x = np.linspace(left, right, 100)
plt.plot(x, pareto.pdf(x, k), 'r-', lw=5, alpha=0.7, label='pareto pdf')
plt.legend(loc='best')

# In[150]:

# values = np.array([pareto.rvs(k, size=10) for x in range(10)])
# print values
# plt.hist(values.mean(axis=1), normed=True)

m = []
for _ in xrange(20):
    m.append(np.mean(pareto.rvs(k, size=1000)))
# plt.hist(m, normed=True, alpha=0.5, label='hist samples')

mean = pareto.mean(k)
EX = mean
print mean
std = pareto.std(k)
print std
DX = std**2
print DX

n = 50
values = np.array([pareto.rvs(k, size=n) for x in range(1000)])
# print 'values ', values
# print 'mean ', values.mean(axis = 1)
meanAr = values.mean(axis=1)
plt.hist(meanAr, normed=True, alpha=0.5, label='hist samples')

import scipy.stats as sts
plt.plot(x, pareto.pdf(x, k), 'r-', lw=5, alpha=0.7, label='pareto pdf')
plt.legend(loc='best')


# In[150]:

# values = np.array([pareto.rvs(k, size=10) for x in range(10)])
# print values
# plt.hist(values.mean(axis=1), normed=True)

m = []
for _ in xrange(20):
    m.append(np.mean(pareto.rvs(k, size=1000)))
# plt.hist(m, normed=True, alpha=0.5, label='hist samples')

mean = pareto.mean(k)
EX = mean
print mean
std = pareto.std(k)
print std
DX = std**2
print DX

n = 50
values = np.array([ pareto.rvs(k, size=n) for x in range(1000)])
# print 'values ', values
# print 'mean ', values.mean(axis = 1)
meanAr = values.mean(axis = 1)
plt.hist(meanAr, normed=True, alpha=0.5, label='hist samples')

import scipy.stats as sts
Esempio n. 3
0
# left = pareto.ppf(0.01, k)
# right =  pareto.ppf(0.99, k)
# x = np.linspace(left,  right, 100)
# plt.plot(x, pareto.pdf(x, k), 'r-', lw=5, alpha=0.7, label='pareto pdf')
# plt.legend(loc='best')

# plt.show()



# m = []
# for _ in xrange(20):
#     m.append(np.mean(pareto.rvs(k, size=1000)))
# # plt.hist(m, normed=True, alpha=0.5, label='hist samples')

EX = pareto.mean(k)
print EX
std = pareto.std(k)
print std
DX = std**2
print DX
print
# Для нескольких значений n (например, 5, 10, 50) сгенерируйте 1000 выборок объёма n и
# постройте гистограммы распределений их выборочных средних.
n = 100
values = np.array([ pareto.rvs(k, size=n) for x in range(1000)])
meanVal = values.mean(axis = 1)
plt.hist(meanVal, normed=True, alpha=0.5, label='hist mean n ' + str(n))

mu = EX
sigma = math.sqrt(DX/n)
Esempio n. 4
0
#
# #теоретическая плотность распределения случайной величины
# left = pareto.ppf(0.01, k)
# right =  pareto.ppf(0.99, k)
# x = np.linspace(left,  right, 100)
# plt.plot(x, pareto.pdf(x, k), 'r-', lw=5, alpha=0.7, label='pareto pdf')
# plt.legend(loc='best')

# plt.show()

# m = []
# for _ in xrange(20):
#     m.append(np.mean(pareto.rvs(k, size=1000)))
# # plt.hist(m, normed=True, alpha=0.5, label='hist samples')

EX = pareto.mean(k)
print EX
std = pareto.std(k)
print std
DX = std**2
print DX
print
# Для нескольких значений n (например, 5, 10, 50) сгенерируйте 1000 выборок объёма n и
# постройте гистограммы распределений их выборочных средних.
n = 100
values = np.array([pareto.rvs(k, size=n) for x in range(1000)])
meanVal = values.mean(axis=1)
plt.hist(meanVal, normed=True, alpha=0.5, label='hist mean n ' + str(n))

mu = EX
sigma = math.sqrt(DX / n)