下面是针对“python 计算概率密度、累计分布、逆函数的例子”的完整攻略:
1. 概率密度
计算概率密度通常使用的是概率密度函数(PDF),在python中可以使用scipy库的scipy.stats
模块中的概率密度函数方法来计算。这里以正态分布为例,展示计算方法。
from scipy.stats import norm
# 设定参数:均值为2,标准差为1
mean = 2
std = 1
# 计算x=1处的概率密度
pdf = norm.pdf(1, mean, std)
print(pdf)
上述代码中,引入scipy库的norm方法,设定正态分布的均值和标准差,使用pdf方法计算在正态分布下,x=1处的概率密度。结果为0.24197072451914337。
2. 累计分布
累计分布函数(CDF)是计算给定分布下变量小于或等于一个值的概率。在python中,同样可以使用scipy库的scipy.stats
模块来计算,这里以正态分布为例。
from scipy.stats import norm
# 设定参数:均值为2,标准差为1
mean = 2
std = 1
# 计算x=1处的概率密度
cdf = norm.cdf(1, mean, std)
print(cdf)
上述代码中,同样引入scipy库的norm方法,设定正态分布的均值和标准差,使用cdf方法计算在正态分布下,x=1处的累计分布。结果为0.15865525393145707。
3. 逆函数
逆函数是一种函数,将概率值作为输入,并返回对应概率值的变量值。在python中,可以通过ppf(percent point function)方法,计算给定概率下的变量值。这里依然以正态分布为例。
from scipy.stats import norm
# 设定参数:均值为2,标准差为1
mean = 2
std = 1
# 计算在正态分布下,累积分布值为0.6时的变量值
inv = norm.ppf(0.6, mean, std)
print(inv)
上述代码中,引入scipy库的norm方法,设定正态分布的均值和标准差,使用ppf方法计算在正态分布下,累积分布为0.6时的变量值。结果为2.253347103414062。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:python 计算概率密度、累计分布、逆函数的例子 - Python技术站