python 服从正态分布下概率密度函数
python 服从正态分布下概率密度函数
服从正太分布下,概率密度函数公式
公式解释:
f(x): 是某样本(样本以数值形式表现)为某数值时发生的概率
0<f(x)<1
x: 是随机抽样的数值,取值范围从负无穷大到正正无穷大
e: 是自然数
σ: 是样本的标准差
μ:是样本的算术平均值(也叫均值)
对服从正太分布下,概率密度函数的理解:
(1) 当自变量x=μ时,f(x)取的最大值, 最大值=f(x=μ)
即:当自变量取值为均值时,发生的概率最大(或者说:发生概率最大的数是均值)
(2) 概率密度函数的图像(曲线图像)关于x=μ对称
(3) 标准差σ越大, 则图像峰值(峰值也就是概率最大值,即:峰值=f(x=μ))越小
(4) 概率最小值趋近于0
应用python绘制图像
"""
绘制正太分布函数曲线图"""
import matplotlib.pyplot as plt
import math
import numpy as np
import matplotlibmatplotlib.rcParams['axes.unicode_minus']=False#解决保存图像时负号'-'显示为方块的问题
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体x = np.linspace(-10,30,num=1000) # x轴的取值范围
std1 = 1 # 定义标准差, 并输入标准差
mean1 = 10 # 定义均值,并输入均值
fx1 = 1 / (std1 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean1) ** 2) / (2 * std1 ** 2)) # 概率密度函数公式std2 = 2
mean2 = 10
fx2 = 1 / (std2 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean2) ** 2) / (2 * std2 ** 2)) # 概率密度函数公式std3 = 4
mean3= 10
fx3 = 1 / (std3 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean3) ** 2) / (2 * std3 ** 2)) # 概率密度函数公式std4 = 8
mean4 = 10
fx4 = 1 / (std4 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean4) ** 2) / (2 * std4 ** 2)) # 概率密度函数公式# 多条曲线在同一张图上进行对比
plt.plot(x, fx1,label = 'std1 = 1') # 绘制概率密度函数图像
plt.plot(x,fx2,label = 'std2 = 2')
plt.plot(x,fx3,label = 'std3 = 4')
plt.plot(x,fx4,label = 'std4 = 8')
plt.legend() # 显示标签 label
plt.xlabel("数值")
plt.ylabel('数值的概率')
plt.title('服从正太分布的概率密度图')
plt.show() # 显示图像
显示图像
由图像可知道: 标准差std 越大, 则峰值越小.(代码设置了均值相同)
稍微修改均值和标准差后,重新绘图, 如下:
import matplotlib.pyplot as plt
import math
import numpy as np
import matplotlibmatplotlib.rcParams['axes.unicode_minus']=False#解决保存图像时负号'-'显示为方块的问题
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体x = np.linspace(-10,30,num=1000) # x轴的取值范围
std1 = 3 # 定义标准差, 并输入标准差
mean1 = 6 # 定义均值,并输入均值
fx1 = 1 / (std1 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean1) ** 2) / (2 * std1 ** 2)) # 概率密度函数公式std2 = 3
mean2 = 10
fx2 = 1 / (std2 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean2) ** 2) / (2 * std2 ** 2)) # 概率密度函数公式std3 = 3
mean3= 12
fx3 = 1 / (std3 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean3) ** 2) / (2 * std3 ** 2)) # 概率密度函数公式std4 = 3
mean4 = 18
fx4 = 1 / (std4 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean4) ** 2) / (2 * std4 ** 2)) # 概率密度函数公式# 多条曲线在同一张图上进行对比
plt.plot(x, fx1,label = '均值 = 6') # 绘制概率密度函数图像
plt.plot(x,fx2,label = '均值 = 10')
plt.plot(x,fx3,label = '均值 = 12')
plt.plot(x,fx4,label = '均值 = 18')
plt.legend() # 显示标签 label
plt.xlabel("数值")
plt.ylabel('数值的概率')
plt.title('服从正太分布的概率密度图')
plt.show() # 显示图像
图像显示:
由图像看出, 当标准差相同时(代码设置标准差相同), 峰值相同, 均值不同时, 对称轴位置不同
再次修改代码对标准差和均值重新赋值(可跳过不用看代码, 直接看图像)
import matplotlib.pyplot as plt
import math
import numpy as np
import matplotlibmatplotlib.rcParams['axes.unicode_minus']=False#解决保存图像时负号'-'显示为方块的问题
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体x = np.linspace(-10,30,num=1000) # x轴的取值范围
std1 = 3 # 定义标准差, 并输入标准差
mean1 = 6 # 定义均值,并输入均值
fx1 = 1 / (std1 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean1) ** 2) / (2 * std1 ** 2)) # 概率密度函数公式std2 = 5
mean2 = 10
fx2 = 1 / (std2 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean2) ** 2) / (2 * std2 ** 2)) # 概率密度函数公式std3 = 6
mean3= 12
fx3 = 1 / (std3 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean3) ** 2) / (2 * std3 ** 2)) # 概率密度函数公式std4 = 2
mean4 = 18
fx4 = 1 / (std4 * pow(2 * math.pi, 0.5)) * np.exp(-((x - mean4) ** 2) / (2 * std4 ** 2)) # 概率密度函数公式# 多条曲线在同一张图上进行对比
plt.plot(x, fx1,label = '均值 = 6, 标准差=3') # 绘制概率密度函数图像
plt.plot(x,fx2,label = '均值 = 10, 标准差=5')
plt.plot(x,fx3,label = '均值 = 12, 标准差=6')
plt.plot(x,fx4,label = '均值 = 18, 标准差=2')
plt.legend() # 显示标签 label
plt.xlabel("数值")
plt.ylabel('数值的概率')
plt.title('服从正太分布的概率密度图')
plt.show() # 显示图像
图像显示:
通过图像可以观查出均值和标准差对概率的影响, 验证了上述的结论
最后: 本人又另写一篇关于服从正太分布概率 离散情况下 概率密度函数和累积密度函数的文章. 有疑惑的可以查看一下
python 服从正态分布下概率密度函数相关推荐
- 正态分布的概率密度函数python_python绘制正态分布及三大抽样分布的概率密度图像...
