python怎样验证中心极限定理

这篇文章给大家分享的是有关python怎样验证中心极限定理的内容。小编觉得挺实用的,因此分享给大家做个参考。一起跟随小编过来看看吧。

python验证中心极限定理的方法:首先模拟随机掷色子1000次观察一下平均值,然后模拟抛十次,并画图看看他们的分布情况,最后模拟1000组,每组50次抛,并取每一组的平均值看分布情况。

<强>

<强>

从一个给定的服从任意分布的总体当中,每次抽n个样本,一共抽取m次。然后再对这米各组的值求平均值,各组的平均值会服从近似正态分布。

<李>首先模拟随机掷色子1000次观察一下平均值。

进口numpy np=np.random.randint(1 7 1000)打印(a) a.mean ()

输出结果:
样本=[]我范围(10): 　　sample.append ([int (np.random.random () * len (a)))) #从里面随机抽plt.figure (figsize=(20、10), dpi=100) plt.bar(示例中,范围(len(样本)))plt.show ()

sample_mean=[] sample_std==[][]样本范围(1000):我的 　　示例=[]#每组一个列的表 　　j的范围(60): 　　sample.append ([int (np.random.random () * len (a)))) #模拟抛50次 　　示例=np.array(样本)#转化为数组数组,便于处理 　　sample_mean.append (sample.mean ()) 　　sample_std.append (sample.std ()) 　　samples.append(样本)sample_mean_np=np.array (sample_mean) sample_std_np=np.array (sample_std)打印(sample_mean_np) plt.figure (figsize=(20、10), dpi=80) d=0.1 num_bins=(max (sample_mean_np)分钟(sample_mean_np))//d 　　plt.hist (sample_mean_np num_bins) #绘制频率分布图

感谢各位的阅读!关于python怎样验证中心极限定理就分享到这里了,希望以上内容可以对大家有一定的帮助,让大家可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看到吧!

python怎样验证中心极限定理