在python中画正态分布图像的实例

1.正态分布简介

正态分布(normal distribtution)又叫做高斯分布(Gaussian distribution),是一个非常重要也非常常见的连续概率分布。正态分布大家也都非常熟悉,下面做一些简单的介绍。

假设随机变量XX服从一个位置参数为μμ、尺度参数为σσ的正态分布,则可以记为:

而概率密度函数为

2.在python中画正态分布直方图

先直接上代码

import numpy as np

import matplotlib.mlab as mlab

import matplotlib.pyplot as plt

def demo1():

mu ,sigma = 0, 1

sampleNo = 1000

np.random.seed(0)

s = np.random.normal(mu, sigma, sampleNo)

plt.hist(s, bins=100, normed=True)

plt.show()

上面是一个标准正态分布的直方图。最后输出的图像为:

很多同学心里会有疑惑:这个图像看上去虽然是有点奇怪,虽然形状有点像正态分布,但是差得还比较多嘛,不能算是严格意义上的正态分布。

为什么会有这种情况出现呢?其实原因很简单,代码中我们设定的smapleno = 1000。这个数量并不是很大,所以整个图像看起来分布并不是很规则,只是有大致的正态分布的趋势。如果我们将这个参数加大,相当于增加样本数量,那么整个图像就会更加接近正态分布的形状。跟抛硬币的原理一致,抛的次数越多,正面与反面的出现概率更接近50%。

如果我们将sampleno设置为1000000,分布图像如下。

下面这个图像是不是看起来就漂亮多了!

3.画直方图与概率分布曲线

import numpy as np

import matplotlib.mlab as mlab

import matplotlib.pyplot as plt

def demo2():

mu, sigma , num_bins = 0, 1, 50

x = mu + sigma * np.random.randn(1000000)

# 正态分布的数据

n, bins, patches = plt.hist(x, num_bins, normed=True, facecolor = 'blue', alpha = 0.5)

# 拟合曲线

y = mlab.normpdf(bins, mu, sigma)

plt.plot(bins, y, 'r--')

plt.xlabel('Expectation')

plt.ylabel('Probability')

plt.title('histogram of normal distribution: $\mu = 0$, $\sigma=1$')

plt.subplots_adjust(left = 0.15)

plt.show()

最后得到的图像为:

以上这篇在python中画正态分布图像的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。

以上是 在python中画正态分布图像的实例 的全部内容, 来源链接: utcz.com/z/356460.html

回到顶部