numpy.random.RandomState.normal

RandomState.normal(loc=0.0, scale=1.0, size=None)

Генерация случайных выборок из нормального (гауссова) распределения.

Функция плотности вероятности нормального распределения, впервые выведенная Де Муавром, а через 200 лет независимо Гауссом и Лапласом [R188], часто называется кривой Гаусса из-за ее характерной формы (см. пример ниже).

Нормальные распределения часто встречаются в природе. Например, оно описывает часто встречающееся распределение выборок, подверженных влиянию большого числа незначительных случайных возмущений, каждое со своим уникальным распределением [R188].

Параметры:

Параметры:	loc : float или array_like float Математическое ожидание (центр) распределения. scale : float или array_like float Среднее квадратическое отклонение (разброс или «ширина») распределения. size : int или кортеж из int, необязательно Форма выходных данных. Если заданная форма, например, `(m, n, k)`, тогда `m * n * k` выборок будут сгенерированы. Если размер равен `None` (по умолчанию), возвращается одно значение, если `loc` и `scale` оба являются скалярами. В противном случае `np.broadcast(loc, scale).size` выборок будут сгенерированы.
Возвращаемое значение:	out : ndarray или скаляр Сгенерированные выборки из параметризованного нормального распределения.

loc : float или array_like float

Математическое ожидание (центр) распределения.

scale : float или array_like float

Среднее квадратическое отклонение (разброс или «ширина») распределения.

size : int или кортеж из int, необязательно

Форма выходных данных. Если заданная форма, например, (m, n, k), тогда m * n * k выборок будут сгенерированы. Если размер равен None (по умолчанию), возвращается одно значение, если loc и scale оба являются скалярами. В противном случае np.broadcast(loc, scale).size выборок будут сгенерированы.

Возвращаемое значение:

out : ndarray или скаляр

Сгенерированные выборки из параметризованного нормального распределения.

См. также

scipy.stats.norm: функция плотности вероятности, распределение или функция кумулятивного распределения и т.д.

Примечания

Функция плотности вероятности для нормального распределения имеет вид:

$p(x) = \frac{1}{\sqrt{ 2 \pi \sigma^2 }} e^{ - \frac{ (x - \mu)^2 } {2 \sigma^2} },$

где $\mu$ — математическое ожидание, а $\sigma$ — стандартное отклонение. Квадрат стандартного отклонения, $\sigma^2$ , называется дисперсией.

Функция достигает своего пика в точке математического ожидания, а ее «разброс» увеличивается с увеличением стандартного отклонения (функция достигает 0,607 от своего максимального значения в точках $x + \sigma$ и $x - \sigma$ [R188]). Это означает, что numpy.random.normal более вероятно вернет выборки, расположенные близко к математическому ожиданию, чем те, которые находятся далеко от него.

Ссылки

[R187]

Википедия, «Нормальное распределение», http://en.wikipedia.org/wiki/Normal_distribution

[R188]

(1, 2, 3, 4) P. R. Peebles Jr., «Центральная предельная теорема» в «Вероятность, случайные величины и случайные сигналы», 4-е изд., 2001, стр. 51, 51, 125.

Примеры

Генерация выборок из распределения:

>>> mu, sigma = 0, 0.1 # mean and standard deviation
>>> s = np.random.normal(mu, sigma, 1000)

Проверка математического ожидания и дисперсии:

>>> abs(mu - np.mean(s)) < 0.01
True

>>> abs(sigma - np.std(s, ddof=1)) < 0.01
True

Вывод гистограммы выборок вместе с функцией плотности вероятности:

>>> import matplotlib.pyplot as plt
>>> count, bins, ignored = plt.hist(s, 30, normed=True)
>>> plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *
...                np.exp( - (bins - mu)**2 / (2 * sigma**2) ),
...          linewidth=2, color='r')
>>> plt.show()

../../_images/numpy-random-RandomState-normal-1.png

© 2005–2019 NumPy Developers
Licensed under the 3-clause BSD License.
https://docs.scipy.org/doc/numpy-1.14.5/reference/generated/numpy.random.RandomState.normal.html