如何计算 python 中正态分布的线性变换的 cdf?

How do you calculate the cdf of a linear transformation of the normal distribution in python?

我有一个 pdf,它是正态分布的线性变换:

T = 0.5A + 0.5B

Mean_A = 276

Standard Deviation_A = 6.5

Mean_B = 293

Standard Deviation_A = 6

如何计算 Python 中 T 在 281 和 291 之间的概率?

我试过以下代码:

mu1 = 276

sigma1 = 6.5

mu2 = 293

sigma2 = 6

normalized = 0.5 * scipy.stats.norm.pdf(x, loc = mu1, scale = sigma1) + 0.5 * scipy.stats.norm.pdf(x, loc = mu2, scale = sigma2)

print(normalized.cdf(291) - normalized.cdf(281))

但这出现了一个错误。

我也尝试计算 T ~ N(284.5, 19.5625)

的 CDF

print(norm.cdf(291 - 284.5/4.422952)),等等,但这得出了一个错误的答案。

如有任何帮助,我们将不胜感激!

您的评论表明您假设变量是独立的,因为在这种情况下,总和的均值和方差与您给出的一样。

然后,你可以通过

定义总和
normalized = scipy.stats.norm(0.5*mu1 + 0.5*mu2, np.sqrt((0.5*sigma1)**2 + (0.5*sigma2)**2))

特别是,像您一样使用 cdf 得到您想要的:

In [27]: normalized.cdf(291) - normalized.cdf(281)                                              
Out[27]: 0.7147892127602181

为了验证这个结果是否符合预期,我们可以运行一个快速模拟:

In [31]: N = 10**7                                                                               

In [32]: rvs = 0.5*np.random.normal(mu1, sigma1, size=N) + 0.5*np.random.normal(mu2, sigma2, size=N)     

In [33]: ((rvs > 281) & (rvs < 291)).mean()                                                              
Out[33]: 0.7148597

确实,这是对上述准确结果的合理近似。

编辑:根据对该答案的评论,OP 实际上对 PDF 为

的随机变量感兴趣

PX(x)=[1/(√2πVar1)^e^−(x−μ1)^2/2Var1]∗0.5+[1/(√2πVar2)^e^−(x−μ1)^2/2Var2]∗0.5

值得注意的是,这 不是 正态分布变量的线性组合(就此而言,它本身不是正态分布变量),因此无论在哪个练习中都这样表述你给了,然后他们措辞不正确。

虽然这种情况更简单:将 281 的 PDF 积分到 291 可以通过积分每个被加数来完成,这反过来只是正态分布的 PDF,因此您可以按上述方式进行:

In [43]: n1 = scipy.stats.norm(mu1, sigma1)                                                                       

In [44]: n2 = scipy.stats.norm(mu2, sigma2)                                                                       

In [45]: .5*(n1.cdf(291) - n1.cdf(281) + n2.cdf(291) - n2.cdf(281))                                      
Out[45]: 0.2785306219161424