Comment utiliser l’équivalent de rnorm() en Python

Dans le langage de programmation R, nous pouvons utiliser la fonction rnorm() pour générer un vecteur de valeurs aléatoires qui suivent une distribution normale avec une moyenne et un écart type spécifiques.

Par exemple, le code suivant montre comment utiliser rnorm() pour créer un vecteur de 8 valeurs aléatoires qui suivent une distribution normale avec une moyenne de 5 et un écart type de 2 :

#make this example reproducible
set.seed(1)

#generate vector of 8 values that follow normal distribution with mean=5 and sd=2
rnorm(n=8, mean=5, sd=2)

[1] 3.747092 5.367287 3.328743 8.190562 5.659016 3.359063 5.974858 6.476649

L’équivalent de la fonction rnorm() en Python est la fonction np.random.normal() , qui utilise la syntaxe de base suivante :

np.random.normal(loc=0, échelle=1, taille=Aucun)

où:

• loc : Moyenne de la distribution
• échelle : Ecart type de la distribution
• taille : taille de l’échantillon

L’exemple suivant montre comment utiliser cette fonction dans la pratique.

Exemple : utilisation de l’équivalent de rnorm() en Python

Le code suivant montre comment utiliser la fonction np.random.normal() pour générer un tableau de valeurs aléatoires qui suivent une distribution normale avec une moyenne et un écart type spécifiques.

import numpy as np

#make this example reproducible
np.random.seed(1)

#generate array of 8 values that follow normal distribution with mean=5 and sd=2
np.random.normal(loc=5, scale=2, size=8)

array([8.24869073, 3.77648717, 3.9436565 , 2.85406276, 6.73081526,
       0.39692261, 8.48962353, 3.4775862 ])

Le résultat est un tableau NumPy contenant 8 valeurs générées à partir d’une distribution normale avec une moyenne de 5 et un écart type de 2.

Vous pouvez également créer un histogramme à l’aide de Matplotlib pour visualiser une distribution normale générée par la fonction np.random.normal() :

import numpy as np
import matplotlib.pyplot as plt

#make this example reproducible
np.random.seed(1)

#generate array of 200 values that follow normal distribution with mean=5 and sd=2
data = np.random.normal(loc=5, scale=2, size=200)

#create histogram to visualize distribution of values
plt.hist(data, bins=30, edgecolor='black')

On voit que la distribution des valeurs est à peu près en forme de cloche avec une moyenne située à 5 et un écart type de 2.

Remarque : Vous pouvez trouver la documentation complète de la fonction np.random.normal() ici .

Ressources additionnelles

Les didacticiels suivants expliquent comment effectuer d’autres opérations courantes en Python :

Comment calculer et tracer le CDF normal en Python
Comment tracer une distribution normale en Python
Comment tester la normalité en Python