中心极限定理结果怎么计算,中心极限定理结论

　　验证python中心极限定理的方法：首先模拟随机掷骰子1000次，观察平均值；然后模拟投掷十次，画个图看看它们的分布情况；最后1000组模拟，每组投50次，取每组平均值看分布。

　　python验证中心极限定理的方法：

　　中心极限定理：

　　从服从任意分布的给定总体中，每次取N个样本，共取M次。然后对这M组的值进行平均，每组的平均值会服从近似正态分布。

　　先模拟随机掷骰子1000次，观察平均值。将numpy作为np导入

　　A=np.random.randint (1，7，1000) print (a) a.mean()输出结果：

　　可以看到，1000次投掷后取平均值(注意：这个平均值因为是随机选取的，所以每次都略有不同)，接近3.5(3.5=1/6*(1 2 3 4 5 6))。

　　然后，再模拟投掷10000次，取平均值。

　　如你所见，结果越来越接近3.5。

　　然后模拟投掷十次，再画图看看它们的分布样本=[]对于区间(10):内的I

　　sample . append(a[int(NP . random . random()* len(a))]#随机绘制PLT.figure (fig size=(20，10)，dpi=100) PLT.bar (sample，range (len (sample)) PLT from A

　　可以看出分布不是很均匀。

　　然后模拟1000组，每组扔50次，然后取每组的平均值，看分布。对于(1000):范围内的I，sample _ mean=[]sample _ STD=[]samples=[]个

　　Sample=[] #每组一个列表

　　对于范围(60):内的j

　　样本。append(a[int(NP . random . random()* len(a))]#模拟投掷50次。

　　Sample=np.array(sample) #转换成数组数组，便于处理。

　　sample_mean.append(sample.mean())

　　sample_std.append(sample.std())

　　samples . append(sample)sample _ mean _ NP=NP . array(sample _ mean)sample _ STD _ NP=NP . array(sample _ STD)print(sample _ mean _ NP)PLT . fig(figsize=(20，10)，dpi=80)d=0.1 num _ bins=(max(sample _ mean _ NP)-min(sample _ mean _ NP))//d

　　PLT。HIST (sample _ mean _ NP，num _ bins) #绘制频率分布图

　　可以看出，各组平均值服从正态分布。

　　相关免费学习推荐：python视频教程

　　以上是python如何验证中心极限定理的细节。更多信息请关注盛行IT软件开发工作室的其他相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。