Python怎么使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作示例

小編給大家分享一下Python怎么使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作示例，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

具體如下：

簡單來說，正態(tài)分布（Normal distribution）又名高斯分布（Gaussian distribution），是一個在數(shù)學、物理及工程等領域都非常重要的概率分布，在統(tǒng)計學的許多方面有著重大的影響力。一般的正態(tài)分布可以通過標準正態(tài)分布配合數(shù)學期望向量和協(xié)方差矩陣得到。如下代碼，可以得到滿足一維和二維正態(tài)分布的樣本。

示例1（一維正態(tài)分布）：

# coding=utf-8
'''
作者：采石工
來源：知乎
'''
import numpy as np
from numpy.linalg import cholesky
import matplotlib.pyplot as plt
sampleNo = 1000;
# 一維正態(tài)分布
# 下面三種方式是等效的
mu = 3
sigma = 0.1
np.random.seed(0)
s = np.random.normal(mu, sigma, sampleNo )
plt.subplot(141)
plt.hist(s, 30, normed=True)
np.random.seed(0)
s = sigma * np.random.randn(sampleNo ) + mu
plt.subplot(142)
plt.hist(s, 30, normed=True)
np.random.seed(0)
s = sigma * np.random.standard_normal(sampleNo ) + mu
plt.subplot(143)
plt.hist(s, 30, normed=True)
# 二維正態(tài)分布
mu = np.array([[1, 5]])
Sigma = np.array([[1, 0.5], [1.5, 3]])
R = cholesky(Sigma)
s = np.dot(np.random.randn(sampleNo, 2), R) + mu
plt.subplot(144)
# 注意繪制的是散點圖，而不是直方圖
plt.plot(s[:,0],s[:,1],'+')
plt.show()

運行結(jié)果：

示例2（正態(tài)分布）：

#-*- coding:utf-8 -*-
# Python實現(xiàn)正態(tài)分布
# 繪制正態(tài)分布概率密度函數(shù)
import numpy as np
import matplotlib.pyplot as plt
import math
u = 0  # 均值μ
u01 = -2
sig = math.sqrt(0.2) # 標準差δ
x = np.linspace(u - 3*sig, u + 3*sig, 50)
y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)
print x
print "="*20
print y_sig
plt.plot(x, y_sig, "r-", linewidth=2)
plt.grid(True)
plt.show()

運行結(jié)果：

以上是“Python怎么使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作示例”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業(yè)資訊頻道！