标准正态分布python代码

可以使用scipy库中的stats模块来生成标准正态分布。以下是Python代码示例：

from scipy.stats import norm

# 生成100个符合标准正态分布的随机数
samples = norm.rvs(size=100)

print(samples)

输出：

[-0.16593019  0.18972205  0.30667938 -0.38788125 -0.52070353 -1.42109845
  1.6745864  -1.49938967  0.31294025 -0.95522584 -1.45866802 -0.70640625
 -1.22047806  0.56476184  0.15919849 -0.1502898   0.70681955  2.0231485
 -1.50368925 -0.4293156  -0.23330715 -1.99916812  2.14167831 -0.08664092
 -0.38244862  1.01605405 -0.3665893   0.57957332 -1.35748995 -0.1432389
...

相关问题

正态分布python代码

以下是生成正态分布的Python代码：

import numpy as np
import matplotlib.pyplot as plt

# 设置正态分布的均值和标准差
mu, sigma = 0, 0.1 

# 生成随机数
s = np.random.normal(mu, sigma, 1000)

# 绘制直方图
count, bins, ignored = plt.hist(s, 30, density=True)

# 绘制正态分布的曲线
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *
         np.exp( - (bins - mu)**2 / (2 * sigma**2) ),
         linewidth=2, color='r')
         
# 显示图形
plt.show()

首先，我们导入了 `numpy` 和 `matplotlib.pyplot` 模块。然后，我们设置了正态分布的均值 `mu` 和标准差 `sigma`。接着，使用 `numpy.random.normal()` 函数生成了1000个符合正态分布的随机数 `s`。然后，使用 `matplotlib.pyplot.hist()` 函数绘制了 `s` 的直方图，并使用 `numpy.exp()` 函数计算了正态分布的曲线，并使用 `matplotlib.pyplot.plot()` 函数将其绘制出来。最后，使用 `matplotlib.pyplot.show()` 函数显示图形。

标准正态分布函数 python

标准正态分布函数是指服从均值为0，标准差为1的正态分布函数。在Python中，可以使用SciPy库中的norm模块来计算标准正态分布函数的值。

首先，需要导入SciPy库的norm模块：

from scipy.stats import norm

然后，可以使用norm模块的cdf方法来计算标准正态分布函数的值。例如，要计算x=1处的标准正态分布函数的值，可以使用以下代码：

x = 1
std_normal_dist = norm(loc=0, scale=1)
std_normal_dist_value = std_normal_dist.cdf(x)
print(std_normal_dist_value)

输出结果将为0.8413447460685429，即x=1处的标准正态分布函数的值。

除了cdf方法，还可以使用ppf方法来计算给定概率下对应的分位数。例如，要计算标准正态分布函数在0.5处的分位数，可以使用以下代码：

prob = 0.5
std_normal_dist_percentile = std_normal_dist.ppf(prob)
print(std_normal_dist_percentile)

输出结果将为0.0，即标准正态分布函数在0.5处的分位数为0。

希望以上信息对你有帮助！如果有任何问题，请随时提问。