Python中未知底层分布时，如何拟合蒙特卡洛模拟得到的直方图？

1. 先确认样本是否真的服从正态分布 #

大样本下强行拟合正态分布本身就可能不合理，先通过统计方法验证：

• 用拟合优度检验：大样本推荐Kolmogorov-Smirnov检验，代码示例（Python）：

  import numpy as np
  from scipy import stats
  
  sample = # 你的Monte Carlo样本数组
  mu, sigma = np.mean(sample), np.std(sample)
  stat, p_value = stats.kstest(sample, 'norm', args=(mu, sigma))
  # 若p值远小于0.05，说明样本不服从正态分布
  

• 绘制Q-Q图：直观观察样本分位数与正态分布分位数的匹配度：

  import matplotlib.pyplot as plt
  stats.probplot(sample, plot=plt)
  plt.show()
  

  如果点明显偏离直线，说明正态假设不成立。

2. 尝试适配样本形态的其他分布 #

如果正态分布不适用，根据直方图形态选择对应分布：

• 若直方图右偏：尝试对数正态分布、伽马分布或威布尔分布
• 若直方图左偏：尝试反转的伽马分布或Beta分布（取值在0-1之间时）
• 若为双峰形态：考虑混合正态分布或多个单峰分布的叠加

用最大似然估计拟合分布参数，以伽马分布为例：

shape, loc, scale = stats.gamma.fit(sample)
# 生成拟合的分布曲线
x = np.linspace(min(sample), max(sample), 1000)
pdf = stats.gamma.pdf(x, shape, loc, scale)

3. 优化正态拟合的鲁棒性（若坚持用正态分布） #

如果业务场景要求必须用正态拟合，可通过以下方法提升精度：

• 用**中位数+绝对偏差（MAD）**替代均值和标准差，降低异常值影响：

  median = np.median(sample)
  mad = np.median(np.abs(sample - median)) * 1.4826  # 转换为与标准差等价的尺度
  

• 优化直方图分箱：用Freedman-Diaconis准则确定分箱数，避免分箱偏差：

  iqr = stats.iqr(sample)
  bin_width = 2 * iqr / (len(sample)**(1/3))
  bins = int((np.max(sample) - np.min(sample)) / bin_width)
  

  合理的分箱能更准确反映样本分布形态，减少拟合时的视觉误差。

4. 大样本拟合的评估逻辑 #

10万样本属于超大样本，视觉上的微小偏差可能不影响统计意义：

• 不要仅依赖视觉匹配，用卡方检验或R²量化拟合效果：

  # 计算直方图观测频数
  observed, bin_edges = np.histogram(sample, bins=bins)
  # 计算正态分布的期望频数
  expected = len(sample) * np.diff(stats.norm.cdf(bin_edges, mu, sigma))
  chi_sq, p_val = stats.chisquare(observed, expected)
  

• 若p值>0.05，说明拟合的正态分布与样本无显著差异。

内容的提问来源于stack exchange，提问作者Firebolt