python统计分析——正态分布概率密度函数

maizeman126

于 2024-02-01 01:00:00 发布

阅读量1.5k

点赞数 20

分类专栏： python统计分析文章标签： python 统计分析正态分布

本文链接：https://blog.csdn.net/maizeman126/article/details/135886951

版权

python统计分析专栏收录该内容

59 篇文章 3 订阅

订阅专栏

本文介绍了如何使用Python的scipy库进行统计学习，包括正态分布的概率密度函数、绘制概率密度曲线、累计分布函数以及计算百分位数。通过实例展示了如何使用scipy.stats.norm模块中的相关函数进行操作。

摘要由CSDN通过智能技术生成

参考资料：用python动手学统计学

1、概率密度函数的定义

正态分布的概率密度函数为： $N(x|\mu,\sigma^2)=\frac{e^{[-\frac{(x-\mu)^2}{2\sigma^2}]}}{\sqrt{2\pi\sigma^2}}$

python中的对应正态分布概率密度函数为：scipy.stats.norm.pdf()，共有三个参数如下：

loc为正态分布的均值，默认为0。

scale为正态分布的标准差，默认为1。

x为分位数。

2、绘制概率密度曲线

# 导入库
import numpy as np
import pandas as pd
import scipy as sp
from scipy import stats
import matplotlib.pyplot as plt

# 设置x轴坐标的数据点，为1到7的等差数列（步长为0.1）
x=np.arange(start=1,stop=7.1,step=0.1)
# 利用概率密度函数，求得x对应的概率密度，作为y轴坐标的数据点
y=stats.norm.pdf(loc=4,scale=0.8,x=x)
# 绘制概率密度曲线
plt.plot(x,y)

3、累计分布函数

简单来说，累计分布函数可以计算随机变量小于某个值的概率。若要求正态分布中随机变量小于等于3的概率可以通过下面的积分函数得到：

$P(X\leqslant 3)=\int_{-\infty }^{3}\frac{e^{[-\frac{(x-\mu)^2}{2\sigma^2}]}}{\sqrt{2\pi\sigma^2}} dx$

python中正态分布的累计分布函数为：scipy.stats.norm.cdf()，其中cdf为cumulative distribution function的缩写。参数同scipy.stats.norm.pdf()。

正态分布相对于均值左右对称，所以数据小于等于均值的概率为 50%，所以下面代买的运行结果为0.5。

stats.norm.cdf(loc=4,scale=0.8,x=4)

此函数相当于excel中的norm.dist()函数，如下图：

4、百分位函数

数据小于等于某个值的概率叫做左侧概率，借助累积分布函数可以得到左侧概率。

与上述概念相反，能得到某个概率的那个值叫做百分位，也叫左侧百分位数。python中正态分布的百分位数函数为：scipy.stats.norms.ppf()，参数如下：

loc为正态分布的均值，默认为0。

scale为正态分布的标准差，默认为1。

q为左侧的累计概率值。

正态分布相对于均值左右对称，所以数据小于等于均值的概率为 50%，所以下面代买的运行结果为正态分布的均值4。

stats.norm.ppf(loc=4,scale=0.8,q=0.5)

相当于excel中的norm.ins()函数，如下图：

maizeman126

关注

20
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
python统计分析——正态分布概率密度函数

python中正态分布的累计分布函数为：scipy.stats.norm.cdf()，其中cdf为cumulative distribution function的缩写。正态分布相对于均值左右对称，所以数据小于等于均值的概率为 50%，所以下面代买的运行结果为0.5。正态分布相对于均值左右对称，所以数据小于等于均值的概率为 50%，所以下面代买的运行结果为正态分布的均值4。scale为正态分布的标准差，默认为1。loc为正态分布的均值，默认为0。loc为正态分布的均值，默认为0。2、绘制概率密度曲线。
复制链接

扫一扫