python中的np.random.normal

一

先看伟大的高斯分布（Gaussian Distribution）的概率密度函数（probability density function）：

Gaussian Distribution(Normal Distribution)其图形特点为中间高，两头低，是钟形曲线(bell-shaped curve)。在高斯分布中，以数学期望μ表示钟型的中心位置（也即曲线的位置），而标准差（standard deviation）σ表征曲线的离散程度。

随机变量X服从数学期望为μ、方差为σ^2的正态分布，记为：
X = N ( μ, σ^2 )
当数学期望为0，方差为1时，该分布为标准正态分布（standard normal distribution）。

高斯分布曲线的特征：
关于μ对称；总面积为1；在μ加减σ处为拐点（先内翻后外翻。
此外，我们通过公式可以看出，σ越大，x位置的概率值就越小，说明曲线越平缓（矮小）；而如果σ小，x的概率就大，说明曲线是瘦高的，概率分布比较集中。

如上图所示，红，蓝，橘黄色曲线的数学期望在0点，但蓝色的方差为0.2，所以其最为陡峭，而橘红色曲线的方差为5.0，证明其分布很广，由于曲线的概率总和为1，所以若其分布广，则高度必然会较低。绿色曲线由于其数学期望为－2，所以，在其他三条曲线的左侧。

二

对应于numpy中：

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

参数的意义为：

loc：float
    此概率分布的均值（对应着整个分布的中心centre）
scale：float
    此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
    输出的shape，默认为None，只输出一个值

我们更经常会用到的np.random.randn(size)所谓标准正态分布（μ=0,σ=1），对应于np.random.normal(loc=0, scale=1, size)。