Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作示例

2020-01-04 14:40:29

字體：大中小

供稿：網(wǎng)友

本文實例講述了Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作。分享給大家供大家參考，具體如下：

簡單來說，正態(tài)分布（Normal distribution）又名高斯分布（Gaussian distribution），是一個在數(shù)學、物理及工程等領(lǐng)域都非常重要的概率分布，在統(tǒng)計學的許多方面有著重大的影響力。一般的正態(tài)分布可以通過標準正態(tài)分布配合數(shù)學期望向量和協(xié)方差矩陣得到。如下代碼，可以得到滿足一維和二維正態(tài)分布的樣本。

示例1（一維正態(tài)分布）：

# coding=utf-8'''作者：采石工來源：知乎'''import numpy as npfrom numpy.linalg import choleskyimport matplotlib.pyplot as pltsampleNo = 1000;# 一維正態(tài)分布# 下面三種方式是等效的mu = 3sigma = 0.1np.random.seed(0)s = np.random.normal(mu, sigma, sampleNo )plt.subplot(141)plt.hist(s, 30, normed=True)np.random.seed(0)s = sigma * np.random.randn(sampleNo ) + muplt.subplot(142)plt.hist(s, 30, normed=True)np.random.seed(0)s = sigma * np.random.standard_normal(sampleNo ) + muplt.subplot(143)plt.hist(s, 30, normed=True)# 二維正態(tài)分布mu = np.array([[1, 5]])Sigma = np.array([[1, 0.5], [1.5, 3]])R = cholesky(Sigma)s = np.dot(np.random.randn(sampleNo, 2), R) + muplt.subplot(144)# 注意繪制的是散點圖，而不是直方圖plt.plot(s[:,0],s[:,1],'+')plt.show()

運行結(jié)果：

Python,numpy,正態(tài)分布,隨機數(shù),向量,矩陣

示例2（正態(tài)分布）：

#-*- coding:utf-8 -*-# Python實現(xiàn)正態(tài)分布# 繪制正態(tài)分布概率密度函數(shù)import numpy as npimport matplotlib.pyplot as pltimport mathu = 0  # 均值μu01 = -2sig = math.sqrt(0.2) # 標準差δx = np.linspace(u - 3*sig, u + 3*sig, 50)y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)print xprint "="*20print y_sigplt.plot(x, y_sig, "r-", linewidth=2)plt.grid(True)plt.show()

運行結(jié)果：

Python,numpy,正態(tài)分布,隨機數(shù),向量,矩陣