欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python数据可视化正态分布简单分析及实现代码

程序员文章站 2022-04-15 12:39:33
Python说来简单也简单,但是也不简单,尤其是再跟高数结合起来的时候。。。 正态分布(Normaldistribution),也称“常态分布”,又名高斯...
Python说来简单也简单,但是也不简单,尤其是再跟高数结合起来的时候。。。

正态分布(Normaldistribution),也称“常态分布”,又名高斯分布(Gaussiandistribution),最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。

正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称之为钟形曲线。

若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布,记为

N(μ,σ^2)

其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。当μ=0,σ=1时的正态分布是标准正态分布。其概率密度函数为:

Python数据可视化正态分布简单分析及实现代码

我们通常所说的标准正态分布是

Python数据可视化正态分布简单分析及实现代码 的正态分布: Python数据可视化正态分布简单分析及实现代码

概率密度函数

Python数据可视化正态分布简单分析及实现代码Python数据可视化正态分布简单分析及实现代码

代码实现:

# Python实现正态分布

# 绘制正态分布概率密度函数

u = 0 # 均值μ

u01 = -2

sig = math.sqrt(0.2) # 标准差δ

sig01 = math.sqrt(1)

sig02 = math.sqrt(5)

sig_u01 = math.sqrt(0.5)

x = np.linspace(u - 3*sig, u + 3*sig, 50)

x_01 = np.linspace(u - 6 * sig, u + 6 * sig, 50)

x_02 = np.linspace(u - 10 * sig, u + 10 * sig, 50)

x_u01 = np.linspace(u - 10 * sig, u + 1 * sig, 50)

y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)

y_sig01 = np.exp(-(x_01 - u) ** 2 /(2* sig01 **2))/(math.sqrt(2*math.pi)*sig01)

y_sig02 = np.exp(-(x_02 - u) ** 2 / (2 * sig02 ** 2)) / (math.sqrt(2 * math.pi) * sig02)

y_sig_u01 = np.exp(-(x_u01 - u01) ** 2 / (2 * sig_u01 ** 2)) / (math.sqrt(2 * math.pi) * sig_u01)

plt.plot(x, y_sig, "r-", linewidth=2)

plt.plot(x_01, y_sig01, "g-", linewidth=2)

plt.plot(x_02, y_sig02, "b-", linewidth=2)

plt.plot(x_u01, y_sig_u01, "m-", linewidth=2)

# plt.plot(x, y, 'r-', x, y, 'go', linewidth=2,markersize=8)

plt.grid(True)

plt.show()