Подгонка гаусса к распределению вероятностей для нахождения стандартного отклонения в Python с использованием matplotlib ⇐ Python

[Anonymous]

График одного распределения

Я новичок в программировании, поэтому наберитесь терпения. Я пытаюсь смоделировать различные распределения вероятностей, и мне хотелось бы подогнать гауссиану под каждое из них, а затем найти стандартное отклонение полученных гауссиан, а затем сравнить эти стандартные отклонения.

Я не знаю, как указать Python, чтобы он нашел ближайшую к моей кривой гауссовую кривую, поэтому буду благодарен за любую помощь.

Вот мой код: я пытался использовать кривую_подгонку, но я действительно не знаю, как это сделать, поэтому я удалил его и не знаю, как определить гауссиану для наилучшего соответствия.
> импортировать numpy как np импортировать matplotlib.pyplot как plt из scipy import linalg, специальный, оптимизация, статистика из математики импорта numpy из scipy.optimize импорт Curve_fit д = 4000 qA = np.arange(0.000001,q+1,1.0) qB = q - qA Н = 2000 НО = 1000 НБ = Н - Н.А. ASA = (qA + NA -1)*np.log(qA + NA -1)-(qA*np.log(qA)) - (NA -1)*np.log(NA -1) #стерлинговое приближение SA/КБ ASB = (qB + NB -1)*np.log(qB + NB -1)-(qB*np.log(qB)) - (NB -1)*np.log(NB -1) #стерлинговое приближение СБ/кб TATA_list=[] для i в диапазоне (1,len(qA)-1): ТАТЕ = (qA[i+1] - qA[i-1]) / (ASA[i+1] - ASA[i-1]) TATA_list.append(ТАТЕ) ТБТА_список=[] для i в диапазоне (1,len(qA)-1): ТБТЕ = (qB[i+1] - qB[i-1]) / (ASB[i+1] - ASB[i-1]) TBTA_list.append(ТБТЕ) AStot = (q + N -1)*np.log(q + N -1)-(q*np.log(q))-(N-1)*np.log(N-1) Paprox = np.exp(ASA + ASB - AStot) SUMPX = сумма(Paprox[:-1]) НормПАпрокс = Папрокс/SUMPX plt.plot(qA/q, NormPAprox)