Aan de slagGa gratis aan de slag

Normale steekproefverdelingen

Je wilt een realistisch gemiddeld slotkoersniveau voor de S&P 500 schatten over een deel van de handelsgeschiedenis. Dit lijkt een logische toepassing van een betrouwbaarheidsinterval, omdat je een steekproefstatistiek hebt en die wilt gebruiken om een populatiestatistiek te schatten. Je eerste stap is echter controleren of de steekproefverdeling ongeveer normaal is. In deze oefening doe je precies dat. In de volgende oefening gebruik je dit resultaat om je betrouwbaarheidsinterval te maken.

Dezelfde gegevens btc_sp_df zijn voor je geladen, net als de pakketten pandas als pd, NumPy als np en Matplotlib als plt.

Deze oefening maakt deel uit van de cursus

Basis van inferentie in Python

Cursus bekijken

Oefeninstructies

  • Definieer een variabele num_samples als het gewenste aantal steekproeven (200), en definieer een lege lijst sample_means om het gemiddelde van elk van de 200 steekproeven in op te slaan.
  • Schrijf een for-lus die het steekproefproces num_samples keer herhaalt.
  • Selecteer willekeurig 500 S&P500-slotkoersen uit de kolom Close_SP500 van btc_sp_df.
  • Bereken het gemiddelde van elk van deze steekproeven en sla ze op in sample_means.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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 bewerken en uitvoeren