### 连续型随机变量分布函数及特定区间概率的Python实现 以下是基于 `scipy.stats` 库实现连续型随机变量分布函数及其在特定区间内的概率计算的代码示例： #### 均匀分布（Uniform Distribution） 均匀分布在指定范围内具有恒定的概率密度。 ```python from scipy.stats import uniform import numpy as np # 定义均匀分布参数 a, b = 2, 5 # 范围 [a, b] # 创建均匀分布对象 dist_uniform = uniform(loc=a, scale=b-a) # 计算特定区间的概率 P(2.5 < X < 4.5) prob_interval = dist_uniform.cdf(4.5) - dist_uniform.cdf(2.5) print(f"P(2.5 < X < 4.5) = {prob_interval:.4f}") ``` 以上代码实现了均匀分布的概率计算，其中 `cdf` 方法用于获取累积分布函数值[^3]。 --- #### 正态分布（Normal Distribution） 正态分布是最常见的连续型随机变量之一，适用于许多自然现象建模。 ```python from scipy.stats import norm # 定义正态分布参数 mu, sigma = 100, 15 # 均值 mu 和标准差 sigma # 创建正态分布对象 dist_normal = norm(loc=mu, scale=sigma) # 计算特定区间的概率 P(X > 90) prob_greater_than_90 = 1 - dist_normal.cdf(90) print(f"P(X > 90) = {prob_greater_than_90:.6f}") # 或者直接使用 sf 方法（Survival Function） prob_sf = dist_normal.sf(90) print(f"P(X > 90) using SF = {prob_sf:.6f}") ``` 这段代码展示了如何使用 `norm` 对象计算正态分布下的概率[^1]。注意 `sf` 是残存函数 \(1 - F(x)\)，可以直接用来计算大于某值的概率。 --- #### 指数分布（Exponential Distribution） 指数分布常用于描述事件发生的时间间隔。 ```python from scipy.stats import expon # 定义指数分布参数 lambda_rate = 0.5 # λ = 1/mean # 创建指数分布对象 dist_expon = expon(scale=1/lambda_rate) # 计算特定区间的概率 P(1 < X < 3) prob_interval_exp = dist_expon.cdf(3) - dist_expon.cdf(1) print(f"P(1 < X < 3) = {prob_interval_exp:.4f}") ``` 这里通过 `expon` 类创建了一个指数分布实例，并利用其 `cdf` 方法完成概率计算[^3]。 --- #### 自定义连续型随机变量 对于某些复杂情况，可能需要手动定义概率密度函数并进行数值积分。 ```python from scipy.integrate import quad # 定义自定义概率密度函数 f(x) def custom_pdf(x): if 0 <= x <= 2: return x / 2 else: return 0 # 使用quad方法计算特定区间的概率 P(0.5 < X < 1.5) probability_custom, _ = quad(custom_pdf, 0.5, 1.5) print(f"P(0.5 < X < 1.5) = {probability_custom:.4f}") ``` 上述代码演示了当无法直接使用预定义分布时，可以通过数值积分工具 `quad` 来近似计算任意概率密度函数下的概率[^4]。 --- ### 结论 这些代码片段涵盖了常见连续型随机变量（如均匀分布、正态分布和指数分布）的概率计算方式，同时也提供了处理更复杂的自定义分布的方法。用户可以根据具体需求调整参数或替换相应的概率密度函数。