望為
正態分佈的期望值
**實現：
# python實現正態分佈# 繪製正態分佈概率密度函式
u = 0
# 均值μ
u01 = -2
sig = math.sqrt(0.2) # 標準差δ
sig01 = math.sqrt(1)
sig02 = math.sqrt(5)
sig_u01 = math.sqrt(0.5)
x = np.linspace(u - 3*sig, u + 3*sig, 50)
x_01 = np.linspace(u - 6 * sig, u + 6 * sig, 50)
x_02 = np.linspace(u - 10 * sig, u + 10 * sig, 50)
x_u01 = np.linspace(u - 10 * sig, u + 1 * sig, 50)
y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)
y_sig01 = np.exp(-(x_01 - u) ** 2 /(2* sig01 **2))/(math.sqrt(2*math.pi)*sig01)
y_sig02 = np.exp(-(x_02 - u) ** 2 / (2 * sig02 ** 2)) / (math.sqrt(2 * math.pi) * sig02)
y_sig_u01 = np.exp(-(x_u01 - u01) ** 2 / (2 * sig_u01 ** 2)) / (math.sqrt(2 * math.pi) * sig_u01)
plt.plot(x, y_sig, "r-", linewidth=2)
plt.plot(x_01, y_sig01, "g-", linewidth=2)
plt.plot(x_02, y_sig02, "b-", linewidth=2)
plt.plot(x_u01, y_sig_u01, "m-", linewidth=2)
# plt.plot(x, y, 'r-', x, y, 'go', linewidth=2,markersize=8)
plt.grid(true)
plt.show()
還有一種是使用numpy.random庫來實現
normal 正態分佈 前兩個引數是期望值和標準差
uniform 均勻分布 前兩個引數是區間的起始值和終值
poisson 泊松分布 第一引數表示單位時候內隨機事件的平均發生率
ps:期望,意思就是這個事情的總的平均結果會是怎樣
通俗的講,就是平均值,也可以說是平均水平
演算法是概率*取值的總和,反映的是事情達成的總的預期水平值
這就是期待值
方差是標準差的平方
————————————————
方差和標準差.方差和標準差是測算離散趨勢最重要、最常用的指標.方差是各變數值與其均值離差平方的平均數,它是測算數值型資料離散程度的最重要的方法.標準差為方差的平方根,用s表示.標準差相應的計算公式為
標準差是方差開方後的結果(即方差的算術平方根) 假設這組資料的平均值是m 方差公式s^2=1/n[(x1-m)^2+(x2-m)^2+...+(xn-m)^2]
假設方差是a.則標準差就是這個方差開方
標準差與方差不同的是,標準差和變數的計算單位相同,比方差清楚,因此很多時候我們分析的時候更多的使用的是標準差.
python 累積正態分佈函式 截斷正態分佈
截斷正態分佈 truncated normal distribution 是在正態分佈中界定隨機變數進而從正態分佈的分布函式中匯出的概率分布，在計量經濟學中具有廣泛的應用。正態分佈是定義在實數域的概率分布，而截斷正態分佈顧名思義就是在正態分佈中擷取部分區間的概率。截斷正態分佈的定義如下 由截斷正態的...
python實現正態分佈
就是非常簡單的用正態分佈的公式畫個圖即可，簡單方便 y sig np.exp x u 2 2 sig 2 math.sqrt 2 math.pi sig 或參考 統計學 四 python實現正態分佈 leolrh 正態分佈 normaldistribution 也稱 常態分布 又名高斯分布 gaus...
boost 統計分布之正態分佈
專案要計算乙個聯配 alignment 的顯著性，用p value來衡量。隨機聯配做背景分布，而隨機聯配是正態的。學習了一下boost的數學分布。太好用了，媽媽再也不用擔心我寫錯公式了。下面是測試 include include using namespace std int main int ar...