要实现这个任务,首先需要导入`numpy`和`matplotlib`库。然后,可以使用`numpy`生成一个高斯分布的样本集合,并使用`numpy.mean`和`numpy.std`分别估计均值和标准差。最后,使用`matplotlib.pyplot.hist`绘制直方图来展示样本分布。
以下是一个具体的实现示例:
```python
import numpy as np
import matplotlib.pyplot as plt
# 生成高斯分布的样本集合
n = 1000
u = 5 # 均值
s = 2 # 标准差
X = np.random.normal(u, s, n)
# 估计参数u和s
u_hat = np.mean(X)
s_hat = np.std(X)
# 绘制直方图
plt.hist(X, bins='auto', density=True, alpha=0.7, rwidth=0.85)
plt.xlabel('Value')
plt.ylabel('Probability')
plt.title('Histogram of Gaussian Distribution')
plt.grid(True)
# 绘制真实分布曲线
x = np.linspace(u - 4*s, u + 4*s, 100)
y = 1/(s * np.sqrt(2 * np.pi)) * np.exp(-(x - u)**2 / (2 * s**2))
plt.plot(x, y)
# 显示图形
plt.show()
print("估计得到的均值u为:", u_hat)
print("估计得到的标准差s为:", s_hat)
```
运行代码后,将会绘制出一个直方图,直方图表示了样本集合的分布情况,并在图中绘制了真实的高斯分布曲线。同时,还会打印出估计得到的均值u和标准差s的值。
正态分布下的最大似然
最新推荐文章于 2024-07-22 22:58:19 发布