python拟合正态分布曲线

原创

mob649e8160b585 2023-07-20 23:27:29 ©著作权

©著作权归作者所有：来自51CTO博客作者mob649e8160b585的原创作品，请联系作者获取转载授权，否则将追究法律责任

拟合正态分布曲线

正态分布（也称为高斯分布）是统计学中最常见的连续概率分布之一。它的特点是呈钟形曲线，对称分布于均值周围。在实际应用中，我们常常需要拟合数据到正态分布曲线上，以便进行进一步的分析和预测。Python提供了强大的工具和库，可以轻松地进行正态分布曲线的拟合。

正态分布简介

正态分布曲线由以下公式定义：

f(x) = (1 / (σ * sqrt(2π))) * e^(-((x - μ)^2 / (2σ^2)))

其中，μ是均值，σ是标准差，π是圆周率，e是自然对数的底数。

正态分布曲线的特点有：

对称分布：曲线以均值为中心，两侧对称。
均值与中位数、众数相等：曲线的峰值即为均值，三者重合。
标准差决定曲线的形态：标准差越大，曲线越平坦；标准差越小，曲线越陡峭。

使用Python拟合正态分布曲线

要在Python中拟合正态分布曲线，我们可以使用scipy库的stats模块。该模块提供了许多用于统计分析的函数和分布对象，包括正态分布。下面是一个示例代码：

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

# 生成符合正态分布的随机数据
data = np.random.normal(loc=0, scale=1, size=1000)

# 拟合数据到正态分布曲线上
mu, std = norm.fit(data)

# 绘制直方图和拟合曲线
plt.hist(data, bins=30, density=True, alpha=0.6, color='g')
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
y = norm.pdf(x, mu, std)
plt.plot(x, y, 'r--', linewidth=2)
plt.xlabel('Value')
plt.ylabel('Density')
plt.title('Normal Distribution Fit')
plt.show()

在以上代码中，我们首先使用numpy库的random.normal函数生成了一个符合正态分布的随机数据，参数loc表示均值，参数scale表示标准差，参数size表示生成的数据个数。然后，我们使用norm.fit函数对数据进行拟合，得到拟合后的均值mu和标准差std。最后，我们使用matplotlib库绘制了原始数据的直方图，并在同一图表中绘制了拟合曲线。

通过运行以上代码，我们可以看到生成的随机数据符合正态分布，同时直方图和拟合曲线也展示了正态分布的特点。