Začněte nyníZačněte zdarma

Normální rozdělení výběrových průměrů

Chceš odhadnout realistickou střední hodnotu závěrečné ceny indexu S&P 500 za část jeho obchodní historie. To je přirozená úloha pro intervalový odhad – máš výběrovou statistiku a chceš ji použít k odhadnutí populační statistiky. Nejdřív bys ale měl/a ověřit, zda má výběrové rozdělení přibližně normální charakter. Přesně to uděláš v tomto cvičení. V dalším cvičení pak tento výsledek využiješ k sestavení intervalového odhadu.

Data btc_sp_df jsou již načtena, stejně jako balíčky pandas jako pd, NumPy jako np a Matplotlib jako plt.

Toto cvičení je součástí kurzu

Základy statistické inference v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Definuj proměnnou num_samples jako požadovaný počet vzorků (200) a prázdný seznam sample_means, do kterého budeš ukládat průměr z každého z těchto 200 vzorků.
  • Napiš for smyčku, která proces výběru vzorků zopakuje num_samples-krát.
  • Z každého opakování vyber 500 náhodných závěrečných cen indexu S&P 500 ze sloupce Close_SP500 datové sady btc_sp_df.
  • Vypočítej průměr každého vzorku a ulož ho do seznamu sample_means.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define the number of samples to take and store the sample means
num_samples = ____
sample_means = ____

# Write a for loop which repeats the sampling num_samples times
for i in ____:
  # Select 500 random Close_SP500 prices 
  sp500_sample = np.___(____, size=____)
  # Compute mean closing price and save it to sample_means
  ____.append(____.mean())
    
plt.hist(sample_means)
plt.show()
Upravit a spustit kód