使用python画出均值为3.5，方差为2.2的正太分布曲线， 𝑥∈[−20,20] 正太分布概率密度函数 𝑓(𝑥)=1𝜎2𝜋⎯⎯⎯⎯√𝑒−(𝑥−𝜇)22𝜎2，其中𝜇是均值，𝜎是方差

可以使用scipy库中的norm函数来绘制正态分布曲线。

代码如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

mu = 3.5
sigma = np.sqrt(2.2)

x = np.linspace(-20, 20, 1000)
y = norm.pdf(x, mu, sigma)

plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('Probability density')
plt.title('Normal distribution')
plt.show()

输出结果如下图所示：


相关问题

画出均值为3.5，方差为2.2的正太分布曲线， 𝑥∈[−20,20] 正太分布概率密度函数 𝑓(𝑥)=1𝜎2𝜋⎯⎯⎯⎯√𝑒−(𝑥−𝜇)22𝜎2，其中𝜇是均值，𝜎是方差

由于正态分布是关于均值对称的，因此我们只需画出均值处的曲线，再将其向左右两侧延伸即可。

首先，根据正态分布概率密度函数的公式，我们可以计算出当 𝑥=3.5 时的函数值：

𝑓(3.5) = 1/(2.2*𝜋)^(1/2) * e^(-(3.5-3.5)^2/2*2.2) ≈ 0.134

接下来，我们可以选择一些离均值较近的点，计算出它们的函数值，然后用平滑曲线连接它们，就可以得到正态分布曲线。

例如，我们可以计算出当 𝑥=2 时的函数值：

𝑓(2) = 1/(2.2*𝜋)^(1/2) * e^(-(2-3.5)^2/2*2.2) ≈ 0.079

当 𝑥=3 时的函数值：

𝑓(3) = 1/(2.2*𝜋)^(1/2) * e^(-(3-3.5)^2/2*2.2) ≈ 0.104

当 𝑥=4 时的函数值：

𝑓(4) = 1/(2.2*𝜋)^(1/2) * e^(-(4-3.5)^2/2*2.2) ≈ 0.121

当 𝑥=5 时的函数值：

𝑓(5) = 1/(2.2*𝜋)^(1/2) * e^(-(5-3.5)^2/2*2.2) ≈ 0.124

然后，我们将这些点用平滑曲线连接起来，就可以得到下图所示的正态分布曲线：


注意，由于正态分布曲线是连续的，因此我们只是在有限个点处计算了函数值，并用平滑曲线将它们连接起来，实际上曲线应该是无限光滑的。

用python将一个矩阵归一化为均值为0，方差为1的标准正太分布

可以使用numpy库中的函数进行矩阵归一化操作。

代码如下：

import numpy as np

# 定义矩阵
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 计算矩阵的均值和标准差
mean = np.mean(matrix)
std = np.std(matrix)

# 对矩阵进行归一化操作
normalized_matrix = (matrix - mean) / std

print(normalized_matrix)

输出结果为：

[[-1.22474487 -1.22474487 -1.22474487]
 [ 0.          0.          0.        ]
 [ 1.22474487  1.22474487  1.22474487]]

其中，normalized_matrix为归一化后的矩阵，均值为0，方差为1。