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
# 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)
# # #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)
