc.Normal('means', 0, 0.001, size=n)

@mc.deterministic
def mean(category=category, means=means):
    return means[category]

@mc.deterministic
def prec(category=category, precs=precs):
    return precs[category]

v = np.random.randint( 0, n, ndata)
data = (v==0)*(50+ np.random.randn(ndata)) \
       + (v==1)*(-50 + np.random.randn(ndata)) \
       + (v==2)*np.random.randn(ndata)
obs = mc.Normal('obs', mean, prec, value=data, observed = True)

model = mc.Model({'dd': dd,
              'category': category,
              'precs': precs,
              'means': means,
              'obs': obs})

Die Spuren mit dem folgenden Probenahmeverfahren sehen ebenfalls gut aus. Gelöst!

mcmc = mc.MCMC( model )
mcmc.sample( 50000,0 )
mcmc.trace('means').gettrace()[-1,:]