用 scipy.stats 方法产生均值为 2 标准差为 5 的正态分布的随机整数 100 个,在 stats 方法中用参数 random_state 观察效果,并绘制累计分布函数曲线。
时间: 2024-04-21 17:28:53 浏览: 5
好的,以下是产生随机正态分布并绘制累计分布函数曲线的 Python 代码:
```python
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
# 产生均值为 2 标准差为 5 的正态分布的随机整数 100 个
np.random.seed(0)
random_ints = stats.norm.rvs(loc=2, scale=5, size=100, random_state=0).astype(int)
# 统计随机整数的频数和累计频数
counts, bin_edges = np.histogram(random_ints, bins=10)
cdf = np.cumsum(counts) / len(random_ints)
# 绘制累计分布函数曲线
plt.plot(bin_edges[1:], cdf)
plt.xlabel('Random Integers')
plt.ylabel('Cumulative Distribution Function')
plt.title('CDF of Normally Distributed Random Integers')
plt.show()
```
运行结果如下图所示:
![CDF of Normally Distributed Random Integers](https://img-blog.csdnimg.cn/20211019171331106.png)
相关问题
用 scipy.stats 方法产生均值为 2 标准差为 5 的正态分布的随机整数 100 个,并绘制出对应的直方图和概率密度曲线
好的,我来为您解答这个问题。
首先,我们需要导入必要的库:
```python
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
```
接着,我们可以使用 `norm.rvs()` 方法来生成均值为 2 标准差为 5 的正态分布的随机整数 100 个:
```python
mean = 2
std = 5
size = 100
data = norm.rvs(loc=mean, scale=std, size=size).astype(int)
```
这里,`loc` 参数指定分布的均值,`scale` 参数指定分布的标准差,`size` 参数指定随机整数的个数,`.astype(int)` 方法将随机数转化为整数类型。
接着,我们可以使用 `plt.hist()` 方法来绘制直方图:
```python
plt.hist(data, bins=10, density=True, alpha=0.6, color='g')
plt.title('Histogram of Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Frequency')
```
这里,`bins` 参数指定直方图的柱子数量,`density` 参数指定是否绘制概率密度曲线,`alpha` 参数指定柱子的透明度,`color` 参数指定柱子的颜色。
最后,我们可以使用 `norm.pdf()` 方法来绘制概率密度曲线:
```python
x = np.linspace(mean - 3*std, mean + 3*std, 100)
plt.plot(x, norm.pdf(x, mean, std), 'r-', lw=2)
plt.show()
```
这里,`x` 是横坐标,`norm.pdf()` 方法用于计算概率密度值。
完整的代码如下:
```python
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
mean = 2
std = 5
size = 100
data = norm.rvs(loc=mean, scale=std, size=size).astype(int)
plt.hist(data, bins=10, density=True, alpha=0.6, color='g')
plt.title('Histogram of Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Frequency')
x = np.linspace(mean - 3*std, mean + 3*std, 100)
plt.plot(x, norm.pdf(x, mean, std), 'r-', lw=2)
plt.show()
```
运行后,会得到一张包含直方图和概率密度曲线的图形,如下所示:
![histogram](https://img-blog.csdnimg.cn/20211004170215160.png)
用 numpy 方法产生标准正态分布的随机数 100 个,并将其转换成 10 行 10 列的数据矩阵,绘制出 bins=10 的直方图,多次运行程序观察图形的效果; 然后利用种子方法产生同样的随机数,再观察数据以及直方图的效果。 同样地,用 scipy.stats 方法产生以上的随机数,并绘制出对应的直方图, 在 stats 方法中用参数 random_state 观察效果,并将正态分布的累计分布函数曲线绘制出来。
好的,以下是代码实现:
使用 numpy 产生标准正态分布的随机数 100 个,并将其转换成 10 行 10 列的数据矩阵,绘制出 bins=10 的直方图,多次运行程序观察图形的效果:
```python
import numpy as np
import matplotlib.pyplot as plt
# 产生标准正态分布的随机数 100 个
data = np.random.randn(100)
# 将其转换成 10 行 10 列的数据矩阵
data_matrix = data.reshape(10, 10)
# 绘制出 bins=10 的直方图
plt.hist(data, bins=10)
plt.show()
```
使用种子方法产生同样的随机数,再观察数据以及直方图的效果:
```python
import numpy as np
import matplotlib.pyplot as plt
# 使用种子方法产生同样的随机数
np.random.seed(0)
data = np.random.randn(100)
# 将其转换成 10 行 10 列的数据矩阵
data_matrix = data.reshape(10, 10)
# 绘制出 bins=10 的直方图
plt.hist(data, bins=10)
plt.show()
```
使用 scipy.stats 方法产生以上的随机数,并绘制出对应的直方图, 在 stats 方法中用参数 random_state 观察效果,并将正态分布的累计分布函数曲线绘制出来:
```python
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
# 产生标准正态分布的随机数 100 个
data = norm.rvs(size=100, random_state=0)
# 绘制出 bins=10 的直方图
plt.hist(data, bins=10)
plt.show()
# 绘制正态分布的累计分布函数曲线
x = np.linspace(-3, 3, 100)
plt.plot(x, norm.cdf(x))
plt.show()
```
以上就是实现代码,希望对你有帮助。