⼆维正态分布图python代码_Python数据可视化正态分布简单
分析及实现代码
Python说来简单也简单，但是也不简单，尤其是再跟⾼数结合起来的时候。。。
正态分布(Normaldistribution)，也称“常态分布”，⼜名⾼斯分布(Gaussiandistribution)，最早由A.棣莫弗在求⼆项分布的渐近公式中得到。C.F.⾼斯在研究测量误差时从另⼀个⾓度导出了它。P.S.拉普拉斯和⾼斯研究了它的性质。是⼀个在数学、物理及⼯程等领域都⾮常重要的概率分布，在统计学的许多⽅⾯有着重⼤的影响⼒。
正态曲线呈钟型，两头低，中间⾼，左右对称因其曲线呈钟形，因此⼈们⼜经常称之为钟形曲线。
若随机变量X服从⼀个数学期望为μ、⽅差为σ^2的正态分布，记为
N(μ，σ^2)
其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ=0,σ=1时的正态分布是标准正态分布。其概率密度函数为：
我们通常所说的标准正态分布是
的正态分布：
概率密度函数
代码实现：linspace函数python
# Python实现正态分布
# 绘制正态分布概率密度函数
u = 0 # 均值μ
u01 = -2
sig = math.sqrt(0.2) # 标准差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.show()
总结
以上就是本⽂关于Python数据可视化正态分布简单分析及实现代码的全部内容，希望对⼤家有所帮助。感兴趣的朋友可以继续参阅本站其他Python和算法相关专题，如有不⾜之处，欢迎留⾔指出。感谢朋友们对本站的⽀持！

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。