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。
久久企业网站后台管理系统1.0
下载
一、功能简介本软件完全适应大、中、小型网站建设需要，让您用很便宜的虚拟主机空间也可以开通4个独立的网站！久久企业网站后台管理系统各种版本开发基础架构均为php+mysql+div+css+伪静态，迎合搜索引擎排名的喜好。另外值得一提的是本站特色的TAG系统可为您的网站做出无限分类，不用任何设置全站ULR伪静态！本建站系统除了有产品发布、新闻（软文）发布、订单管理系统和留言反馈等一些最基本的功能之外
立即学习“Python免费学习笔记（深入）”；
-
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。
