python pylab trama distribuzione normale

Question

Data una media e una varianza esiste una semplice chiamata di funzione pylab che traccerà una distribuzione normale?

Oppure ho bisogno di crearne uno da solo?

Answer 1

import matplotlib.pyplot as plt 
import numpy as np 
import matplotlib.mlab as mlab 
import math 

mu = 0 
variance = 1 
sigma = math.sqrt(variance) 
x = np.linspace(mu - 3*sigma, mu + 3*sigma, 100) 
plt.plot(x,mlab.normpdf(x, mu, sigma)) 
plt.show() 

Answer 2

io non ci credo che è una funzione che fa tutto questo in una sola chiamata. Tuttavia è possibile trovare la funzione di densità di probabilità gaussiana in scipy.stats.

Quindi il modo più semplice che potevo venire in mente è:

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

# Plot between -10 and 10 with .001 steps. 
x_axis = np.arange(-10, 10, 0.001) 
# Mean = 0, SD = 2. 
plt.plot(x_axis, norm.pdf(x_axis,0,2)) 

Fonti:

• http://www.johndcook.com/distributions_scipy.html
• http://docs.scipy.org/doc/scipy/reference/stats.html
• http://telliott99.blogspot.com/2010/02/plotting-normal-distribution-with.html

Answer 3

La risposta di Unutbu è corretta. Ma siccome il nostro media può essere più o meno di zero Vorrei ancora cambiare questo:

x = np.linspace(-3 * sigma, 3 * sigma, 100) 

a questo:

x = np.linspace(-3 * sigma + mean, 3 * sigma + mean, 100) 

Answer 4

Se si preferisce utilizzare un approccio graduale che si potrebbe prendere in considerazione una soluzione come segue

import numpy as np 
import matplotlib.pyplot as plt 

mean = 0; std = 1; variance = np.square(std) 
x = np.arange(-5,5,.01) 
f = np.exp(-np.square(x-mean)/2*variance)/(np.sqrt(2*np.pi*variance)) 

plt.plot(x,f) 
plt.ylabel('gaussian distribution') 
plt.show()