Y1=[0,0.5448,0.9541,1] X1=[0.05,0.1,0.2,0.4] def func(x, miu, theta): return st.norm.cdf((x-miu)/theta) popt, pcov = curve_fit(func, X1,Y1)

这段代码中，给定了一组数据`X1=[0.05, 0.1, 0.2, 0.4]`和`Y1=[0, 0.5448, 0.9541, 1]`，以及一个正态分布的累积分布函数`func(x, miu, theta)`。代码使用`scipy.optimize.curve_fit()`函数进行拟合，得到模型的参数 `miu` 和 `theta`。

具体而言，`curve_fit()`函数的第一个参数是要拟合的函数，第二个参数是自变量数据，第三个参数是响应变量数据。在这个例子中，自变量是`X1`，响应变量是`Y1`，要拟合的函数是正态分布的累积分布函数`func`。这个函数有两个参数`miu`和`theta`，它们是待拟合的参数。

下面是完整的示例代码：

import numpy as np
import scipy.stats as st
from scipy.optimize import curve_fit

# 给定数据
X1 = np.array([0.05, 0.1, 0.2, 0.4])
Y1 = np.array([0, 0.5448, 0.9541, 1])

# 正态分布累积分布函数
def func(x, miu, theta):
    return st.norm.cdf((x-miu)/theta)

# 拟合函数
popt, pcov = curve_fit(func, X1, Y1)

# 输出拟合结果
print("miu =", popt[0])
print("theta =", popt[1])

运行上述代码，就可以得到拟合结果 `miu = 0.19999999` 和 `theta = 0.07180396`。