均匀分布rand 正态分布randn 二元高斯分布random的图形 （python实现）

目录

一：介绍

1 什么是正态分布？

重点知识了解

2 什么是均匀分布 ？

3：二元高斯分布（二元正态分布）

二：编程实现

1： 正态分布

#直方图初判

2：均匀分布

3：高斯（正态）二元分布

---

一：介绍

1 什么是正态分布？

高斯分布（正态分布）是一个常见的连续概率分布。正态分布的数学期望值或期望值 μ等于位置参数，决定了分布的位置；其方差σ2的开平方或标准差σ等于尺度参数，决定了分布的幅度。

正态分布的概率密度函数曲线呈钟形，因此人们又经常称之为钟形曲线（类似于寺庙里的大钟，因此得名）。

重点知识了解

期望：

• 期望,意思就是这个事情的总的平均结果会是怎样

• 通俗的讲,就是平均值,也可以说是平均水平

期望的算法是:

• 概率*取值的总和,反映的是事情达成的总的预期水平值

• 这就是期待值

方差和标准差

• 方差是标准差的平方

• 方差和标准差.方差和标准差是测算离散趋势最重要、最常用的指标.方差是各变量值与其均值离差平方的平均数,它是测算数值型数据离散程度的最重要的方法.标准差为方差的平方根,用S表示.标准差相应的计算公式为

• 标准差是方差开方后的结果(即方差的算术平方根) 假设这组数据的平均值是m 方差公式s^2=1/n[(x1-m)^2+(x2-m)^2+...+(xn-m)^2]

• 假设方差是a.则标准差就是这个方差开方

• 标准差与方差不同的是,标准差和变量的计算单位相同,比方差清楚,因此很多时候我们分析的时候更多的使用的是标准差.

2 什么是均匀分布 ？

均匀分布也叫矩形分布，它是对称概率分布，在相同长度间隔的分布概率是等可能的。 均匀分布由两个参数a和b定义，它们是数轴上的最小值和最大值，通常缩写为U（a，b）。

3：二元高斯分布（二元正态分布）

拥有两个变元的正态分布模型

二：编程实现

1： 正态分布

必要了解：np.random.randn（） 函数用于生成标准正态分布的伪随机数。

Y = randn(n)：返回一个n*n的随机项的矩阵。如果n不是个数量，将返回错误信息。

Y = randn(m,n) 或 Y = randn([m n])：返回一个m*n的随机项矩阵。

Y = randn(m,n,p,...) 或 Y = randn([m n p...])：产生随机数组。

Y = randn(size(A))：返回一个和A有同样维数大小的随机数组。
 

 实例：

#直方图初判

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
% matplotlib inline

s = pd.DataFrame(np.random.randn(1000)+10,columns = ['value'])
print(s.head())
# 创建随机数据

fig = plt.figure(figsize = (10,6))
ax1 = fig.add_subplot(2,1,1)  # 创建子图1
ax1.scatter(s.index, s.values)
plt.grid()
# 绘制数据分布图

ax2 = fig.add_subplot(2,1,2)  # 创建子图2
s.hist(bins=30,alpha = 0.5,ax = ax2)
s.plot(kind = 'kde', secondary_y=True,ax = ax2)
plt.grid()
# 绘制直方图
# 呈现较明显的正太性

2：均匀分布

必要了解：np.random.rand()  产生均匀分布的随机数或矩阵

rand函数产生由在(0, 1)之间均匀分布的随机数组成的数组
Y = rand(n) 返回一个n x n的随机矩阵如果n不是数量，则返回错误信息
Y = rand(m,n) 或 Y = rand([m n]) 返回一个m x n的随机矩阵
Y = rand(m,n,p,...) 或Y = rand([m n p...]) 产生随机数组
Y = rand(size(A)) 返回一个和A有相同尺寸的随机矩阵
 

3：高斯（正态）二元分布

必要了解：np.random.multivariate_normal（）：np.random.multivariate_normal方法用于根据实际情况生成一个多元正态分布矩阵（正态分布基本概念戳这里）

def multivariate_normal(mean, cov, size=None, check_valid=None, tol=None)

mean：mean是多维分布的均值，维度为1；也可表示二元高斯分布的中心。

cov：协方差矩阵（协方差基本概念戳这里），注意：协方差矩阵必须是对称的且需为半正定矩阵；一般二维的为cov = [[1,0.0],[0.0,1]]

size：指定生成的正态分布矩阵的维度（例：若size=(1, 1, 2)，则输出的矩阵的shape即形状为 1X1X2XN（N为mean的长度））

tol：检查协方差矩阵奇异值时的公差，float类型。

check_valid：这个参数用于决定当cov即协方差矩阵不是半正定矩阵时程序的处理方式，它一共有三个值：warn，raise以及ignore。当使用warn作为传入的参数时，如果cov不是半正定的程序会输出警告但仍旧会得到结果；当使用raise作为传入的参数时，如果cov不是半正定的程序会报错且不会计算出结果；当使用ignore时忽略这个问题即无论cov是否为半正定的都会计算出结果。

个数呢？？dot_num:

numpy.eye()   生成对角矩阵。

问题：一个二元高斯分布图，拥有5000个实例，实例的生成服从二元高斯分布，中心为（10，10），标准差为（1，1） 

mean = [10,10] #二元高斯分布的中心（10，10）
cov = [[1,0.0],[0.0,1]]  # diagonal covariance, cov是一个协方差矩阵     cov = np.eye(2)
data = np.random.multivariate_normal(mean,cov,5000) #生成一个多元正态分布矩阵

plt.plot(gdata[:,0],gdata[:,1],'+',c='blue')
print(np.corrcoef(gdata[:,0],gdata[:,1]))