De Normale PDF

In deze oefening verken je de Normale PDF en leer je ook een manier om met hackerstatistiek een PDF van een bekende verdeling te plotten. Je plot specifiek een Normale PDF voor verschillende waarden van de variantie.

Deze oefening maakt deel uit van de cursus

Statistisch denken in Python (deel 1)

Cursus bekijken

Oefeninstructies

Trek 100.000 steekproeven uit een Normale verdeling met een gemiddelde van 20 en een standaardafwijking van 1. Doe hetzelfde voor Normale verdelingen met standaardafwijkingen van 3 en 10, elk nog steeds met een gemiddelde van 20. Wijs de resultaten respectievelijk toe aan samples_std1, samples_std3 en samples_std10.
Plot een histogram van elk van de steekproeven; gebruik voor elk 100 bins en de keyword-argumenten density=True en histtype='step'. Het laatste keyword-argument laat de plot sterk lijken op de gladde theoretische PDF. Je moet hiervoor 3 aanroepen van plt.hist() doen.
Klik op Antwoord verzenden om een legenda te maken die laat zien welke standaardafwijkingen je gebruikte, en toon je plot! Je hoeft de assen niet te labelen, omdat we niet hebben gedefinieerd wat er door de Normale verdeling wordt beschreven; we kijken alleen naar de vormen van PDFs.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Draw 100000 samples from Normal distribution with stds of interest: samples_std1, samples_std3, samples_std10




# Make histograms




# Make a legend, set limits and show plot
_ = plt.legend(('std = 1', 'std = 3', 'std = 10'))
plt.ylim(-0.01, 0.42)
plt.show()

Code bewerken en uitvoeren