从分布中采样。
选择一个模型，或从你自己的数据开始。
正态分布
Normal · μ = 0 · σ = 1
配置已修改，点击「生成样本」更新结果直方图按概率密度归一化
模型与样本
查看前 60 个样本
KDE、Bootstrap 和对数 KDE，怎么选？
| 方法 | 适合什么 | 要留意什么 |
|---|---|---|
| 高斯 KDE | 连续数据；希望产生新数值 | 可能超出原始范围，包括负值 |
| Bootstrap | 离散值、整数；保留观测频率 | 只能生成原始数据中已有的值 |
| 对数 KDE | 严格为正且偏斜的数据 | 不能接受零或负数；平滑在对数空间进行 |
没有普遍更优的方法。KDE 带宽会显著改变结果，小样本的形状不确定性较大。若有可靠的分布假设，也可先拟合参数模型。此工具不自动拟合模型或判断数据属于哪种分布。
方法参考：SciPy Gaussian KDE 文档。