本文實例講述了Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作。分享給大家供大家參考，具體如下：

簡單來說，正態(tài)分布（Normal distribution）又名高斯分布（Gaussian distribution），是一個在數(shù)學(xué)、物理及工程等領(lǐng)域都非常重要的概率分布，在統(tǒng)計學(xué)的許多方面有著重大的影響力。一般的正態(tài)分布可以通過標準正態(tài)分布配合數(shù)學(xué)期望向量和協(xié)方差矩陣得到。如下代碼，可以得到滿足一維和二維正態(tài)分布的樣本。

示例1（一維正態(tài)分布）：

# coding=utf-8

'''

作者：采石工

來源：知乎

'''

import numpy as np

from numpy.linalg import cholesky

import matplotlib.pyplot as plt

sampleNo = 1000;

# 一維正態(tài)分布

# 下面三種方式是等效的

mu = 3

sigma = 0.1

np.random.seed(0)

s = np.random.normal(mu, sigma, sampleNo )

plt.subplot(141)

plt.hist(s, 30, normed=True)

np.random.seed(0)

s = sigma * np.random.randn(sampleNo ) + mu

plt.subplot(142)

plt.hist(s, 30, normed=True)

np.random.seed(0)

s = sigma * np.random.standard_normal(sampleNo ) + mu

plt.subplot(143)

plt.hist(s, 30, normed=True)

# 二維正態(tài)分布

mu = np.array([[1, 5]])

Sigma = np.array([[1, 0.5], [1.5, 3]])

R = cholesky(Sigma)

s = np.dot(np.random.randn(sampleNo, 2), R) + mu

plt.subplot(144)

# 注意繪制的是散點圖，而不是直方圖

plt.plot(s[:,0],s[:,1],'+')

plt.show()

運行結(jié)果：

示例2（正態(tài)分布）：

#-*- coding:utf-8 -*-

# Python實現(xiàn)正態(tài)分布

# 繪制正態(tài)分布概率密度函數(shù)

import numpy as np

import matplotlib.pyplot as plt

import math

u = 0 # 均值μ

u01 = -2

sig = math.sqrt(0.2) # 標準差δ

x = np.linspace(u - 3*sig, u + 3*sig, 50)

y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)

print x

print "="*20

print y_sig

plt.plot(x, y_sig, "r-", linewidth=2)

plt.grid(True)

plt.show()

運行結(jié)果：

希望本文所述對大家Python程序設(shè)計有所幫助。

總結(jié)

以上是生活随笔為你收集整理的python正态分布随机数_Python使用numpy产生正态分布随机数的向量或矩阵操作示例...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。