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

正態分布（Normaldistribution），也稱“常態分布”，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。是一個在數學、物理及工程等領域都非常重要的概率分布，在統計學的許多方面有著重大的影響力。

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

若隨機變量X服從一個數學期望為μ、方差為σ^2的正態分布，記為

N(μ，σ^2)

其概率密度函數為正態分布的期望值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時的正態分布是標準正態分布。其概率密度函數為：

我們通常所說的標準正態分布是

的正態分布：

概率密度函數

代碼實現：

# Python實現正態分布

# 繪制正態分布概率密度函數

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數據可視化正態分布簡單分析及實現代碼的全部內容，希望對大家有所幫助。感興趣的朋友可以繼續參閱本站其他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！

本文標題: Python數據可視化正態分布簡單分析及實現代碼

本文地址: http://www.cppcns.com/jiaoben/python/213109.html