Python資料視覺效果常態分佈簡單分析及實現代碼,python可視化
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。。。
常態分佈(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匯出了它。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機率分布,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。
若隨機變數X服從一個數學期望為μ、方差為σ^2的常態分佈,記為
N(μ,σ^2)
其機率密度函數為常態分佈的期望值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時的常態分佈是標準常態分佈。其機率密度函數為:
我們通常所說的標準常態分佈是的常態分佈:
機率密度函數
代碼實現:
# Python實現常態分佈 # 繪製常態分佈機率密度函數 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
以上就是本文關於Python資料視覺效果常態分佈簡單分析及實現代碼的全部內容,希望對大家有所協助。感興趣的朋友可以繼續參閱本站其他Python和演算法相關專題,如有不足之處,歡迎留言指出。感謝朋友們對本站的支援!