LoslegenKostenlos loslegen

Normale Stichprobenverteilungen

Du möchtest einen realistischen durchschnittlichen Schlusskurs für den S&P 500 über einen Teil seiner Handelshistorie schätzen. Das ist ein naheliegender Anwendungsfall für ein Konfidenzintervall, denn du hast eine Stichprobenkennzahl und willst damit eine Populationskennzahl schätzen. Dein erster Schritt sollte jedoch sein zu prüfen, ob die Stichprobenverteilung ungefähr normal ist. In dieser Übung machst du genau das. In der nächsten Übung nutzt du dieses Ergebnis, um dein Konfidenzintervall zu erstellen.

Die gleichen Daten btc_sp_df wurden für dich geladen, ebenso die Pakete pandas als pd, NumPy als np und Matplotlib als plt.

Diese Übung ist Teil des Kurses

Grundlagen der Inferenz in Python

Kurs anzeigen

Anleitung zur Übung

  • Definiere eine Variable num_samples als gewünschte Anzahl an Stichproben (200) und eine leere Liste sample_means, um den Mittelwert jeder der 200 Stichproben zu speichern.
  • Schreibe eine for-Schleife, die den Stichprobenprozess num_samples-mal wiederholt.
  • Wähle 500 zufällige Schlusskurse des S&P 500 aus der Spalte Close_SP500 von btc_sp_df aus.
  • Berechne den Mittelwert jeder dieser Stichproben und speichere ihn in sample_means.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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()
Code bearbeiten und ausführen