2つの連続分布の混合分布を定義する：

2つの離散分布の混合分布を定義する：

多変量混合分布を定義する：

から までの値の比率を百分率で求める：

から まで：

NProbabilityを使ってこれを関数としてまとめる：

混合分布の最大分散を求める：

アメリカ合衆国の女性の身長は正規分布に従っており，平均64インチ，標準偏差は2インチである．男性の身長も正規分布に従っており，平均70インチ，標準偏差は2インチである．人口の男女比が1.1対1の場合，総人口の身長は次のような二峰性分布になる：

人口100人の町の典型的な身長分布のシミュレーションを行う：

ある人の身長が73インチ以上である確率を求める：

あるバイナリ伝送ではコード0で ボルトの信号を，コード1で ボルトの信号を送る．1は確率 で送られるが信号はホワイトノイズで破損するとして，受信された信号の確率密度関数を求める：

p=0.4で v=1の受信機での伝送のシミュレーションを行う：

2つの信号を区別するためには電位差がより大きくなければならない：

MixtureDistributionを使って多峰モデルを作成することができる：

選択した年代における合衆国の地震のマグニチュードには2つのモードがある：

2つの正規分布の可能な混合分布から推定分布を求める：

そのヒストグラムを推定分布の確率密度関数と比較する：

マグニチュード7以上の地震の確率を求める：

地震の平均マグニチュードを求める：

これから起る30の地震のマグニチュードのシミュレーションを行う：

中型車の市街地と高速道路での平均走行可能距離は二変量正規分布に従う：

市街地と高速道路における走行可能距離の分布を示す：

運転の65%が市街地で行われると仮定すると走行可能距離はMixtureDistributionに従う：

走行可能距離の平均を求める：

ガウス混合モデルは画像分割のためによく使われる．画像は画素の配列として表される．画素は強度（あるいは色）を示すスカラー（あるいはベクトル）である：

Histogramを使って画素値の分布を可視化する：

EstimatedDistributionを使って画素値を3要素のガウス混合にフィットする：

各画素に事後確率(MAP)推定の最大値でラベルを付ける：

結果を可視化する：

重み w の混合分布は重み w/Total[w]のものと等価である：

確率密度関数を比較する：

混合分布の確率密度関数はその成分の確率密度関数の凸結合である：

混合分布の累積分布関数はその成分の累積分布関数の凸結合である：

混合分布のモーメントはその成分のモーメントの凸結合である：

一般次数のモーメント：

有限個の値を仮定すると，離散重みを持つParameterMixtureDistributionは混合分布で表すことができる：

確率密度関数を比較する：

可算個の値を仮定すると，離散重みを持つParameterMixtureDistributionは混合分布で近似することができる：

さまざまな分位点をカットオフとして近似を比較する：

連続的な重みを持つParameterMixtureDistributionを混合分布で近似する：

確率密度関数を比較する：

KernelMixtureDistributionはデータから派生したMixtureDistributionである：

2つの二変量正規分布の混合分布：

ガウスの混合分布からのさまざまな分布型：

多変量ガウス混合分布：