高斯分布，正态分布和均匀分布解释以及python代码实现

（1）正态分布

均值为0，标准差为1：

代码：

import numpy as np
import matplotlib.pyplot as plt

# 定义正态分布的参数
mu = 0  # 均值
sigma = 1  # 标准差

# 生成x轴的值
x = np.linspace(mu - 4*sigma, mu + 4*sigma, 1000)

# 计算正态分布的概率密度函数值
y = (1/(np.sqrt(2*np.pi)*sigma)) * np.exp(-0.5 * ((x - mu)/sigma)**2)

# 绘制正态分布曲线
plt.plot(x, y, label=f'Normal Distribution\nμ={mu}, σ={sigma}')
plt.xlabel('x')
plt.ylabel('Probability Density')
plt.title('Normal Distribution')
plt.legend()
plt.grid(True)

# 显示图形
plt.show()

（2）高斯分布

在正态分布下，可以调整均值和标准差，我们设置均值为2，方差为5（标准差为√5）：

代码：

import numpy as np
import matplotlib.pyplot as plt

# 定义高斯分布的参数
mu = 2  # 均值
variance = 5  # 方差
sigma = np.sqrt(variance)  # 标准差

# 生成x轴的值
x = np.linspace(mu - 4*sigma, mu + 4*sigma, 1000)

# 计算高斯分布的概率密度函数值
y = (1/(np.sqrt(2*np.pi)*sigma)) * np.exp(-0.5 * ((x - mu)/sigma)**2)

# 绘制高斯分布曲线
plt.plot(x, y, label=f'Gaussian Distribution\nμ={mu}, σ={sigma:.2f}')
plt.xlabel('x')
plt.ylabel('Probability Density')
plt.title('Gaussian Distribution')
plt.legend()
plt.grid(True)

# 显示图形
plt.show()

（3）均匀分布

• 均匀分布 的最小值 (a) 设置为 0，最大值 (b) 设置为 1。
• 代码生成的曲线 为从0到1之间的均匀分布，概率密度PDF为常数1
• 假设区间是 [0, 1]，PDF 为 1，则子区间 [0.2, 0.3] 的概率是 1 * (0.3 - 0.2) = 0.1。

代码：

import numpy as np
import matplotlib.pyplot as plt

# 定义均匀分布的参数
a = 0  # 最小值
b = 1  # 最大值

# 生成x轴的值
x = np.linspace(a - 1, b + 1, 1000)

# 计算均匀分布的概率密度函数值
y = np.where((x >= a) & (x <= b), 1/(b - a), 0)

# 绘制均匀分布曲线
plt.plot(x, y, label=f'Uniform Distribution\nRange: [{a}, {b}]')
plt.xlabel('x')
plt.ylabel('Probability Density')
plt.title('Uniform Distribution')
plt.legend()
plt.grid(True)

# 显示图形
plt.show()

好啦，希望能够帮助到大家!