練習(xí)：繪制正態(tài)分布概率密度函數(shù)
正態(tài)分布（Normal distribution）赂毯，也稱“常態(tài)分布”障贸，又名高斯分布（Gaussian distribution）。
若隨機(jī)變量X服從一個數(shù)學(xué)期望為μ本涕、方差為σ2的正態(tài)分布码泛，記為N(μ，σ2)裳扯。其概率密度函數(shù)為正態(tài)分布的期望值μ決定了其位置抛丽，其標(biāo)準(zhǔn)差σ決定了分布的幅度。當(dāng)μ = 0,σ = 1時的正態(tài)分布是標(biāo)準(zhǔn)正態(tài)分布饰豺。
若隨機(jī)變量 服從一個位置參數(shù)為 亿鲜、尺度參數(shù)為 的概率分布，且其概率密度函數(shù)為：
標(biāo)準(zhǔn)正態(tài)分布
當(dāng)
![]()
時冤吨，正態(tài)分布就成為標(biāo)準(zhǔn)正態(tài)分布
簡單介紹了一下相關(guān)概念狡门，現(xiàn)在我們進(jìn)入正題。
這是代碼效果圖
锅很、其馏、
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
mpl.rcParams['font.sans-serif'] = [u'SimHei'] # win正常顯示中文
mpl.rcParams['axes.unicode_minus'] = False
mu = 0
sigma = 1
x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 51) #取奇數(shù)保證最中間有一個點(diǎn) 圖好看點(diǎn) 沒特殊意義
y = np.exp(-(x-mu) ** 2 / (2 * sigma ** 2)) / (np.sqrt(2 * np.pi) *sigma ) #上文的概率密度函數(shù)
plt.figure(facecolor='w')
plt.plot(x,y,'ro-',lw = 2,markersize = 6)
plt.xlabel('x',fontsize = 16)
plt.ylabel('Y',fontsize = 16)
plt.title('高斯分布函數(shù)',fontsize = 16)
plt.grid(True)
plt.show()
