正常连续随机变量。
那个地点 (loc)关键字指定平均值。规模 (scale)关键字指定标准差。
作为一个实例rv_continuous类，norm对象从中继承了通用方法的集合(完整列表请参见下文)，并使用特定于此特定发行版的详细信息来完善它们。
注意：
的概率密度函数norm是：
一个实数。
上面的概率密度以“standardized”形式定义。要移动和/或缩放分布，请使用loc和scale参数。特别，norm.pdf(x, loc, scale)等同于norm.pdf(y) / scale与y = (x - loc) / scale。
例子：
>>> from scipy.stats import norm
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)
首先计算一下：
>>> mean, var, skew, kurt = norm.stats(moments='mvsk')
显示概率密度函数(pdf)：
>>> x = np.linspace(norm.ppf(0.01),
... norm.ppf(0.99), 100)
>>> ax.plot(x, norm.pdf(x),
... 'r-', lw=5, alpha=0.6, label='norm pdf')
或者，可以调用分发对象(作为函数)以固定形状，位置和比例参数。这将返回固定固定给定参数的“frozen” RV对象。
冻结发行版并显示冻结的pdf：
>>> rv = norm()
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')
检查的准确性cdf和ppf：
>>> vals = norm.ppf([0.001, 0.5, 0.999])
>>> np.allclose([0.001, 0.5, 0.999], norm.cdf(vals))
True
生成随机数：
>>> r = norm.rvs(size=1000)
并比较直方图：
>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()
方法：
rvs(loc=0, scale=1, size=1, random_state=None)
随机变量。
pdf(x, loc=0, scale=1)
概率密度函数。
logpdf(x, loc=0, scale=1)
概率密度函数的对数。
cdf(x, loc=0, scale=1)
累积分布函数。
logcdf(x, loc=0, scale=1)
累积分布函数的日志。
sf(x, loc=0, scale=1)
生存函数(也定义为1 - cdf，但sf有时更准确)。
logsf(x, loc=0, scale=1)
生存函数的日志。
ppf(q, loc=0, scale=1)
百分比点函数(的倒数cdf—百分位数)。
isf(q, loc=0, scale=1)
逆生存函数(sf)。
moment(n, loc=0, scale=1)
n阶非中心矩
stats(loc=0, scale=1, moments=’mv’)
均值(‘m’)，方差(‘v’)，偏斜(‘s’)和/或峰度(‘k’)。
entropy(loc=0, scale=1)
RV的(微分)熵。
fit(data, loc=0, scale=1)
通用数据的参数估计。
expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)
函数(具有一个参数)相对于分布的期望值。
median(loc=0, scale=1)
分布的中位数。
mean(loc=0, scale=1)
分布的平均值。
var(loc=0, scale=1)
分布的差异。
std(loc=0, scale=1)
分布的标准偏差。
interval(alpha, loc=0, scale=1)
包含分布的Alpha百分比的范围的端点
