用python证明不同分布的中心极限定理_用中心极限定理绘制正态分布曲线

你差点就赢了！首先，请注意在同一轴上绘制两个柱状图：plt.hist(avg[0:])

以及

^{pr2}$

因此，您可以在直方图上绘制法线密度，您正确地用normed=True参数对第二个图进行了标准化。但是，您也忘记了将第一个直方图标准化(plt.hist(avg[0:]), normed=True)。在

我还建议，既然您已经导入了scipy.stats，那么不妨使用该模块中的正态分布，而不是自己编写pdf。在

把这些放在一起，我们有：import numpy as np

import matplotlib.pyplot as plt

import scipy.stats as stats

# 1000 simulations of die roll

n = 10000

avg = []

for i in range(1,n):

a = np.random.randint(1,7,10)

avg.append(np.average(a))

# CHANGED: normalise this histogram too

plt.hist(avg[0:], 20, normed=True)

zscore = stats.zscore(avg[0:])

mu, sigma = np.mean(avg), np.std(avg)

s = np.random.normal(mu, sigma, 10000)

# Create the bins and histogram

count, bins, ignored = plt.hist(s, 20, normed=True)

# Use scipy.stats implementation of the normal pdf

# Plot the distribution curve

x = np.linspace(1.5, 5.5, num=100)

plt.plot(x, stats.norm.pdf(x, mu, sigma))

这给了我以下的情节：

编辑

在你的评论中：我在np.linspace中如何选择1.5和5.5

是否可以在非标准化直方图上绘制正常核？在

去问q1。首先，我通过眼睛选择了1.5和5.5。在绘制柱状图之后，我看到柱状图的区域在1.5到5.5之间，所以这就是我们想要绘制正态分布的范围。在

选择这一范围的一种更具纲领性的方法是：x = np.linspace(bins.min(), bins.max(), num=100)

至于问题2，是的，我们可以达到你想要的。但是，你应该知道，我们根本就不会绘制概率密度函数。在

在绘制直方图时删除normed=True参数后：x = np.linspace(bins.min(), bins.max(), num=100)

# Find pdf of normal kernel at mu

max_density = stats.norm.pdf(mu, mu, sigma)

# Calculate how to scale pdf

scale = count.max() / max_density

plt.plot(x, scale * stats.norm.pdf(x, mu, sigma))

这给了我以下的情节：