如何基于总体参数计算样本点来自指定单总体的概率？

你需要的是判断单个样本点是否来自某特定总体，而非判别多总体归属，核心方法是计算该样本点在目标总体联合分布下的概率密度值（连续分布中，单点概率为0，密度值可反映相对可能性），以下是具体思路和实现：

核心逻辑 #

• 明确目标总体各变量的分布类型（如你的示例中x服从正态分布、y服从正态分布、z服从Beta分布）
• 获取总体参数：可以是已知的真实参数，也可从给定的总体样本orig.pop中估计
• 若变量独立，样本点的联合密度等于各变量边缘密度的乘积——这个值越大，样本点来自该总体的相对可能性越高

R代码实现 #

情况1：已知总体真实参数（你生成数据时用的参数） #

你生成数据时指定了各变量的参数：x_N(4,2²)、yN(17,6²)、z~Beta(9,2)，直接用这些参数计算密度：

# 已知的总体参数
params <- list(
  x = list(mean = 4, sd = 2),
  y = list(mean = 17, sd = 6),
  z = list(shape1 = 9, shape2 = 2)
)

new.point <- c(5, 18.5, 0.6)

# 计算各变量的密度
dens_x <- dnorm(new.point[1], mean = params$x$mean, sd = params$x$sd)
dens_y <- dnorm(new.point[2], mean = params$y$mean, sd = params$y$sd)
dens_z <- dbeta(new.point[3], shape1 = params$z$shape1, shape2 = params$z$shape2)

# 变量独立时，联合密度为各边缘密度乘积
joint_density <- dens_x * dens_y * dens_z

cat("样本点在目标总体的联合密度值：", joint_density, "\n")

情况2：从总体样本orig.pop估计参数 #

如果不知道真实参数，从给定的总体样本中估计参数后计算：

# 先加载需要的包（若未安装先运行install.packages("MASS")）
library(MASS)

# 从orig.pop估计各变量参数
est_params <- list(
  x = list(mean = mean(orig.pop$x), sd = sd(orig.pop$x)),
  y = list(mean = mean(orig.pop$y), sd = sd(orig.pop$y)),
  z = list(shape1 = fitdistr(orig.pop$z, "beta")$estimate[1],
           shape2 = fitdistr(orig.pop$z, "beta")$estimate[2])
)

# 计算各变量密度
dens_x_est <- dnorm(new.point[1], mean = est_params$x$mean, sd = est_params$x$sd)
dens_y_est <- dnorm(new.point[2], mean = est_params$y$mean, sd = est_params$y$sd)
dens_z_est <- dbeta(new.point[3], shape1 = est_params$z$shape1, shape2 = est_params$z$shape2)

# 联合密度
joint_density_est <- dens_x_est * dens_y_est * dens_z_est

cat("基于样本估计参数的联合密度值：", joint_density_est, "\n")

补充说明 #

• 联合密度值本身不是概率（连续分布单点概率为0），但它的相对大小可以反映样本点属于该总体的可能性：密度越高，说明该点在目标总体中出现的“概率密度”越大，更可能来自该总体。
• 如果需要做统计检验，可以采用Kolmogorov-Smirnov检验（单变量）或多元拟合优度检验，但这类检验给出的是是否拒绝“样本来自该总体”的结论，而非直接的概率值。

内容的提问来源于stack exchange，提问作者Schatzi121