本文實例講述了Python使用numpy產生正態分布隨機數的向量或矩陣操作。分享給大家供大家參考，具體如下：

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

示例1（一維正態分布）：

# 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()

運行結果：

示例2（正態分布）：

#-*- coding:utf-8 -*-

# Python實現正態分布

# 繪制正態分布概率密度函數

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()

運行結果：

希望本文所述對大家Python程序設計有所幫助。

總結

以上是生活随笔為你收集整理的python正态分布随机数_Python使用numpy产生正态分布随机数的向量或矩阵操作示例...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。