常態抽樣分配
你想在交易歷史的某個子集上，估計 S&P 500 的合理收盤價平均數。這很適合用信賴區間，因為你手上有樣本統計量，並想用它來估計母體統計量。不過，第一步應該先檢查抽樣分配是否近似常態。在這個練習中，你會完成這件事。下一個練習會利用這個結果建立你的信賴區間。
相同的資料 btc_sp_df 已經為你載入，且已載入 pandas 作為 pd、NumPy 作為 np，以及 Matplotlib 作為 plt。
本練習屬於課程
Python 推論基礎
練習說明
- 定義變數
num_samples為所需的樣本次數（200），並定義空的串列sample_means用來儲存 200 個樣本各自的平均數。 - 撰寫一個
for迴圈，將抽樣流程重複執行num_samples次。 - 從
btc_sp_df的Close_SP500欄位中隨機選取 500 筆 S&P500 收盤價。 - 計算每個樣本的平均數，並將結果儲存到
sample_means。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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()