目录 1.scipy库中各分布对应的方法 2.stats中各分布的常用方法及其功能 3.正态分布的概率密度函数及其图象 1)正态分布的概率密度函数及其图象 2)python绘制正态分布的概率密度函数图 ...
- python 服从正太分布下概率密度函数
# python 服从正太分布下概率密度函数 利用input()函数输入均值和标准差, 多次绘制概率密度函数图形并将图像曲线放置在同一张图中 代码块: """ 绘制正太分 ...
- 简单理解正态分布(概率密度函数)和68-95-99.7法则
正太分布和概率密度函数,期望值,方差 正态分布(Normal distribution),又名高斯分布(Gaussian distribution)是一个非常常见的连续概率分布.正态分布在统计学上十分 ...
- 正态分布的概率密度函数python_python 计算概率密度、累计分布、逆函数的例子...
计算概率分布的相关参数时,一般使用 scipy 包,常用的函数包括以下几个: pdf:连续随机分布的概率密度函数 pmf:离散随机分布的概率密度函数 cdf:累计分布函数 百分位函数(累计分布函数的逆 ...
- Python 生成双峰分布的概率密度函数并画图
鉴于单峰的状态分布公式是: f(x)=(1/((2π)^0.5)*σ)exp-((x-a)^2/(2*σ^2)) 于是N个平均值.标准差值不同的正态分布公式应当是 f(x)= ∑(ki/((2π)^0 ...
- 标准正态分布的概率密度函数和累积分布函数
标准正态分布概率密度函数: 累积分布函数: 图像:
- 二元正态分布的概率密度函数
二元正态分布随机变量 如果随机变量XXX.YYY的联合PDF为 pX,Y(x,y)=12πσxσY1−p2exp{−(x−μX)2σX2+(y−μY)2σY2−2ρ(x−μX)(y−μY)σXσY2 ...
- 正态分布的概率密度函数python_如何实现高斯分布的概率密度函数
最后我使用了@sascha的建议.我查看了this维基百科文章和Numpy源代码,发现了这个randomkit.c文件,它实现了函数rk_gauss(它实现了Box-Muller变换).rk_doub ...
- python概率密度函数参数估计_Python与项目反应理论:基于EM和MCMC的参数估计算法...
项目反应理论的开端 早在上世纪初,智力测验的发明者比奈(也可能是西蒙)便发现了一条神奇的曲线,这条曲线的x轴是智力水平,y轴是试题正确率,而这是项目反应理论(以下简称IRT)的最初雏形.上世界五六十年 ...
最新文章
- 启信宝CEO陈青山:AI+大数据驱动下的金融新生态
- 多图详解教程:Eclipse 3.6连接Tomcat 7
- python pcl学习入门
- oracle存储过程获取异常信息码和异常信息
- java 线程间通信方式_「转」JAVA多线程之线程间的通信方式
- 【渝粤教育】电大中专审计原理与实务 (2)作业 题库
- 22.搜索大纲及重定向(Search Synonyms and Re-directs)
- C++ TBB 文档手册地址
- [高通SDM450][Android9.0]PL2303G驱动升级
- java 课件_java ppt课件
- div半透明背景,文字不透明
- js 去除数组里的空值
- 合并二叉树进行期权定价
- [UIView numberofRowsInSection]unrecognized selector sent to instance 0x1808bef0 错误
- FBX导入Unity中模型没有材质的处理
- 基于USB转接卡的测试工装
- 计算机网络化的例子,《计算机网络基础及典型案例》.pdf
- 单行文本和多行文本溢出显示省略号
- HBDDR-123型时间继电器
- 大学计算机作业与实验报告东北农业大学,大学课程数字化测图实习报告.doc