distributions

# PyMC 分布参考 本参考提供了 PyMC 中可用概率分布的综合目录，按类别组织。在构建贝叶斯模型时，请使用此目录为先验和似然函数选择合适的分布。 ## 连续分布 连续分布定义了实值域上的概率密度。 ### 常见连续分布 **`pm.Normal(name, mu, sigma)`** - 正态（高斯）分布 - 参数：`mu`（均值），`sigma`（标准差） - 支持域：(-∞, ∞) - 常见用途：无界参数的默认先验，具有加性噪声的连续数据的似然函数 **`pm.HalfNormal(name, sigma)`** - 半正态分布（正态分布的正半部分） - 参数：`sigma`（标准差） - 支持域：[0, ∞) - 常见用途：尺度/标准差参数的先验 **`pm.Uniform(name, lower, upper)`** - 均匀分布 - 参数：`lower`, `upper`（边界） - 支持域：[lower, upper] - 常见用途：当参数必须有界时的弱信息先验 **`pm.Beta(name, alpha, beta)`** - Beta 分布 - 参数：`alpha`, `beta`（形状参数） - 支持域：[0, 1] - 常见用途：概率和比例的先验 **`pm.Gamma(name, alpha, beta)`** - Gamma 分布 - 参数：`alpha`（形状），`beta`（速率） - 支持域：(0, ∞) - 常见用途：正值参数、速率参数的先验 **`pm.Exponential(name, lam)`** - 指数分布 - 参数：`lam`（速率参数） - 支持域：[0, ∞) - 常见用途：尺度参数、等待时间的先验 **`pm.LogNormal(name, mu, sigma)`** - 对数正态分布 - 参数：`mu`, `sigma`（底层正态分布的参数） - 支持域：(0, ∞) - 常见用途：具有乘法效应的正值参数的先验 **`pm.StudentT(name, nu, mu, sigma)`** - 学生 t 分布 - 参数：`nu`（自由度），`mu`（位置），`sigma`（尺度） - 支持域：(-∞, ∞) - 常见用途：正态分布的稳健替代方案，用于抗离群点模型 **`pm.Cauchy(name, alpha, beta)`** - 柯西分布 - 参数：`alpha`（位置），`beta`（尺度） - 支持域：(-∞, ∞) - 常见用途：正态分布的重尾替代方案 ### 特殊连续分布 **`pm.Laplace(name, mu, b)`** - 拉普拉斯（双指数）分布 **`pm.AsymmetricLaplace(name, kappa, mu, b)`** - 非对称拉普拉斯分布 **`pm.InverseGamma(name, alpha, beta)`** - 逆 Gamma 分布 **`pm.Weibull(name,