Parece que tienes un pequeño lío.
La función scipy.stats.norm()
no es para calcular los parámetros de una distribución normal (pues para eso basta .mean()
y .std()
, como tú indicas), sino para obtener la ecuación continua de una distribución normal, dados sus parámetros.
La idea es que tú partes de la hipótesis de que el fenómeno que observas sigue una distribución normal (esa hipótesis puede ser correcta o no), pero esa distribución es una "abstracción", por así decir, una curva matemática a la que tus datos se ajustarían si tuvieras infinitos datos.
En la realidad, cuando tomas un conjunto finito de medidas, lo que tienes es una muestra. Esa muestra tiene un histograma (el número de veces que se repite cada observación) y ese histograma se parecerá a la función de densidad de una normal si en efecto el fenómeno observado tenía esa distribución como modelo subyacente, y si la muestra tiene muchos datos (cuantos más tenga, más se parecerá). En el límite, con infinitos datos, serán iguales. El histograma es una "realización" discreta de la abstracción matemática subyacente, que es continua, y que es la normal.
Dicho esto, puedes usar python con tus datos para:
- Verificar tu hipótesis de que tus datos provienen de un fenómeno que puede modelarse según una normal. Para ello usas
scipy.stats.normaltest
- Pintar el histograma de tus datos para ver si se parece o no a la normal, usando por ejemplo
matplotlib.pyplot.hist()
- Si efectivamente es una normal, calcular sus parámetros, con
numpy.mean()
y numpy.std()
.
- Obtener la ecuación continua de la curva que representaría a la "verdadera" distribución normal subyacente. Para esto era
scipy.stats.norm()
, y a la que le has de pasar la media y desviación antes calculadas.
- Pintar si quieres esta distribución continua encima de tu histograma, para ver cuánto se parecen, con
matplotlib.pyplot.plot()
, usando como función para generar la curva a pintar scipy.stats.norm().pdf()
.
También puedes usar la distribución que has obtenido con scpy.stats.norm()
para generar números aleatorios que se ajusten a esa distribución, aunque si no entendí mal esto no es necesario para tus objetivos.
Demo.
Supongamos que tenemos 1000 datos que siguen una distribución normal de media 10 y de desviación estándar 2. Estos datos saldrían de haberlos medido en algún proceso, pero para simplificar voy a generarlos con python. Podría usar scypi.stat.norm
para generarlos, pero no quiero liar, ya que voy a reservar scypi.stat.norm
para otra cosa. Así que usaré el numpy
para ello:
import numpy as np
data = np.random.normal(loc=10, scale=2, size=1000)
print(np.mean(data), np.std(data))
Al ejecutarlo me sale que la muestra tiene media 10.0034052115156 y desviación 1.9774356539615665. Pero si lo ejecuto otra vez podrá salir otra cosa. Si la muestra tuviera infinitos elementos, la media sería 10 y la desviación 2.
Puedo pintar el histograma de esta muestra:
import matplotlib.pyplot as plt
plt.hist(data)

Ahora puedo usar scipy.stat.norm
para crear una distribución normal continua con los parámetros que extraje de la muestra (observa que no son los "verdaderos" parámetros, pues esos nos son desconocidos en un caso real):
from scipy.stats import norm
dist = norm(loc=np.mean(data), scale=np.std(data))
Y puedo pintar juntos el histograma de los datos y el pdf de dist
. Para que sean comparables, el histograma debe estar normalizado (la suma de todas las barras debe dar 1 y no 1000 como en el caso anterior), lo cual se logra pasando el parámetro normed=True
a la función hist
.
Por otro lado, para pintar el pdf, ya que esa curva es infinita, debemos elegir un valor mínimo y uno máximo en el eje x. Podemos elegir por ejemplo representar entre el percentil 0.001 y el 0.999 (y tomar 100 puntos para hacer esa gráfica)
x = np.linspace(dist.ppf(0.001),
dist.ppf(0.999), 100)
plt.hist(data, normed=True, label="Muestra")
plt.plot(x, dist.pdf(x), "r-", label="PDF teórico")
plt.legend()
