python随机生成正态分布_用Python生成随机样本

如何生成一个随机变量/随机向量的随机样本?连续型随机变量离散型随机变量随机向量Markov 链的一个轨道与其极限分布的关系

如何生成一个随机变量/随机向量的随机样本?

import random, math

连续型随机变量

在已知分布函数的表达式的情况下,有   .  
以指数分布为例  ,
先生成一个  之间的均匀分布随机数  ,再求出  的一个近似根,这个根就是我们要的指数分布随机变量的一个样本。
关于连续的单调函数的求根,二分法足够起到良好的效果。

def bisect_exp(lambda_, r: float) -> float:
def random_exp(lambda_, size:int =100) -> List[float]:

以    看看效果,先画出该分布的密度函数  

12, 
  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python 中可以使用多种方法来检验数据是否服从正态分布,以下是几种常用的方法: 1. Shapiro-Wilk检验 Shapiro-Wilk检验是一种常用的正态性检验方法,能够检验样本是否符合正态分布。在 Python 中可以使用 `scipy.stats` 库中的 `shapiro` 函数来实现。 示例代码: ```python from scipy import stats data = [1, 2, 3, 4, 5] # 假设数据为正态分布 stat, p = stats.shapiro(data) print('stat=%.3f, p=%.3f' % (stat, p)) alpha = 0.05 if p > alpha: print('样本符合正态分布') else: print('样本不符合正态分布') ``` 2. Kolmogorov-Smirnov检验 Kolmogorov-Smirnov检验也是一种常用的正态性检验方法,能够检验样本是否符合正态分布。在 Python 中可以使用 `scipy.stats` 库中的 `kstest` 函数来实现。 示例代码: ```python from scipy import stats data = [1, 2, 3, 4, 5] # 假设数据为正态分布 stat, p = stats.kstest(data, 'norm') print('stat=%.3f, p=%.3f' % (stat, p)) alpha = 0.05 if p > alpha: print('样本符合正态分布') else: print('样本不符合正态分布') ``` 3. Anderson-Darling检验 Anderson-Darling检验也是一种常用的正态性检验方法,能够检验样本是否符合正态分布。在 Python 中可以使用 `scipy.stats` 库中的 `anderson` 函数来实现。 示例代码: ```python from scipy import stats data = [1, 2, 3, 4, 5] # 假设数据为正态分布 result = stats.anderson(data) print('stat=%.3f' % result.statistic) for i in range(len(result.critical_values)): sl, cv = result.significance_level[i], result.critical_values[i] if result.statistic < cv: print('%.3f: %.3f, data looks normal (fail to reject H0)' % (sl, cv)) else: print('%.3f: %.3f, data does not look normal (reject H0)' % (sl, cv)) ``` 以上是常用的几种方法来检验数据是否符合正态分布,具体使用哪种方法需要根据实际情况来选择。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值