总体参数的估计

想象有一个由卫星组成的星座（"population"），在一整年中持续运行，并以公里为单位记录每小时行驶的距离。由于轨道动力学中一些未知的复杂因素，每小时的距离会有所波动。假设我们无法获取全年所有数据，但希望基于一部分测量样本，为每小时的轨道距离变化（速度）建立一个总体模型。

在本练习中，您将假设每小时距离的总体最适合用高斯分布来建模，并进一步假设该总体模型的参数可以由样本统计量估计。请从预加载的 sample_distances 开始，它取自一个卫星总体。

本练习是课程的一部分

Python 线性建模入门

查看课程

练习说明

计算 sample_distances 的均值和标准差。
使用样本统计量 mean 和 stdev 作为总体模型参数 mu 和 sigma 的良好估计。
将这些值以及 sample_distances 传给预定义的 gaussian_model()，以构建总体模型。
使用预定义的 plot_model_and_data()，将样本数据与总体模型一同绘制出来。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Compute the mean and standard deviation of the sample_distances
sample_mean = np.mean(____)
sample_stdev = np.std(____)

# Use the sample mean and stdev as estimates of the population model parameters mu and sigma
population_model = gaussian_model(____, mu=____, sigma=____)

# Plot the model and data to see how they compare
fig = plot_data_and_model(sample_distances, population_model)

编辑并运行代码