如何获取Python中scipy.stats.norm.cdf的精确积分形式？

你代码里用到的stats.norm.cdf(x)是正态分布的累积分布函数，它的精确积分形式可以从正态分布的概率密度函数（PDF）推导出来：

1. 正态分布PDF与CDF的关系 #

正态分布的概率密度函数为：
$$
f(t) = \frac{1}{\sqrt{2\pi}s} \exp\left( -\frac{(t - x_0)^2}{2s2} \right)
$$
其中x0是分布均值（对应代码中的loc参数），s是标准差（对应代码中的scale参数）。

CDF就是PDF从负无穷到$x$的积分：
$$
\text{cdf}(x) = \int_{-\infty}^{x} f(t) dt
$$

2. 转换为标准正态分布形式 #

通过变量替换 $z = \frac{t - x_0}{s}$，可以将上述积分转换为标准正态分布（均值0，标准差1）的CDF形式$\Phi(z)$：
$$
\text{cdf}(x) = \Phi\left( \frac{x - x_0}{s} \right)
$$

而标准正态分布的CDF可以用误差函数（erf）表示：
$$
\Phi(z) = \frac{1}{2} \left[ 1 + \text{erf}\left( \frac{z}{\sqrt{2}} \right) \right]
$$
这正是Scipy内部计算norm.cdf的核心依据——它并没有直接计算原始积分，而是调用scipy.special.erf的高效数值实现来得到结果。

3. 完整模型的积分形式 #

如果需要对你的model(x)函数做积分，其精确形式为：
$$
\int \left( A \cdot \text{cdf}(x) + c \right) dx = A \cdot \left[ \frac{x - x_0}{s} \Phi\left( \frac{x - x_0}{s} \right) + \frac{1}{\sqrt{2\pi}} \exp\left( -\frac{(x - x_0)^2}{2s2} \right) \right] + c \cdot x + C
$$
其中$C$是积分常数，这个结果是通过对$\Phi(z)$的积分（$z = \frac{x - x_0}{s}$）推导而来的。

内容的提问来源于stack exchange，提问作者user23495528