下面是一个用Python实现贝叶斯信息准则（BIC）的函数的示例代码：

import numpy as np
from scipy.stats import norm

def bic(data, k, log_likelihood):
    n = len(data)
    bic_value = -2 * log_likelihood + k * np.log(n)
    return bic_value

# 示例数据
data = np.array([1.2, 1.4, 1.6, 1.8, 2.0])
# 最大似然估计的均值和方差
mu_ml = np.mean(data)
sigma_ml = np.std(data)

# 计算最大似然估计的对数似然值
log_likelihood_ml = np.sum(norm.logpdf(data, mu_ml, sigma_ml))
# 计算BIC值
bic_value_ml = bic(data, 2, log_likelihood_ml)

print("BIC值（最大似然估计）:", bic_value_ml)

这个示例代码计算了一组示例数据的BIC值。首先，通过计算数据的最大似然估计的均值和方差。然后，使用norm.logpdf()函数计算最大似然估计的对数似然值。最后，使用定义的bic()函数计算BIC值。输出结果为BIC值（最大似然估计）。在这个例子中，k参数为2，表示模型参数个数为2（均值和方差）。