ÎncepețiÎncepe gratuit

Distribuții normale ale eșantionării

Vrei să estimezi un preț mediu de închidere realist pentru indicele S&P 500 pe o perioadă din istoricul său de tranzacționare. Aceasta pare o aplicație naturală a unui interval de încredere: ai o statistică calculată pe un eșantion și vrei să o folosești pentru a estima o statistică a populației. Totuși, primul pas ar trebui să fie verificarea dacă distribuția eșantionării este aproximativ normală. În acest exercițiu vei face exact asta, iar în exercițiul următor vei folosi rezultatul pentru a construi intervalul de încredere.

Setul de date btc_sp_df a fost deja încărcat, alături de pachetele pandas ca pd, NumPy ca np și Matplotlib ca plt.

Acest exercițiu face parte din cursul

Bazele inferenței în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Definește o variabilă num_samples cu numărul dorit de eșantioane (200) și o listă goală sample_means pentru a stoca media fiecăruia dintre cele 200 de eșantioane.
  • Scrie o buclă for care să repete procesul de eșantionare de num_samples ori.
  • Selectează 500 de prețuri de închidere aleatoare ale S&P 500 din coloana Close_SP500 a setului btc_sp_df.
  • Calculează media fiecăruia dintre aceste eșantioane și stochează valorile în sample_means.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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()
Editează și rulează codul