17370845950

Python中处理概率分布主要依赖scipy.stats和numpy。1. 离散型包括二项、泊松、几何和超几何分布，适用于整数取值随机变量；2. 连续型如正态、均匀、指数、伽玛、贝塔和对数正态分布，用于实数值变量；3. 多变量分布如多元正态分布，建模多变量联合分布；4. 自定义与经验分布可通过核密度估计和经验分布函数实现。scipy.stats提供pdf、cdf、rvs等统一接口，便于建模与推断。

Python中处理概率分布主要依赖于scipy.stats模块和numpy库，涵盖了几类常见的概率分布类型。以下是主要分类及常见示例：

1. 离散型概率分布

适用于取值为整数或有限/可数集合的随机变量。

• 二项分布（Binomial）：模拟n次独立试验中成功次数，如抛硬币k次正面朝上。
  使用：scipy.stats.binom
• 泊松分布（Poisson）：描述单位时间内事件发生次数，如每小时接到的电话数。
  使用：scipy.stats.poisson
• 几何分布（Geometric）：首次成功所需的试验次数。
  使用：scipy.stats.geom
• 超几何分布（Hypergeometric）：无放回抽样中的成功次数。
  使用：scipy.stats.hypergeom

2. 连续型概率分布

适用于在区间内可取任意实数值的随机变量。

• 正态分布（Normal / Gaussian）：最常用的分布，对称钟形曲线，如身高、测量误差。
  使用：scipy.stats.norm
• 均匀分布（Uniform）：在区间[a, b]内等概率取值。
  使用：scipy.stats.uniform
• 指数分布（Exponential）：描述事件间的时间间隔，常用于可靠性分析。
  使用：scipy.stats.expon
• 伽玛分布（Gamma）：指数分布的推广，用于建模等待多个事件的时间。
  使用：scipy.stats.gamma
• 贝塔分布（Beta）：定义在[0,1]区间，常用于表示概率的不确定性。
  使用：scipy.stats.beta
• 对数正态分布（Lognormal）：变量的对数服从正态分布，适用于收入、房价等右偏数据。
  使用：scipy.stats.lognorm

3. 多变量分布

用于多个随机变量联合分布的情况。

• 多元正态分布（Multivariate Normal）：多个正态变量的联合分布，考虑协方差结构。
  使用：scipy.stats.multivariate_normal

4. 自定义与经验分布

当理论分布不适用时，可用数据构建经验分布。

• 核密度估计（KDE）：从样本数据估计连续概率密度。
  使用：scipy.stats.gaussian_kde
• 经验分布函数（ECDF）：基于样本的累积分布。
  可通过numpy排序后构造

基本上就这些。根据数据特征选择合适分布，是建模和统计推断的基础。Python通过scipy.stats提供了统一接口：支持概率密度（pdf）、累积分布（cdf）、生成随机数（rvs）等功能，使用方便。