Python绘制中位数10.0、离散度20%的对数正态随机变量CDF的技术求助及代码验证

我Python编程基础比较薄弱，刚接触相关概念，现在有个作业要完成，想请大家帮忙：需要绘制一个**中位数为10.0、离散度为20%**的对数正态随机变量的CDF（累积分布函数）。我已经通过公式手动算出了这个随机变量的均值和标准差，但实在搞不清具体怎么用代码实现，恳请各位指点！

更新1 #

我在论坛里找到了一段代码，感觉可能有用，贴出来请大家帮忙看看这段代码能不能用？要不要做些修改？

import math
from scipy import stats
# standard deviation of lognormal distribution
sigma = -19917.63
# mean of Lognormal distribution
mu = 22135.873
# hopefully, total is the value where you need the cdf
total = 37
frozen_lognorm = stats.lognorm(s=sigma, scale=math.exp(mu))
frozen_lognorm.cdf(total)
# use whatever function and value you need here

解答 #

兄弟，先给你说句实在的：你找到的这段代码完全不能用，参数值明显错得离谱，得彻底调整才行。下面我一步步给你讲怎么正确实现你的需求：

第一步：先搞懂参数对应关系 #

对数正态分布的mu和sigma（这里是对数转换后的均值和标准差）和你给的中位数、离散度（变异系数CV）是有固定转换公式的：

• 对数正态的中位数等于exp(mu)，所以已知中位数是10.0，那mu = ln(10) ≈ 2.3026
• 离散度（20%也就是0.2）是变异系数CV，公式是CV = sqrt(exp(sigma²) - 1)，反过来算：
  sigma = sqrt(ln(CV² + 1)) = sqrt(ln(0.2² + 1)) ≈ 0.198

第二步：完整的绘图代码 #

你需要结合scipy.stats处理分布，再用matplotlib绘图，直接用下面这段代码就行：

import math
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

# 定义你的参数
median = 10.0
cv = 0.2  # 20%离散度

# 转换为对数正态分布的参数
mu = math.log(median)
sigma = math.sqrt(math.log(cv**2 + 1))

# 冻结该参数的对数正态分布
lognorm_dist = stats.lognorm(s=sigma, scale=math.exp(mu))

# 生成绘图用的x值范围（覆盖98%的概率区间，避免极端值）
x = np.linspace(lognorm_dist.ppf(0.01), lognorm_dist.ppf(0.99), 1000)
# 计算每个x对应的CDF值
cdf_values = lognorm_dist.cdf(x)

# 绘制CDF曲线
plt.figure(figsize=(8, 5))
plt.plot(x, cdf_values, label='Lognormal CDF (median=10, CV=20%)')
plt.axvline(x=median, color='red', linestyle='--', label='Median (10.0)')
plt.xlabel('Random Variable X')
plt.ylabel('Cumulative Probability')
plt.title('CDF of Lognormal Random Variable')
plt.legend()
plt.grid(alpha=0.3)
plt.show()

为啥你找的代码不行？ #

• sigma是负数？这完全不合理，标准差（哪怕是对数后的）不可能是负的
• mu和sigma的数值大到离谱，和你要的中位数10、20%离散度完全不沾边，明显是别人针对其他问题的参数，直接套用肯定错
• 那段代码只算了单个点的CDF值，根本没实现你要的绘图功能

额外小技巧 #

如果你想计算某个特定点的CDF值（比如x=15），只需要加一行：

print(f"CDF at x=15: {lognorm_dist.cdf(15):.4f}")

就能得到精确的累积概率了。

内容的提问来源于stack exchange，提问作者suzdeex8197