EmpezarEmpieza gratis

Distribuciones muestrales normales

Quieres estimar un precio medio de cierre realista para el S&P 500 en un subconjunto de su historial de negociación. Esto parece una aplicación natural de un intervalo de confianza, ya que tienes una estadística muestral y quieres usarla para estimar una estadística poblacional. Sin embargo, tu primer paso debería ser comprobar si la distribución muestral es aproximadamente normal. En este ejercicio, harás exactamente eso. En el siguiente ejercicio, usarás este resultado para crear tu intervalo de confianza.

Los mismos datos btc_sp_df se han cargado por ti, así como los paquetes pandas como pd, NumPy como np y Matplotlib como plt.

Este ejercicio forma parte del curso

Fundamentos de la inferencia en Python

Ver curso

Instrucciones del ejercicio

  • Define una variable num_samples como el número de muestras deseado (200), y define una lista vacía sample_means para almacenar la media de cada una de las 200 muestras.
  • Escribe un bucle for que repita el proceso de muestreo num_samples veces.
  • Selecciona 500 precios de cierre aleatorios del S&P500 de la columna Close_SP500 de btc_sp_df.
  • Calcula la media de cada una de estas muestras y guárdalas en sample_means.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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()
Editar y ejecutar código