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。

企业建站必须是能够以充分展现企业形象为主要目的，是企业文化与产品对外扩展宣传的重要窗口，一个合格的网站不仅仅能为公司带来巨大的互联网上的收集和信息发布平台，成都创新互联公司面向各种领域：除甲醛等成都网站设计、全网营销推广解决方案、网站设计等建站排名服务。

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，每组抛50次，并取每一组的平均值看分布情况。

python验证中心极限定理的方法：

中心极限定理：

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m各组的值求平均值，各组的平均值会服从近似正态分布。

• 首先模拟随机掷色子1000次观察一下平均值。

import numpy as np
a = np.random.randint(1,7,1000)print(a)a.mean()

输出结果：

可以看到，掷1000次之后取平均值（注意：这个平均值每次策都有微小的不一样，因为是随机抽取的）接近于3.5（3.5=1/6*（1+2+3+4+5+6））。
然后，再次模拟抛10000次，取平均值

可以看到，结果越来越接近于3.5

• 接着模拟抛十次，然后画图看看他们的分布情况

sample = []for i in range(10):
    sample.append(a[int(np.random.random()*len(a))]) #从a里面随机抽plt.figure(figsize=(20,10),dpi=100)plt.bar(sample,range(len(sample)))plt.show()

可见分布不是非常的均匀。

• 接着模拟1000组，每组抛50次，然后取每一组的平均值看分布情况。

sample_mean=[]sample_std=[]samples=[]for i in range(1000):
    sample=[] #每组一个列表
    for j in range(60):
        sample.append(a[int(np.random.random()*len(a))])#模拟抛50次
    sample = np.array(sample) #转化为array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.figure(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

可以看到，每组的平均值是服从正态分布的。

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！