python模拟概率论中偏度和峰度计算

最新推荐文章于 2025-06-28 20:00:32 发布

OliverkingLi

最新推荐文章于 2025-06-28 20:00:32 发布

阅读量5.5k

点赞数 4

CC 4.0 BY-SA版权

分类专栏： python 文章标签： python 偏度峰度概率 k姐矩

本文链接：https://blog.youkuaiyun.com/OliverkingLi/article/details/79165665

python 专栏收录该内容

40 篇文章

订阅专栏

本文介绍如何使用偏度和峰度来衡量概率分布的对称性和尖峰程度，并提供Python代码实现手动计算及使用函数库进行验证。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在概率学中我们用偏度和峰度去刻画分布的情况：

偏度描述的是分布的对称性程度，如上面，右偏表示在u值的右侧分布占多数，左偏则反向，并且通过阴影的面积去刻画概率。而峰度是描述分布的最高值的情况，在常用情况下，减去3的原因在于正态分布的超值峰度恰好为3。

下面使用python代入公式计算和调用函数库计算进行比较：

#!/usr/bin/python
#coding:utf8
#coding=utf8
#encoding:utf8
#encoding=utf8
#_*_ coding:utf8 _*_
#  -*- coding:utf-8 -*-

import numpy as np
from scipy import stats
import math
import matplotlib as mpl
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm


def calc_statistics(x):
    n = x.shape[0]  # 样本个数

    # 手动计算
    # 分别表示各个k阶矩
    m = 0
    m2 = 0
    m3 = 0
    m4 = 0
    for t in x:
        m += t
        m2 += t*t
        m3 += t**3
        m4 += t**4
    m /= n
    m2 /= n
    m3 /= n
    m4 /= n
    # 代入公式求个值
    mu = m
    sigma = np.sqrt(m2 - mu*mu)
    skew = (m3 - 3*mu*m2 + 2*mu**3) / sigma**3
    kurtosis = (m4 - 4*mu*m3 + 6*mu*mu*m2 - 4*mu**3*mu + mu**4) / sigma**4 - 3
    print('手动计算均值、标准差、偏度、峰度：', mu, sigma, skew, kurtosis)

    # 使用系统函数验证
    mu = np.mean(x, axis=0)
    sigma = np.std(x, axis=0)
    skew = stats.skew(x)
    kurtosis = stats.kurtosis(x)
    return mu, sigma, skew, kurtosis


if __name__ == '__main__':
    d = np.random.randn(100000)
    print(d)
    mu, sigma, skew, kurtosis = calc_statistics(d)
    print('函数库计算均值、标准差、偏度、峰度：', mu, sigma, skew, kurtosis)
    # 一维直方图
    mpl.rcParams[u'font.sans-serif'] = 'SimHei'
    mpl.rcParams[u'axes.unicode_minus'] = False
    y1, x1, dummy = plt.hist(d, bins=50, normed=True, color='g', alpha=0.75)
    t = np.arange(x1.min(), x1.max(), 0.05)
    y = np.exp(-t**2 / 2) / math.sqrt(2*math.pi)
    plt.plot(t, y, 'r-', lw=2)
    plt.title(u'高斯分布，样本个数：%d' % d.shape[0])
    plt.grid(True)
    plt.show()

    d = np.random.randn(100000, 2)
    mu, sigma, skew, kurtosis = calc_statistics(d)
    print('函数库计算均值、标准差、偏度、峰度：', mu, sigma, skew, kurtosis)

    # 二维图像
    N = 30
    density, edges = np.histogramdd(d, bins=[N, N])
    print('样本总数：', np.sum(density))
    density /= density.max()
    x = y = np.arange(N)
    # 高斯分布
    t = np.meshgrid(x, y)
    fig = plt.figure(facecolor='w')
    ax = fig.add_subplot(111, projection='3d')
    ax.scatter(t[0], t[1], density, c='r', s=15*density, marker='o', depthshade=True)
    ax.plot_surface(t[0], t[1], density, cmap=cm.Accent, rstride=2, cstride=2, alpha=0.9, lw=0.75)
    ax.set_xlabel(u'X')
    ax.set_ylabel(u'Y')
    ax.set_zlabel(u'Z')
    plt.title(u'二元高斯分布，样本个数：%d' % d.shape[0], fontsize=20)
    plt.tight_layout(0.1)
    plt.show()