求数据密度函数python代码_求数据密度函数python代码_Python:三维空间的概率密度函数(附代码数据集)...

本文介绍了如何使用Python绘制二维高斯分布的概率密度函数,包括计算均值、方差、相关系数,并使用matplotlib和numpy库进行数据可视化。通过实例展示了中国和意大利新冠肺炎感染人数的二维高斯分布,揭示了数据的聚集趋势。
摘要由CSDN通过智能技术生成

二维高斯分布

概率密度函数

数据集

实战

优化

坐标轴与图像优化

图像再次优化

概率密度函数

大家肯定都有听说过正态分布,其实正态分布只是概率密度分布的一种,正态分布的概率密度函数均值为μ ,标准差σ是高斯函数的一个实例:

f ( x ; μ , σ ) = 1 σ 2 π exp ⁡ ( − ( x − μ ) 2 2 σ 2 ) f(x ; \mu, \sigma)=\frac{1}{\sigma \sqrt{2 \pi}} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right)f(x;μ,σ)=σ2π​1​exp(−2σ2(x−μ)2​)

在一维上只有x一个变量,μ 均值,σ标准差。

正态分布具有两个参数μ和σ的连续型随机变量的分布,第一

参数μ是服从正态分布的随机变量的均值,第二个参数σ^2是此随机变量的方差,所以正态分布记作N(μ,σ2)。

实际工作中,正态曲线下横轴上一定区间的面积反映该区间的例数占总例数的百分比,或变量值落在该区间的概率。

因此一维的概率密度分布即正态分布,很好的表示数据在哪个区间集中,使我们对整体数据有一个大概的把握。

本文的重点在于二维概率密度函数:

f ( x , y ) = ( 2 π σ 1 σ 2 1 − ρ 2 ) − 1 exp ⁡ [ − 1 2 ( 1 − ρ 2 ) ( ( x − μ 1 ) 2 σ 1 2 − 2 ρ ( x − μ 1 ) ( y − μ 2 ) σ 1 σ 2 + ( y − μ 2 ) 2 σ 2 2 ) ] f(x, y)=\left(2 \pi \sigma_{1} \sigma_{2} \sqrt{1-\rho^{2}}\right)^{-1} \exp \left[-\frac{1}{2\left(1-\rho^{2}\right)}\left(\frac{\left(x-\mu_{1}\right)^{2}}{\sigma_{1}^{2}}-\frac{2 \rho\left(x-\mu_{1}\right)\left(y-\mu_{2}\right)}{\sigma_{1} \sigma_{2}}+\frac{\left(y-\mu_{2}\right)^{2}}{\sigma_{2}^{2}}\right)\right]f(x,y)=(2πσ1​σ2​1−ρ2​)−1exp[−2(1−ρ2)1​(σ12​(x−μ1​)2​−σ1​σ2​2ρ(x−μ1​)(y−μ2​)​+σ22​(y−μ2​)2​)]

因为生活中的很多数据都是高维度的,从简单的二维说起。二维上的数据生活中有很多:身高和体重,血压和

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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