python绘制正态分布及三大抽样分布的概率密度图像
目录
作者：Huang supreme
1、scipy库中各分布对应的方法
2、stats中各分布的常用方法及其功能
3、正态分布的概率密度函数及其图象
1）正态分布的概率密度函数及其图象
2）python绘制正态分布的概率密度函数图象
4、卡方分布的概率密度函数及其图象
1）卡方分布的概率密度函数及其图象
2）python绘制卡方分布的概率密度函数图象
5、t分布的概率密度函数及其图象
1）t分布的概率密度函数及其图象
2）python绘制t分布的概率密度函数图象
3）python绘制t分布和正态分布的概率密度函数对比图
6、F分布的概率密度函数及其图象
1）F分布的概率密度函数及其图象
2）python绘制F分布的概率密度函数图象
from scipy import stats
# 正态分布
stats.norm
# 卡方分布
stats.chi2
# t分布
stats.t
# F分布
stats.f
2、stats库中各分布的常用方法及其功能
对于正态分布：
对于t分布：
stats.t.cdf(α,自由度)； stats.t.pdf(α,自由度)； stats.t.isf(α,自由度)；对于F分布：
stats.f.cdf(α,自由度1,自由度2)； stats.f.pdf(α,自由度1,自由度2)； stats.f.isf(α,自由度1,自由度2)；一个简单的案例说明：
# 对于正态分布
stats.norm.cdf(0.5,2,3)
stats.norm.pdf(0.5,2,3)
stats.norm.isf(0.05,2,3)
# 对于t分布
stats.t.cdf(0.5,10)
stats.t.pdf(0.5,10)
stats.t.isf(0.0005,45)
结果如下：
x = np.linspace(-5,5,100000)
y = stats.norm.pdf(x,0,1)
plt.plot(x,y,c="red")
plt.title('正态分布的概率密度函数')
plt.tight_layout()
plt.savefig("正态分布的概率密度函数",dpi=300)
结果如下：
x = np.linspace(0,100,100000)
color = ["blue","green","darkgrey","darkblue","orange"]
for i in range(10,51,10):
y=stats.chi2.pdf(x,df=i)
plt.plot(x,y,c=color[int((i-10)/10)])
plt.title('卡方分布')
plt.tight_layout()
plt.savefig(" 布的概率密度函数",dpi=300)
结果如下：
总结：从图中可以看出，随着自由度的增加，卡方分布的概率密度曲线趋于对称。当自由度n -> +∞的时候，卡方分布的极限分布就是正态分布。
5、t分布的概率密度函数及其图象 1）t分布的概率密度函数及其图象
x = np.linspace(-5,5,100000)
y = stats.t.pdf(x_t,2)
plt.plot(x,y,c="orange")
plt.title('t分布的概率密度函数')
plt.tight_layout()
plt.savefig("t分布的概率密度函数",dpi=300)
结果如下：
x = np.linspace(-5,5,100000)
y = stats.t.pdf(x_t,2)
plt.plot(x,y,c="orange")
plt.title('t分布的概率密度函数')
plt.tight_layout()
plt.savefig("t分布的概率密度函数",dpi=300)
结果如下：
总结：从图中可以看出，t分布的概率密度函数和正态分布的概率密度函数都是偶函数(左右对称的)。t分布随着自由度的增加，就越来越接近正态分布，即t分布的极限分布也是正态分布。
x = np.linspace(-1,8,100000)
y1 = stats.f.pdf(x,1,10)
y2 = stats.f.pdf(x,5,10)
y3 = stats.f.pdf(x,10,10)
plt.plot(x,y1)
plt.plot(x,y2)
plt.plot(x,y3)
plt.ylim(0,1)
plt.title('F分布的概率密度函数')
plt.tight_layout()
plt.savefig("F分布的概率密度函数",dpi=300)
结果如下：
作者：Huang supreme
