Python數(shù)據(jù)可視化正態(tài)分布簡單分析及實現(xiàn)代碼

更新時間：2017年12月04日 16:42:25 作者：kevinelstri

這篇文章主要介紹了Python數(shù)據(jù)可視化正態(tài)分布簡單分析及實現(xiàn)代碼，具有一定借鑒價值，需要的朋友可以參考下。

Python說來簡單也簡單，但是也不簡單，尤其是再跟高數(shù)結合起來的時候。。。

正態(tài)分布（Normaldistribution），也稱“常態(tài)分布”，又名高斯分布（Gaussiandistribution），最早由A.棣莫弗在求二項分布的漸近公式中得到。C.F.高斯在研究測量誤差時從另一個角度導出了它。P.S.拉普拉斯和高斯研究了它的性質。是一個在數(shù)學、物理及工程等領域都非常重要的概率分布，在統(tǒng)計學的許多方面有著重大的影響力。

正態(tài)曲線呈鐘型，兩頭低，中間高，左右對稱因其曲線呈鐘形，因此人們又經(jīng)常稱之為鐘形曲線。

若隨機變量X服從一個數(shù)學期望為μ、方差為σ^2的正態(tài)分布，記為

N(μ，σ^2)

其概率密度函數(shù)為正態(tài)分布的期望值μ決定了其位置，其標準差σ決定了分布的幅度。當μ=0,σ=1時的正態(tài)分布是標準正態(tài)分布。其概率密度函數(shù)為：

我們通常所說的標準正態(tài)分布是的正態(tài)分布：

概率密度函數(shù)

代碼實現(xiàn)：

 # Python實現(xiàn)正態(tài)分布
 # 繪制正態(tài)分布概率密度函數(shù)
 u = 0 # 均值μ
 u01 = -2
 sig = math.sqrt(0.2) # 標準差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()

總結

以上就是本文關于Python數(shù)據(jù)可視化正態(tài)分布簡單分析及實現(xiàn)代碼的全部內(nèi)容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他Python和算法相關專題，如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！

您可能感興趣的文章: