Vzorkování v Pythonu
James Chapman
Curriculum Manager, DataCamp
Velikost vzorku: 5

Velikost vzorku: 20

Velikost vzorku: 80

Velikost vzorku: 320

Průměry nezávislých vzorků mají přibližně normální rozdělení.
S rostoucí velikostí vzorku
Rozdělení průměrů se přibližuje normálnímu rozdělení
Šířka výběrového rozdělení se zužuje
coffee_ratings['total_cup_points'].mean()
82.15120328849028
Použijte np.mean() na každém přibližném výběrovém rozdělení:
| Velikost vzorku | Průměr výběrového průměru |
|---|---|
| 5 | 82.18420719999999 |
| 20 | 82.1558634 |
| 80 | 82.14510154999999 |
| 320 | 82.154017925 |
coffee_ratings['total_cup_points'].std(ddof=0)
2.685858187306438
.std() na populacích zadejte ddof=0np.std() na vzorcích nebo výběrových rozděleních zadejte ddof=1| Velikost vzorku | Směr. odchylka výběrového průměru |
|---|---|
| 5 | 1.1886358227738543 |
| 20 | 0.5940321141669805 |
| 80 | 0.2934024263916487 |
| 320 | 0.13095083089190876 |
| Velikost vzorku | Směr. odchylka výběrového průměru | Výpočet | Výsledek |
|---|---|---|---|
| 5 | 1.1886358227738543 |
2.685858187306438 / sqrt(5) |
1.201 |
| 20 | 0.5940321141669805 |
2.685858187306438 / sqrt(20) |
0.601 |
| 80 | 0.2934024263916487 |
2.685858187306438 / sqrt(80) |
0.300 |
| 320 | 0.13095083089190876 |
2.685858187306438 / sqrt(320) |
0.150 |
Vzorkování v Pythonu