如何绘制派生概率密度函数？Python随机变量函数PDF可视化方法咨询

我来帮你梳理下在Python里处理这类问题的方法，不管是单变量变换还是多变量的情况，都有实用的实现方式，咱们一步步来：

一、单变量变换：以Y=X²为例 #

方法1：解析推导+直接计算 #

如果能从X的PDF推导出Y的PDF公式，那直接计算绘制是最准确的。对于Y=X²这个变换，因为X取正数和负数都能得到同一个Y值，所以根据随机变量变换的规则，Y的PDF公式是：

f_Y(y) = (f_X(√y) + f_X(-√y)) / (2√y) （当y>0时）
f_Y(y) = 0 （当y≤0时）

咱们拿标准正态分布的X来举例，用Python实现这个过程：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# 1. 定义X的PDF（这里用标准正态分布）
def f_x(x):
    return norm.pdf(x)

# 2. 生成Y的取值范围（避开y=0，避免分母为0）
y_values = np.linspace(0.01, 5, 1000)

# 3. 代入公式计算Y的PDF值
f_y_values = (f_x(np.sqrt(y_values)) + f_x(-np.sqrt(y_values))) / (2 * np.sqrt(y_values))

# 4. 绘制PDF曲线
plt.figure(figsize=(8, 5))
plt.plot(y_values, f_y_values, label="Y=X²的PDF（解析法）", color="blue")
plt.xlabel("Y")
plt.ylabel("Probability Density")
plt.title("PDF of Y = X² (X ~ Standard Normal)")
plt.legend()
plt.grid(True)
plt.show()

方法2：蒙特卡洛模拟+核密度估计（KDE） #

如果变换函数很复杂，推导解析公式太麻烦，蒙特卡洛模拟是更通用的方法——不需要数学推导，靠大量样本近似PDF：

1. 生成大量X的随机样本
2. 对每个样本计算Y=X²
3. 用核密度估计（KDE）拟合样本的分布

代码示例：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm, gaussian_kde

# 1. 生成10万个X的标准正态样本（样本量越大，近似越准确）
np.random.seed(42)  # 固定随机种子，保证结果可复现
x_samples = norm.rvs(size=100000)

# 2. 计算对应的Y样本
y_samples = x_samples ** 2

# 3. 用KDE估计Y的PDF
kde = gaussian_kde(y_samples)
y_values = np.linspace(0.01, 5, 1000)
f_y_kde = kde(y_values)

# 4. 绘制结果（直方图+KDE曲线对比）
plt.figure(figsize=(8, 5))
plt.hist(y_samples, bins=50, density=True, alpha=0.3, label="Y的样本直方图")
plt.plot(y_values, f_y_kde, label="Y=X²的PDF（KDE）", color="red")
plt.xlabel("Y")
plt.ylabel("Probability Density")
plt.title("PDF of Y = X² (Monte Carlo + KDE)")
plt.legend()
plt.grid(True)
plt.show()

二、多变量变换的情况 #

至于两个随机变量的函数（比如Z=X+Y、Z=X*Y这类映射），处理思路和单变量一致：要么推导解析公式（需要用到雅可比行列式，适合简单变换），要么用蒙特卡洛+KDE的通用方法，后者更适合复杂场景。

举个例子：假设X和Y都是独立的标准正态分布，计算Z=X+Y的PDF：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm, gaussian_kde

np.random.seed(42)
# 生成X和Y的独立样本
x_samples = norm.rvs(size=100000)
y_samples = norm.rvs(size=100000)
# 计算Z的样本
z_samples = x_samples + y_samples

# 用KDE估计Z的PDF
kde_z = gaussian_kde(z_samples)
z_values = np.linspace(-5, 5, 1000)
f_z_kde = kde_z(z_values)

# 绘制结果（同时对比理论PDF：Z~N(0,2)）
plt.figure(figsize=(8, 5))
plt.hist(z_samples, bins=50, density=True, alpha=0.3, label="Z的样本直方图")
plt.plot(z_values, f_z_kde, label="Z=X+Y的PDF（KDE）", color="red")
plt.plot(z_values, norm.pdf(z_values, loc=0, scale=np.sqrt(2)), label="理论PDF（N(0,2)）", linestyle="--", color="blue")
plt.xlabel("Z")
plt.ylabel("Probability Density")
plt.title("PDF of Z = X + Y (X,Y ~ Standard Normal)")
plt.legend()
plt.grid(True)
plt.show()

三、推荐的Python工具库 #

• numpy：用于生成随机样本、数值计算
• scipy.stats：提供各种内置分布的PDF/CDF，以及gaussian_kde用于核密度估计
• matplotlib：基础绘图库，用于绘制PDF曲线和直方图
• seaborn：基于matplotlib，提供更美观的统计可视化（比如sns.kdeplot可以直接绘制KDE曲线）

内容的提问来源于stack exchange，提问作者rpavan21