高斯分布样本均值与标准差乘积的分布探究

以下是用Python完成需求的完整代码，依赖numpy和matplotlib库：

import numpy as np
import matplotlib.pyplot as plt

# 1. 生成含1000个个体的高斯分布数据集x
np.random.seed(42)  # 设置随机种子保证结果可复现
x = np.random.normal(loc=0, scale=1, size=1000)  # 均值0、标准差1的高斯分布，可按需调整参数

# 2. 有放回抽取50个包含5个个体的随机样本
sample_size = 5
num_samples = 50
samples = np.random.choice(x, size=(num_samples, sample_size), replace=True)

# 3. 计算每个样本的均值和标准差
sample_means = np.mean(samples, axis=1)
sample_stds = np.std(samples, axis=1, ddof=1)  # ddof=1计算无偏样本标准差（除以n-1）

# 4. 创建交互变量y：均值与标准差的乘积
y = sample_means * sample_stds

# 5. 绘制y的分布
plt.figure(figsize=(8, 6))
plt.hist(y, bins=12, edgecolor='black', alpha=0.7)
plt.title('Distribution of Interaction Variable y')
plt.xlabel('y (Mean * Standard Deviation)')
plt.ylabel('Frequency')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

关键说明 #

• 随机种子np.random.seed(42)用于固定随机结果，方便重复验证，可按需移除或修改。
• 高斯分布的loc（均值）和scale（标准差）可根据你的实际数据特征调整。
• 若需计算总体标准差，可去掉np.std中的ddof=1参数。
• 直方图的bins数量可根据y的分布密度调整，让分布特征更直观。

内容的提问来源于stack exchange，提问作者Michael