如何将拟合的lognorm分布s、loc、scale转换为SIMIO所需正态参数

参数定义差异 #

先明确两个工具的对数正态分布参数化逻辑：

• Scipy/Fitter的lognorm：是带移位的对数正态，公式为：

  X = loc + scale × exp(Z)
  

  其中Z服从均值为0、标准差为s的正态分布；loc是移位偏移量，scale是缩放因子。
• Simio的Lognormal(normalMean, normalStdDev)：是无移位对数正态，公式为：

  Y = exp(W)
  

  其中W服从均值为normalMean、标准差为normalStdDev的正态分布。

转换步骤 #

基于你的拟合结果：

{'lognorm': {'s': 0.8612498618921953, 'loc': 0.3175483462045392, 'scale': 0.30617261628597686}}

1. 核心参数转换 #

针对Scipy中scale × exp(Z)的无移位部分，取对数后可得：

ln(Y) = ln(scale) + Z

由于Z~N(0, s²)，因此ln(Y)服从均值为ln(scale)、标准差为s的正态分布，对应Simio的参数：

• normalMean = ln(0.3061726) ≈ -1.182
• normalStdDev = 0.86125

2. 处理移位项 #

Simio原生不支持移位参数，若你的分布必须保留loc（拟合值≠0），需在Simio中手动调整：生成Lognormal(-1.182, 0.86125)的样本后，再加上0.3175即可还原原始拟合分布。

验证代码 #

可通过反向生成样本验证转换正确性：

import numpy as np
from scipy import stats

# 拟合得到的参数
s, loc, scale = 0.8612498618921953, 0.3175483462045392, 0.30617261628597686
# 生成移位对数正态样本
sample = loc + scale * np.exp(stats.norm.rvs(0, s, size=1000))
# 拟合无移位lognorm
shape, _, fit_scale = stats.lognorm.fit(sample, floc=0)
# 转换为Simio参数
simio_mean = np.log(fit_scale)
simio_std = shape

print(f"Simio normalMean: {simio_mean:.4f}, normalStdDev: {simio_std:.4f}")

运行结果会与手动计算值一致，证明转换有效。

内容的提问来源于stack exchange，提问作者Avery