Normalfördelningens PDF

I den här övningen utforskar du normalfördelningens PDF och lär dig samtidigt ett sätt att plotta en PDF för en känd fördelning med hjälp av hackarstatistik. Du plottar specifikt en normal-PDF för olika värden på variansen.

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 1)

Visa kurs

Övningsinstruktioner

Dra 100 000 sampel från en normalfördelning med medelvärdet 20 och standardavvikelsen 1. Gör samma sak för normalfördelningar med standardavvikelserna 3 och 10, båda fortfarande med medelvärdet 20. Tilldela resultaten till samples_std1, samples_std3 respektive samples_std10.
Plotta ett histogram för varje sampel. Använd 100 bins för varje histogram, samt nyckelordsargumenten density=True och histtype='step'. Det sistnämnda argumentet gör att plotten liknar den jämna teoretiska PDF:en. Du behöver göra 3 anrop till plt.hist().
Klicka på Skicka in svar för att generera en legend som visar vilka standardavvikelser du använde, och visa sedan din plot! Det finns ingen anledning att märka axlarna, eftersom vi inte har definierat vad normalfördelningen beskriver – vi tittar bara på PDF:ernas form.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Draw 100000 samples from Normal distribution with stds of interest: samples_std1, samples_std3, samples_std10




# Make histograms




# Make a legend, set limits and show plot
_ = plt.legend(('std = 1', 'std = 3', 'std = 10'))
plt.ylim(-0.01, 0.42)
plt.show()

Redigera och kör kod