标准/正态分布（python实现）

标准/正态分布（python实现）

正态分布（Normal Distribution）又称为高斯分布（Gaussian Distribution），是概率论和统计学中最为重要的概率分布之一。正态分布的概率密度函数具有钟形曲线的形状，呈现对称性。

正态分布

正态分布由两个参数完全确定：

• $\mu$（均值）：决定曲线的中心位置
• $\sigma$（标准差）：决定曲线的宽度或分布的离散程度

具体而言，如果一个随机变量 $X$ 服从正态分布 $N(\mu ,{\sigma }^2)$，则其概率密度函数为：
$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}\exp \left(-\frac{(x-\mu {)}^2}{2{\sigma }^2}\right)$$

其中，$exp$ 表示自然对数的指数函数，$\pi$ 表示圆周率。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

mu = 50  # 均值
sigma = 10  # 标准差

# 生成正态分布随机数
samples_normal = np.random.normal(mu, sigma, 10000)

# 绘制正态分布的概率密度函数图形
x_normal = np.linspace(0, 100, 500)  # x轴范围
y_normal = norm.pdf(x_normal, mu, sigma)  # 计算概率密度函数值

# 绘制直方图: 箱子数 概率密度 透明度
plt.hist(samples_normal, bins=50, density=True, alpha=0.5, label='Generated Samples')
plt.plot(x_normal, y_normal, color='red', label='PDF')
plt.xlabel('x')
plt.ylabel('Probability Density')
plt.title('Normal Distribution')
plt.legend()
plt.show()

标准正态分布

标准正态分布（Standard Normal Distribution）是正态分布的一种特殊形式，具有均值为 0、标准差为 1 的特性。其概率密度函数记作 $\phi (z)$，其中 $z$ 表示标准正态随机变量。且该曲线在均值 0 处取得峰值，并对称于均值。

正态分布与标准正态分布之间存在着一种转换关系；标准化是指将原始的正态分布随机变量 $X$ 通过下式转换为标准正态分布随机变量 $Z$：
$$Z=\frac{X-\mu }{\sigma }$$

其中，$Z$ 表示标准化后的随机变量，$X$ 表示原始的正态分布随机变量，$\mu$ 和 $\sigma$ 分别表示原始正态分布的均值和标准差。

标准正态分布在统计推断和假设检验中具有重要的应用，因为许多统计方法都基于标准正态分布的性质进行计算和推导。常见的统计推断方法，如 $Z$ 检验和 $t$ 检验，都依赖于标准正态分布。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# 标准正态分布
samples_standard_normal = np.random.standard_normal(10000)

# 绘制标准正态分布的概率密度函数图形
x_standard_normal = np.linspace(-10, 10, 500)  # x轴范围
y_standard_normal = norm.pdf(x_standard_normal, 0, 1)  # 计算概率密度函数值

plt.hist(samples_standard_normal, bins=50, density=True, alpha=0.5, label='Generated Samples')
plt.plot(x_standard_normal, y_standard_normal, color='red', label='PDF')
plt.xlabel('x')
plt.ylabel('Probability Density')
plt.title('Normal Distribution')
plt.legend()
plt.show()