从正态总体中随机抽取样本并记录样本数据的代码
时间: 2024-09-22 13:01:03 浏览: 16
在Python中,我们可以使用numpy库生成随机正态分布的数据,并使用matplotlib库来可视化。以下是一个简单的例子,展示如何从标准正态分布中抽取一定大小的样本:
```python
import numpy as np
import matplotlib.pyplot as plt
# 定义正态分布的均值和标准差
mean = 0
std_dev = 1
# 设置样本数量
sample_size = 100
# 生成随机样本
random_samples = np.random.normal(mean, std_dev, sample_size)
# 绘制直方图
plt.hist(random_samples, bins=30, density=True, alpha=0.5)
plt.title("Random Samples from Normal Distribution")
plt.xlabel("Sample Values")
plt.ylabel("Probability Density")
plt.show()
# 打印部分样本数据
print("部分随机样本数据:", random_samples[:10])
相关问题
R语言对正态分布的总体随机模拟10000次,每次抽取10个样本
可以使用以下代码进行模拟:
```R
set.seed(123) # 设置随机数种子,保证结果可重复
n <- 10 # 样本大小
N <- 10000 # 模拟次数
mu <- 0 # 正态分布的均值
sigma <- 1 # 正态分布的标准差
# 生成 N 组样本,并计算每组样本的均值和标准差
means <- replicate(N, {
x <- rnorm(n, mu, sigma)
mean(x)
})
# 绘制均值的直方图
hist(means, breaks = 30, col = "lightblue", main = "均值的分布图")
```
运行以上代码,即可得到正态分布的总体随机模拟结果。
R语言对正态分布的总体随机模拟10000次,每次抽取10个样本,抽样的同时求出每组的样本标准差
可以使用以下代码进行模拟:
```R
set.seed(123) # 设置随机数种子,保证结果可重复
n <- 10 # 每组样本数
N <- 10000 # 模拟次数
# 生成正态分布的总体数据
pop <- rnorm(100000)
# 定义一个函数,用于抽取样本并计算标准差
sample_sd <- function() {
sample <- sample(pop, n)
sd(sample)
}
# 进行模拟
sds <- replicate(N, sample_sd())
# 输出结果
summary(sds)
```
运行以上代码,可以得到每组样本标准差的统计信息,例如:
```
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.30500 0.70710 0.99820 1.00000 1.29200 3.16200
```