python的scipy.stats模块中正态分布常用函数总结

python的scipy.stats模块中正态分布常用函数总结

在数据科学和统计分析中,正态分布(也被称为高斯分布)是最常用的一种概率分布。它具有许多重要的特性,包括对称形状和钟形曲线。Python中的scipy.stats模块提供了一系列用于处理正态分布的函数。本文将总结scipy.stats模块中常用的正态分布函数,并介绍它们的用法和功能。

1. 正态分布的概率密度函数(PDF)

概率密度函数是描述随机变量概率分布的函数。对于正态分布,它的概率密度函数可以由scipy.stats.norm.pdf函数计算。该函数的输入参数包括要计算的点(或数组)和分布的均值和标准差。以下是一个计算正态分布的概率密度函数的例子:

import scipy.stats as stats

mean = 0 # 均值

std = 1 # 标准差

x = 0.6 # 要计算的点

pdf = stats.norm.pdf(x, mean, std)

print(pdf)

在上述例子中,我们计算了正态分布在x=0.6处的概率密度值。输出结果为0.2699548326591514,这说明在这个点附近的概率密度较高。

2. 正态分布的累积分布函数(CDF)

累积分布函数是描述随机变量小于或等于给定值的概率的函数。对于正态分布,它的累积分布函数可以由scipy.stats.norm.cdf函数计算。该函数的输入参数包括要计算的点(或数组)和分布的均值和标准差。以下是一个计算正态分布的累积分布函数的例子:

import scipy.stats as stats

mean = 0 # 均值

std = 1 # 标准差

x = 0.6 # 要计算的点

cdf = stats.norm.cdf(x, mean, std)

print(cdf)

在上述例子中,我们计算了正态分布在x=0.6处的累积分布值。输出结果为0.7257468822499279,这说明小于或等于0.6的概率为0.7257。

3. 正态分布的逆累积分布函数(PPF)

逆累积分布函数是累积分布函数的反函数。对于正态分布,它的逆累积分布函数可以由scipy.stats.norm.ppf函数计算。该函数的输入参数包括要计算的概率值(或概率值的数组)和分布的均值和标准差。以下是一个计算正态分布的逆累积分布函数的例子:

import scipy.stats as stats

mean = 0 # 均值

std = 1 # 标准差

p = 0.6 # 要计算的概率值

ppf = stats.norm.ppf(p, mean, std)

print(ppf)

在上述例子中,我们计算了正态分布概率为0.6对应的点。输出结果为0.2533471031357997,这说明累积分布小于或等于0.2533的概率为0.6。

4. 从正态分布中随机抽样

在某些情况下,我们需要从正态分布中随机抽取样本。scipy.stats模块提供了一个函数norm.rvs来生成从正态分布中随机抽样的样本。该函数的输入参数包括要生成的样本数量、分布的均值和标准差。以下是一个从正态分布中生成样本的例子:

import scipy.stats as stats

mean = 0 # 均值

std = 1 # 标准差

sample_size = 100 # 样本数量

samples = stats.norm.rvs(mean, std, size=sample_size)

print(samples)

在上述例子中,我们生成了100个从均值为0、标准差为1的正态分布中随机抽样得到的样本。

结论

以上是scipy.stats模块中正态分布常用函数的总结。这些函数可以帮助我们进行正态分布相关的概率计算、随机抽样等操作。通过合理利用这些函数,我们可以更方便地进行正态分布的统计分析和建模工作。

免责声明:本文来自互联网,本站所有信息(包括但不限于文字、视频、音频、数据及图表),不保证该信息的准确性、真实性、完整性、有效性、及时性、原创性等,版权归属于原作者,如无意侵犯媒体或个人知识产权,请来电或致函告之,本站将在第一时间处理。猿码集站发布此文目的在于促进信息交流,此文观点与本站立场无关,不承担任何责任。

后端开发标签