如何在网格上计算复合函数？Beta与均匀分布CDF转换绘图求助

嘿，我来帮你完成这个需求！首先咱们先理清楚核心逻辑：你要做的其实是概率积分变换——对于区间[2,6]上的Beta分布x，找到对应的Uniform(0,1)分布的y，满足CDFₓ(x) = CDFᵧ(y)。

因为Uniform(0,1)的CDF特别简单，就是CDFᵧ(y) = y（当y在0到1之间时），它的逆CDF就是它本身，所以说白了，y其实就是x对应的Beta分布的累积分布函数值，也就是y = CDFₓ(x)。

接下来我把你的现有代码扩展完善，不仅能画x的PDF，还能实现你要的x-y关系图，甚至可以验证变换后的y确实服从均匀分布：

完整可运行代码 #

import numpy as np
import matplotlib
matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
from scipy.stats import beta, uniform

# 定义Beta分布参数：scipy的beta默认是[0,1]区间，我们要缩放至[2,6]
a, b = 2, 5
beta_loc = 2  # 分布起始点
beta_scale = 6 - 2  # 区间长度，用来缩放分布

# 生成覆盖[2,6]的x取值序列，足够密集让曲线平滑
x = np.linspace(2, 6, 1000)

# 计算x的PDF：先把x转成标准Beta的取值，再算PDF，最后除以scale保证密度归一
pdf_x = beta.pdf((x - beta_loc)/beta_scale, a, b) / beta_scale

# 计算对应的y：根据需求，y = CDF_y⁻¹(CDF_x(x))，而Uniform(0,1)的逆CDF就是自身，所以直接取CDF_x(x)
cdf_x = beta.cdf((x - beta_loc)/beta_scale, a, b)
y = cdf_x

# 创建绘图窗口，分成两个子图，同时展示PDF和x-y关系
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 第一个子图：绘制x的PDF
ax1.plot(x, pdf_x, label='Beta(2,5) PDF (缩放至[2,6])')
ax1.set_xlabel('x')
ax1.set_ylabel('概率密度')
ax1.set_title('缩放后Beta分布的PDF')
ax1.legend()
ax1.grid(alpha=0.3)  # 加个浅网格让图更清晰

# 第二个子图：绘制x与y的关系曲线
ax2.plot(x, y, color='#ff9900', label=r'$y = CDF_y^{-1}(CDF_x(x))$')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_title('分位数匹配：x vs y')
ax2.legend()
ax2.grid(alpha=0.3)

# 可选：验证变换后的y确实服从Uniform(0,1)，画个直方图对比
fig2, ax3 = plt.subplots(figsize=(6, 4))
# 生成10000个x样本，计算对应的y
x_samples = beta.rvs(a, b, size=10000) * beta_scale + beta_loc
y_samples = beta.cdf((x_samples - beta_loc)/beta_scale, a, b)
# 画y的直方图（密度归一化）
ax3.hist(y_samples, bins=30, density=True, alpha=0.7, label='y的经验分布')
# 画Uniform(0,1)的PDF作为参考
y_uniform = np.linspace(0, 1, 100)
ax3.plot(y_uniform, uniform.pdf(y_uniform), color='#ff0000', label='Uniform(0,1)理论PDF')
ax3.set_xlabel('y')
ax3.set_ylabel('密度')
ax3.set_title('验证：y服从均匀分布')
ax3.legend()
ax3.grid(alpha=0.3)

# 调整子图间距，避免标签重叠
plt.tight_layout()
plt.show()

代码关键点说明 #

• Beta分布的缩放：
  scipy自带的beta类默认是[0,1]区间的标准Beta分布，所以我们需要通过loc（起始点）和scale（区间长度）把它拉伸到[2,6]。计算PDF时要除以scale，这样才能保证整个区间的密度积分是1。

• 分位数匹配的简化：
  因为Uniform(0,1)的CDF是F(y)=y，所以它的逆函数就是F⁻¹(u)=u，所以你要的CDF_y⁻¹(CDF_x(x))其实直接等于CDF_x(x)，不用额外复杂计算。

• 绘图细节：
  用linspace生成足够多的x点保证曲线平滑，加了网格和图例让图更易读；可选的验证图能直观看到变换后的y确实符合均匀分布，这是概率积分变换的经典性质。

运行后你会看到： #

• 第一个子图是左偏的Beta分布PDF（因为a=2 < b=5），区间严格在2到6之间
• 第二个子图是一条从(2, 0)到(6, 1)的单调递增曲线，x越大，对应的y越接近1
• 第三个验证图的直方图会和红色的均匀分布PDF几乎重合，证明咱们的计算是对的

内容的提问来源于stack exchange，提问作者Anna Ignashkina