Kom igångKom igång gratis

Normala samplingfördelningar

Du vill uppskatta ett realistiskt medelvärde för S&P 500:s stängningskurs under en del av dess handelshistorik. Det här är ett naturligt användningsområde för ett konfidensintervall – du har en urvalsstatistik och vill använda den för att skatta en populationsstatistik. Ditt första steg bör dock vara att kontrollera om samplingfördelningen är approximativt normalfördelad. Det är precis det du gör i den här övningen. I nästa övning använder du resultatet för att skapa ditt konfidensintervall.

Datasetet btc_sp_df har laddats in åt dig, liksom paketen pandas som pd, NumPy som np och Matplotlib som plt.

Den här övningen är en del av kursen

Grunderna i inferens med Python

Visa kurs

Övningsinstruktioner

  • Definiera en variabel num_samples med det önskade antalet urval (200) och definiera en tom lista sample_means för att lagra medelvärdet från vart och ett av de 200 urvalen.
  • Skriv en for-slinga som upprepar urvalsprocessen num_samples gånger.
  • Välj 500 slumpmässiga stängningskurser för S&P 500 från kolumnen Close_SP500 i btc_sp_df.
  • Beräkna medelvärdet för vart och ett av dessa urval och lagra dem i sample_means.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()
Redigera och kör kod