6.已知CDF图形，怎么利用这个图形计算均值和方差

1. 理论知识

如果已经有了一个累积分布函数（CDF）的图形，函数图形为 $F(x)$，可以通过以下步骤计算其均值和方差：

1）. 计算均值（Mean）：

• 在CDF图形中，均值对应于横轴上使得CDF值等于0.5的那个点。这个点表示随机变量落在该值以下的概率为0.5，即中位数。用函数计算为：
  $$\mu ={\int }_{-\infty }^{\infty }[x\ast F^{\prime }(x)]dx$$
• 如果CDF是以离散值给出的，则中位数是距离0.5最近的那个值。

2）. 计算方差（Variance）：

• 方差是对数据分布的离散程度的一种度量。在一维情况下，方差定义为每个数据点与均值之间的平方差的平均值。
• 对于CDF图形，可以使用下面的公式计算方差：
  $$Var(X)={\sigma }^2=\int [(x-\mu {)}^2\ast F^{\prime }(x)]dx$$
• 如果只有离散值的CDF，可以使用下面的公式来近似计算方差：
  $$Var=\sum _{i=1}^N(x_i-\mu {)}^2\cdot P(x_i)$$
  其中，$x_i$ 是第 $i$ 个数据点，$P(x_i)$ 是数据点 $x_i$ 的概率。

通过这些步骤，可以利用CDF图形计算出均值和方差。

但是若知道概率密度函数PDF图形，函数图形为$f(x)$, 则

$$\mu ={\int }_{-\infty }^{\infty }[x\ast f(x)]dx;$$
$${\sigma }^2={\int }_{-\infty }^{\infty }(x-\mu {)}^2\cdot f(x)dx$$
其中，$\mu$是均值，$f(x)$是概率密度函数（PDF），如果只有CDF，可以通过对CDF进行微分来获取PDF。 如前面所写：$\mu ={\int }_{-\infty }^{\infty }[x\ast F^{\prime }(x)]dx$;${\sigma }^2=\int [(x-\mu {)}^2\ast F^{\prime }(x)]dx$.

2.代码实现

import sympy as sp
import scipy.integrate as spi
import matplotlib.pyplot as plt
import numpy as np

'''
这段代码的目的是计算一个累积分布函数（CDF）在某个区间内的均值和方差
然后使用matplotlib库来绘制图形
'''

# 定义变量 x
x = sp.Symbol('x')

# 定义累积分布函数
def cdf(x):
    return (1/10)*x - 4.8

# 求导
cdf_diff = cdf(x).diff(x)

# 积分上下限
dowm_limit = 48
up_limit = 58

# 使用lambdify函数，将sympy的Symbol类型转换为Python的函数类型（function类型），以便进行数值计算
x_lambda = sp.lambdify(x, x * cdf_diff)
# 使用scipy的quad函数，计算x * cdf_diff在给定的上下限之间的定积分，该积分即为均值
mean, error = spi.quad(lambda x: x_lambda(x), dowm_limit, up_limit)
print("均值为：", round(mean, 2))

# 定义一个函数m_lambda，用于计算(x-均值)^2 * cdf_diff的值
m_lambda = sp.lambdify(x, ((x - mean) ** 2) * cdf_diff)
# 使用scipy的quad函数，计算(x-均值)^2 * cdf_diff在给定的上下限之间的定积分，该积分即为方差
variance, error = spi.quad(lambda x: m_lambda(x), dowm_limit, up_limit)
print("方差为：", round(variance, 2))

# 定义累积分布函数cdf(x)
cdf = (1/10)*x - 4.8
# 使用matplotlib绘制cdf图形
X = np.linspace(48, 58, 100)
Y = [cdf.subs(x, xx).evalf() for xx in X]

plt.plot(X, Y)
plt.xlabel('x')
plt.ylabel('CDF(x)')
plt.title('CDF figure')
plt.show()