Python中概率分布区间概率计算：KDE偏差与非正态分布处理

为什么KernelDensity计算结果偏差大？ #

你用sklearn.KernelDensity算出的正态区间概率和理论值差了近5个点，核心问题是带宽（bandwidth）没调好。核密度估计的结果对带宽极度敏感：带宽太小会把噪声当成分布特征，带宽太大又会把真实分布平滑得面目全非，自然算不准区间概率。默认带宽通常不是最优解，尤其是针对正态分布这种有明确形态的分布时。

更靠谱的区间概率计算方法 #

已知分布类型（比如正态） #

直接用scipy.stats里对应分布的CDF函数是最准的，完全没必要绕弯路：

from scipy.stats import norm
mean, std = 0, 1
lower = mean - std
upper = mean + std
# 直接用CDF差值算区间概率
prob = norm.cdf(upper, mean, std) - norm.cdf(lower, mean, std)
# 结果就是标准的~0.6827，和68-95-99.7规则完全匹配

未知分布（比如Tom Brady的单传EPA数据） #

如果没有现成的分布模型，用核密度估计时必须先优化带宽：

1. 用交叉验证找最优带宽：

from sklearn.neighbors import KernelDensity
from sklearn.model_selection import GridSearchCV
import numpy as np

# 假设data是你的样本数据，要转成二维数组
params = {'bandwidth': np.logspace(-1, 1, 20)}  # 生成一组带宽候选值
grid = GridSearchCV(KernelDensity(), params)
grid.fit(data.reshape(-1, 1))
best_kde = grid.best_estimator_

# 生成足够密的点，用积分算区间概率
x_eval = np.linspace(lower_bound, upper_bound, 1000)
log_density = best_kde.score_samples(x_eval.reshape(-1, 1))
prob = np.trapz(np.exp(log_density), x_eval)

2. 你之前用seaborn.kdeplot提取数据+np.interp的思路也没问题，本质都是对密度曲线做积分，只要曲线足够精准，结果就靠谱。

针对你两个疑问的解答 #

1. 能用抽样均值的正态分布计算原分布的区间概率吗？ #

绝对不行。中心极限定理说的是样本均值的分布会趋近正态，但这是均值的分布，和原数据的分布完全是两回事。你要算的是原数据（比如某场比赛的单传EPA）落在某个区间的概率，用均值的分布去算得到的是“多次抽样后，样本均值落在该区间的概率”，完全不符合你的需求。

2. 原分布近似正态时，能用重抽样优化参数估计吗？ #

当然可以。Bootstrap（自助法）这类重抽样方法能让参数估计更稳健，尤其是样本量小或者有异常值的时候：

import numpy as np

def bootstrap_norm_params(data, n_samples=1000):
    param_list = []
    for _ in range(n_samples):
        # 有放回抽取和原样本一样大的重抽样样本
        boot_sample = np.random.choice(data, size=len(data), replace=True)
        param_list.append((np.mean(boot_sample), np.std(boot_sample)))
    # 返回所有重抽样参数的均值，作为优化后的估计值
    return np.mean(param_list, axis=0)

# 用Bootstrap得到的参数计算区间概率
boot_mean, boot_std = bootstrap_norm_params(data)
prob = norm.cdf(upper, boot_mean, boot_std) - norm.cdf(lower, boot_mean, boot_std)

这种方法能减少单次抽样的误差，让正态分布的参数估计更贴近真实情况。

内容的提问来源于stack exchange，提问作者bismo