Inizia subitoInizia gratis

Distribuzioni campionarie normali

Vuoi stimare un prezzo di chiusura medio realistico per l’S&P 500 su un sottoinsieme della sua storia di negoziazione. Sembra un’applicazione naturale di un intervallo di confidenza, dato che hai una statistica campionaria e vuoi usarla per stimare una statistica della popolazione. Tuttavia, il primo passo dovrebbe essere verificare se la distribuzione campionaria è approssimativamente normale. In questo esercizio farai proprio questo. Nell’esercizio successivo userai questo risultato per creare il tuo intervallo di confidenza.

Gli stessi dati btc_sp_df sono già stati caricati per te, così come i pacchetti pandas come pd, NumPy come np e Matplotlib come plt.

Questo esercizio fa parte del corso

Fondamenti dell'inferenza in Python

Visualizza corso

Istruzioni dell'esercizio

  • Definisci una variabile num_samples come numero desiderato di campioni (200) e definisci una lista vuota sample_means per salvare la media di ciascuno dei 200 campioni.
  • Scrivi un ciclo for che ripeta il processo di campionamento num_samples volte.
  • Seleziona 500 prezzi di chiusura S&P500 casuali dalla colonna Close_SP500 di btc_sp_df.
  • Calcola la media di ciascuno di questi campioni e salvala in sample_means.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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()
Modifica ed esegui il codice