Tracé de la fonction de distribution gaussienne à 1 dimension

Comment puis-je faire des parcelles de 1 dimensions de distribution Gaussienne de la fonction en utilisant la moyenne et l'écart-type des valeurs de paramètre (μ, σ) = (-1, 1), (0, 2), et (2, 3)?

Je suis nouveau à la programmation, à l'aide de Python.

Vous en remercie d'avance!

source d'informationauteur pythonnewbie

  1. 24

    Avec l'excellent matplotlib et numpy paquets

    from matplotlib import pyplot as mp
import numpy as np

def gaussian(x, mu, sig):
    return np.exp(-np.power(x - mu, 2.) / (2 * np.power(sig, 2.)))

for mu, sig in [(-1, 1), (0, 2), (2, 3)]:
    mp.plot(gaussian(np.linspace(-3, 3, 120), mu, sig))

mp.show()

    va produire quelque chose comme
    Tracé de la fonction de distribution gaussienne à 1 dimension

    Aussi - http://www.whathaveyoutried.com parfois je me sens comme un des devoirs tasse.

  2. 9

    vous pouvez lire ce tutoriel pour savoir comment utiliser les fonctions de distributions statistiques en python. http://docs.scipy.org/doc/scipy/reference/tutorial/stats.html

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

#initialize a normal distribution with frozen in mean=-1, std. dev.= 1
rv = norm(loc = -1., scale = 1.0)
rv1 = norm(loc = 0., scale = 2.0)
rv2 = norm(loc = 2., scale = 3.0)

x = np.arange(-10, 10, .1)

#plot the pdfs of these normal distributions 
plt.plot(x, rv.pdf(x), x, rv1.pdf(x), x, rv2.pdf(x))
  3. 8

    Il vous manque une parenthèse dans le dénominateur de votre gaussien() fonction. Il est bon maintenant, vous divisez par 2 et multiplier avec la variance (sig^2). Mais ce n'est pas vrai et comme vous pouvez le voir de vos parcelles de la plus grande variance la plus étroite de la gaussienne est - ce qui est faux, il convient de face.

    Donc il suffit de changer la gaussienne() fonction:

    def gaussian(x, mu, sig):
    return np.exp(-np.power(x - mu, 2.) / (2 * np.power(sig, 2.)))
  4. 6

    La forme correcte, basée sur la syntaxe d'origine, et correctement normalisée est:

    def gaussian(x, mu, sig):
    return 1./(sqrt(2.*pi)*sig)*np.exp(-np.power((x - mu)/sig, 2.)/2)
  5. 6

    En plus des réponses précédentes, je vous recommande d'abord de calculer le ratio de l'exposant, puis en prenant la place:

    def gaussian(x,x0,sigma):
  return np.exp(-np.power((x - x0)/sigma, 2.)/2.)

    De cette façon, vous pouvez également calculer la gaussienne de très petits ou très grands nombres:

    In: gaussian(1e-12,5e-12,3e-12)
Out: 0.64118038842995462