如何调整对数正态分布的mu和sigma，匹配指定分位数要求？

你的核心错误点 #

• 样本量不影响分布形态：np.random.lognormal的第三个参数是生成的随机样本数量，仅影响直方图的离散程度，完全不会改变对数正态分布的理论形态（由mu和sigma决定），调整它没用是正常现象。
• 对mu和sigma的理解偏差：对数正态分布的mu和sigma不是原变量的均值、标准差，而是对数变换后变量的均值和标准差。直接随意调整这两个参数，自然无法匹配目标分位数，必须通过分位数条件反向推导正确值。

针对需求的推导与实现 #

你的需求是：中位数=400（同时为PDF峰值），2.5%分位数=320，97.5%分位数=480。这里需要先明确一个关键问题：对数正态分布是右偏分布，当sigma>0时，PDF峰值（众数）会小于中位数，无法满足“中位数对应最高PDF值”的要求。如果这个要求是硬性的，你应该选择对称分布（比如正态分布）；如果可以放宽“峰值在中位数”的要求，我们可以先推导满足分位数的对数正态分布参数。

方案1：满足分位数的对数正态分布 #

根据对数正态分布的性质：

1. 中位数为exp(mu)，因此mu = ln(400)
2. 95%分位区间对应对数变换后正态分布的mu ± 1.96*sigma，联立ln(320) = mu - 1.96*sigma和ln(480) = mu + 1.96*sigma，可解出sigma

完整代码：

import numpy as np
import matplotlib.pyplot as plt

# 推导参数
mu = np.log(400)
sigma = (np.log(480) - mu) / 1.96

# 生成足够样本（10000个让直方图更平滑）
s = np.random.lognormal(mu, sigma, 10000)

# 绘制直方图与理论PDF
count, bins, ignored = plt.hist(s, 100, density=True, align='mid', alpha=0.6)
x = np.linspace(min(bins), max(bins), 10000)
pdf = (np.exp(-(np.log(x) - mu)**2 / (2 * sigma**2))
       / (x * sigma * np.sqrt(2 * np.pi)))
plt.plot(x, pdf, linewidth=2, color='r')

# 标记目标分位数
plt.axvline(320, color='g', linestyle='--', label='2.5%分位数')
plt.axvline(400, color='b', linestyle='--', label='中位数')
plt.axvline(480, color='g', linestyle='--', label='97.5%分位数')
plt.legend()
plt.title('满足分位数要求的对数正态分布')
plt.xlabel('X')
plt.ylabel('概率密度')
plt.show()

# 验证样本分位数
print(f"样本2.5%分位数: {np.percentile(s, 2.5):.1f}")
print(f"样本中位数: {np.percentile(s, 50):.1f}")
print(f"样本97.5%分位数: {np.percentile(s, 97.5):.1f}")

方案2：满足“中位数为峰值”的正态分布 #

如果必须要求中位数是PDF最高值（即分布对称），正态分布是更合适的选择：

• 正态分布的均值=中位数=众数=400
• 95%分位区间为400 ± 1.96*σ，因此σ=(480-400)/1.96≈40.82

完整代码：

import numpy as np
import matplotlib.pyplot as plt

# 推导参数
mu_norm = 400
sigma_norm = (480 - 400)/1.96

# 生成样本
s = np.random.normal(mu_norm, sigma_norm, 10000)

# 绘制直方图与理论PDF
count, bins, ignored = plt.hist(s, 100, density=True, align='mid', alpha=0.6)
x = np.linspace(min(bins), max(bins), 10000)
pdf = (1/(sigma_norm * np.sqrt(2 * np.pi))) * np.exp(-(x - mu_norm)**2/(2*sigma_norm**2))
plt.plot(x, pdf, linewidth=2, color='r')

# 标记目标分位数
plt.axvline(320, color='g', linestyle='--', label='2.5%分位数')
plt.axvline(400, color='b', linestyle='--', label='中位数（峰值）')
plt.axvline(480, color='g', linestyle='--', label='97.5%分位数')
plt.legend()
plt.title('符合要求的正态分布')
plt.show()

# 验证样本分位数
print(f"样本2.5%分位数: {np.percentile(s, 2.5):.1f}")
print(f"样本中位数: {np.percentile(s, 50):.1f}")
print(f"样本97.5%分位数: {np.percentile(s, 97.5):.1f}")

内容的提问来源于stack exchange，提问作者Landon