若一维随机变量X的概率密度函数满足如下条件:

则称服从正态分布(或高斯分布),记作:。其中为均值,为方差。

特别地,当满足时,称服从标准正态分布,记作:。此时的概率密度函数为:

下列Python代码用于显示标准正态分布的分布密度。

# coding = utf-8import numpy as np
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsex_min, x_max = -3, 3  # 样本点的x轴分布范围
step = 0.01  # 步长x = np.linspace(x_min, x_max, (x_max-x_min)/step)
y = 1/np.sqrt(2*np.pi)*np.e**(-x**2/2)plt.plot(x, y, linestyle='-', color='r')
plt.xlim(x_min, x_max)
plt.ylim(0, 0.5)
plt.title("标准正态分布示意图")
plt.show()

作出的示意图:

正态分布(高斯分布)介绍相关推荐

  1. 正态分布高斯分布泊松分布_正态分布:将数据转换为高斯分布

    正态分布高斯分布泊松分布 For detailed implementation in python check my GitHub repository. 有关在python中的详细实现,请查看我的 ...

  2. 正态分布 高斯分布(数学)

    正态分布(Normal distribution),也称高斯分布(Gaussian distribution) 目录 [隐藏] 1 什么是正态分布 2 正态分布的发展 3 正态分布的主要特征 4 正态 ...

  3. 笔记:《深入浅出统计学》第八、九章:概率密度、正态分布(高斯分布)

    离散数据由单个数值组成,连续数据包含一个数据范围. 1.概率密度: 连续随机变量的概率分布可用概率密度函数描述. 概率密度是一种表示概率的方法,并非概率本身.概率密度指出各种范围内的概率的大小,通过概 ...

  4. 正态分布(高斯分布)、均匀分布

    日萌社 人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新)

  5. 高斯分布和正态分布有什么区别?Gaussian VS Normal

    先吐槽 也许真有不同,但是一般提"高斯分布"的人,包括论文期刊里面,都是为了显得自己高级,因为正态分布是中学就提过的东西嘛,现在再说好像有点low...其实他想表达的就是正态分布, ...

  6. pytorch tensor_[PyTorch 学习笔记] 1.2 Tensor(张量)介绍

    本章代码: https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/tensor_introduce1.py https: ...

  7. 正态分布的前世今生——如何发现的?

    神说,要有正态分布,就有了正态分布.神看正态分布是好的,就让随机误差就服从了正态分布. 本文来自一个很牛的帖子:https://tieba.baidu.com/p/4206679461?pn=1 鄙人 ...

  8. python正态分布,python中正态分布是什么?

    在python中,如何想要计算概率分步,可以引入正泰分布.正态分布因允许从数学上近似不确定性和变异性,在统计学发展历史中有着非常重要的地位,是一个非常重要也非常常见的连续概率分布.本文将向大家介绍py ...

  9. GraphPad Prism9 将正态分布拟合至频率分布

    为什么要对数据拟合正态分布/高斯分布? 首先,你需要回答一个问题:你的数据是否服从高斯分布? 回答该问题的一种方法是针对原始数据进行正态性检验.另一种方法是检查频率分布或累积频率分布. 拟合正态分布 ...

  10. 正态分布的前世今生(3)

    更多正态分布的介绍,参见 正态分布的前世今生(1) 正态分布的前世今生(2) >>>> 六.开疆扩土,正态分布的进一步发展 19世纪初,随着拉普拉斯中心极限定理的建立与高斯正态 ...

最新文章

  1. Oracle报错createPool,Jmeter中连接Oracle报错Cannot create PoolableConnectionFactory
  2. 苹果 开发者账号区别
  3. 【知识积累】JavaMail实现发邮件功能
  4. 在Mac OS X上安装 Ruby运行环境
  5. PHP查找数据库中的用户,php-在数据库中查找现有的电子邮件和用户...
  6. 概率统计笔记:高斯威沙特分布
  7. SpringMVC源代码学习(一)从HTttpServletBean到DispatcherServlet
  8. java中容易混淆的方法_java中容易混淆的概念
  9. Bumblebee微服务网关之并发限制
  10. JavaOne 2012:使用HTML5和Java构建移动应用程序
  11. 解决安卓字体偏移:页面整体缩放
  12. kafka tool 查看指定group下topic的堆积数量_ELK架构下利用Kafka Group实现Logstash的高可用...
  13. zabbix 3.0 监控windows 部署
  14. 2019 谷歌年度搜索关键词揭晓,技术宅的英雄梦!
  15. 少林寺步入 5G 时代!
  16. 嵌入式设备中支持国密算法的方法——移植Miracl库的步骤说明
  17. Spring容器中 singleton 单例、 prototype多例
  18. Python Bug: TypeError: a bytes-like object is required, not ‘str
  19. python 函数修饰符作用是什么_python函数修饰符@的使用
  20. 面试题 - 浏览器兼容性问题与解决方案

热门文章

  1. (数据结构)二叉树的链式存储结构
  2. 【2017.9-2018.2】年终总结--打破常规,放飞自我
  3. 专门说说教育技术考研调剂
  4. echarts map(地图) 省份名称居中显示
  5. Berkeley DB DB数据库
  6. Vehicle Color Recognition on an Urban Road by Feature Context - 车辆颜色识别数据集
  7. 神华sap系统服务器,SAP同略会:神华SAP应用四大亮点解析
  8. 论文写作-反反复复修改论文
  9. [国家集训队]数颜色
  10. 恒压供水(无负压供水)全套图纸程序 西门子s7-200smart PLC