快捷導(dǎo)航

Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作示例

更新時間：2018年08月22日 10:25:09 作者：采石工

這篇文章主要介紹了Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作,簡單描述了正態(tài)分布的概念并結(jié)合實例形式分析了Python使用numpy模塊結(jié)合matplotlib繪制正態(tài)分布曲線圖相關(guān)操作技巧,需要的朋友可以參考下

本文實例講述了Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作。分享給大家供大家參考，具體如下：

簡單來說，正態(tài)分布（Normal distribution）又名高斯分布（Gaussian distribution），是一個在數(shù)學(xué)、物理及工程等領(lǐng)域都非常重要的概率分布，在統(tǒng)計學(xué)的許多方面有著重大的影響力。一般的正態(tài)分布可以通過標(biāo)準(zhǔn)正態(tài)分布配合數(shù)學(xué)期望向量和協(xié)方差矩陣得到。如下代碼，可以得到滿足一維和二維正態(tài)分布的樣本。

示例1（一維正態(tài)分布）：

# coding=utf-8
'''
作者：采石工
來源：知乎
'''
import numpy as np
from numpy.linalg import cholesky
import matplotlib.pyplot as plt
sampleNo = 1000;
# 一維正態(tài)分布
# 下面三種方式是等效的
mu = 3
sigma = 0.1
np.random.seed(0)
s = np.random.normal(mu, sigma, sampleNo )
plt.subplot(141)
plt.hist(s, 30, normed=True)
np.random.seed(0)
s = sigma * np.random.randn(sampleNo ) + mu
plt.subplot(142)
plt.hist(s, 30, normed=True)
np.random.seed(0)
s = sigma * np.random.standard_normal(sampleNo ) + mu
plt.subplot(143)
plt.hist(s, 30, normed=True)
# 二維正態(tài)分布
mu = np.array([[1, 5]])
Sigma = np.array([[1, 0.5], [1.5, 3]])
R = cholesky(Sigma)
s = np.dot(np.random.randn(sampleNo, 2), R) + mu
plt.subplot(144)
# 注意繪制的是散點圖，而不是直方圖
plt.plot(s[:,0],s[:,1],'+')
plt.show()

運行結(jié)果：

示例2（正態(tài)分布）：

#-*- coding:utf-8 -*-
# Python實現(xiàn)正態(tài)分布
# 繪制正態(tài)分布概率密度函數(shù)
import numpy as np
import matplotlib.pyplot as plt
import math
u = 0  # 均值μ
u01 = -2
sig = math.sqrt(0.2) # 標(biāo)準(zhǔn)差δ
x = np.linspace(u - 3*sig, u + 3*sig, 50)
y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)
print x
print "="*20
print y_sig
plt.plot(x, y_sig, "r-", linewidth=2)
plt.grid(True)
plt.show()

運行結(jié)果：