TensorFlow Probability正态分布密度求和不为1问题求助

你忽略了**连续概率分布的离散求和近似需要乘以步长（区间宽度）**这一点。

正态分布是连续分布，其概率密度函数的积分（总面积）为1，但用离散点的概率密度值直接求和，得到的是所有点密度值的累加，而非积分结果。积分的离散近似（黎曼和）需要将每个点的密度值乘以相邻点之间的区间宽度（步长）。

具体计算验证 #

你的样本点范围是[-7, 7]，共1e4个点，步长为：

dx = (7 - (-7)) / (int(1e4) - 1) ≈ 0.00140014

原求和结果约714.21，乘以步长后：714.21 × 0.00140014 ≈ 1，正好符合预期。

修正后的代码 #

直接对数组批量计算概率密度，再乘以步长求和，效率更高且结果正确：

import numpy as np
import tensorflow_probability as tfp
tfd = tfp.distributions

x = np.linspace(-7., 7., int(1e4), dtype=np.float64)
dx = x[1] - x[0]  # 获取相邻点的步长
prob_densities = tfd.Normal(loc=0, scale=1).prob(x)  # 批量计算所有点的密度值
integral_approximation = tf.reduce_sum(prob_densities * dx)
print(integral_approximation)

运行后结果会接近1，符合正态分布的密度积分性质。

内容的提问来源于stack exchange，提问作者H_Man