Zacznij terazZacznij za darmo

Normalne rozkłady próbkowania

Chcesz oszacować realistyczną średnią cenę zamknięcia indeksu S&P 500 dla wybranego podzbioru jego historii notowań. To naturalne zastosowanie przedziału ufności – masz statystykę próby i chcesz na jej podstawie oszacować parametr populacji. Zanim jednak przejdziesz do wyznaczania przedziału ufności, sprawdź, czy rozkład próbkowania jest w przybliżeniu normalny. W tym ćwiczeniu zrobisz dokładnie to, a w następnym wykorzystasz ten wynik do skonstruowania przedziału ufności.

Zbiór danych btc_sp_df jest już wczytany, podobnie jak biblioteki pandas jako pd, NumPy jako np i Matplotlib jako plt.

To ćwiczenie jest częścią kursu

Podstawy wnioskowania statystycznego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zdefiniuj zmienną num_samples jako docelową liczbę próbek (200) oraz pustą listę sample_means, w której będziesz przechowywać średnią z każdej z 200 próbek.
  • Napisz pętlę for, która powtórzy proces próbkowania num_samples razy.
  • Wybierz 500 losowych cen zamknięcia indeksu S&P 500 z kolumny Close_SP500 zbioru danych btc_sp_df.
  • Oblicz średnią każdej z tych próbek i zapisz wyniki w liście sample_means.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod