Comece agoraComece grátis

Distribuições amostrais normais

Você quer estimar um preço médio de fechamento realista para o S&P 500 em um subconjunto do seu histórico de negociações. Isso parece uma aplicação natural de um intervalo de confiança, já que você tem uma estatística amostral e quer usá-la para estimar uma estatística populacional. No entanto, seu primeiro passo deve ser verificar se a distribuição amostral é aproximadamente normal. Neste exercício, você vai fazer exatamente isso. No próximo exercício, você usará esse resultado para criar seu intervalo de confiança.

Os mesmos dados btc_sp_df já foram carregados para você, assim como os pacotes pandas como pd, NumPy como np e Matplotlib como plt.

Este exercicio faz parte do curso

Fundamentos de Inferência em Python

Ver curso

Instruções do exercicio

  • Defina a variável num_samples como o número desejado de amostras (200) e crie uma lista vazia sample_means para armazenar a média de cada uma das 200 amostras.
  • Escreva um loop for que repita o processo de amostragem num_samples vezes.
  • Selecione 500 preços de fechamento aleatórios do S&P500 na coluna Close_SP500 de btc_sp_df.
  • Calcule a média de cada uma dessas amostras e armazene os valores em sample_means.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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()
Editar e Executar Código