Steekproeven visualiseren
Je zag dat één enkele steekproef een onbetrouwbare puntschatting kan geven. Om dit te onderzoeken neem je 100 steekproeven van 90 opeenvolgende dagen aan BTC-handelsdata. Voor elk van deze 100 steekproeven bereken je de procentuele verandering in BTC over die periode. Daarna wil je deze gegevens als een histogram plotten om de steekproevenverdeling te begrijpen.
Hoewel je deze visualisaties kunt maken met plt.hist(), oefen je in deze oefening met de .plot()-methode op een DataFrame, met de argumenten bins en density.
De 100 steekproeven van procentuele veranderingen zijn al voor je geladen in btc_pct_change_list. Dit is een lijst van lengte 100 waarbij elk element de procentuele BTC-verandering is voor een van de 100 gekozen steekproeven. Matplotlib is ook geïmporteerd als plt.
Deze oefening maakt deel uit van de cursus
Basis van inferentie in Python
Oefeninstructies
- Plot een histogram van de procentuele BTC-verandering met 15
bins, waarbij de y-waarden dedensityweergeven in plaats van de telling. - Zet het label van de x-as op "BTC 90-day percent change".
- Zet het label van de y-as op "Percent of samples".
- Zet de titel op "Sampling distribution of BTC 90-day change".
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Plot a histogram of percent changes
plt.____(____, bins=____, density=____)
# Set the x-axis label
plt.____('BTC 90-day percent change')
# Set the y-axis label
plt.____('Percent of samples')
# Set the title
plt.____('Sampling distribution of BTC 90-day change')
plt.show()