Normalfördelningen
Nu är det dags för den mest kända och användbara fördelningen av dem alla: normalfördelningen, även kallad Gaussfördelningen. I slides-materialet tog vi kort upp formen på klockurvan och hur normalfördelningen tillsammans med centrala gränsvärdessatsen gör det möjligt att utföra hypotestester.
Likt tidigare övningar börjar du med att simulera data och undersöka fördelningen, för att sedan gå lite djupare och analysera sannolikheten för att vissa observationer inträffar.
Den här övningen är en del av kursen
Öva på statistikintervjufrågor i Python
Övningsinstruktioner
- Generera data för fördelningen med hjälp av funktionen
rvs()med size satt till 1000; tilldela resultatet till variabelndata. - Visa ett
matplotlib-histogram och undersök fördelningens form. - Givet en standardiserad normalfördelning, vad är sannolikheten för en observation som är större än 2?
- Vad är sannolikheten för en observation större än 2 i vårt urval?
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Generate normal data
from scipy.stats import norm
data = norm.rvs(size=____)
# Plot distribution
plt.hist(____)
plt.show()
# Compute and print true probability for greater than 2
true_prob = 1 - norm.cdf(____)
print(____)
# Compute and print sample probability for greater than 2
sample_prob = sum(obs > ____ for obs in data) / len(____)
print(____)