如何修复：冻结和 None 值
How to fix: frozen and None value
问题是创建一个均值为 32，标准差为 4.5 的正态分布，将随机种子设置为 1，并根据上面定义的 distribution.Finally 创建 100 个元素的随机样本，计算绝对差在样本均值和分布均值之间。
这是课程中的一些初学者统计问题。我在 Python 方面有经验，但在统计方面没有经验。
x = stats.norm(loc=32,state=4.5)
y = np.random.seed(1)
mean1 = np.mean(x)
mean2 = np.mean(y)
diff = abs(mean1 - mean2)
我遇到的错误是 x 有一个冻结值，y 有一个值 None。
random.seed(1) 设置伪随机数生成器的状态，以便此脚本的每个 运行 都会提供相同的输出 - 并为所有学生提供相同的结果...
您需要在生成随机数之前执行此操作。 seed 函数与 return 没有任何关系，因此它 return None。对于没有 return 任何特定内容的函数，这是 Python 中的默认 return 值。
然后创建大小为 100 的样本，并计算其平均值。由于它是一个样本，它的均值将不同于分布 (32) 的均值：我们计算这些均值之间的绝对差值。
您可以尝试不同的样本量，并查看当样本量增加时差异如何趋向于 0 - 您将在课程中了解更多相关信息！
from scipy.stats import norm
import numpy as np
np.random.seed(1)
distribution_mean = 32
sample = norm.rvs(loc=distribution_mean, scale=4.5, size=100)
sample_mean = np.mean(sample)
print('sample:', sample)
print('sample mean:', sample_mean)
abs_diff = abs(sample_mean - distribution_mean)
print('absolute difference:', abs_diff)
输出：
sample: [39.30955414 29.24709614 29.62322711 27.1716412 35.89433433 21.64307586
39.85165294 28.57456895 33.43567593 30.87783331 38.57948572 22.72936681
30.54912258 30.2717554 37.10196249 27.0504893 31.22407307 28.04963712
32.18996186 34.62266846 27.0472137 37.15125669 36.05715824 34.26122453
36.05385177 28.92322463 31.44699399 27.78903755 30.79450364 34.3865996
28.88752662 30.21460913 28.90772285 28.19657461 28.97939241 31.9430093
26.97210343 33.05487064 39.4691098 35.33919872 31.13674001 28.00566966
28.63778768 39.6160457 32.2286349 29.13351959 32.85911968 41.45114811
32.54071529 34.77741399 33.35076644 30.41487569 26.85866811 30.42795775
31.05997595 34.63980436 35.77542536 36.18995937 33.28514296 35.98313524
28.60520927 37.6379067 34.30818419 30.65858224 34.19833166 31.65992729
37.09233224 38.83917567 41.83508933 25.71576649 25.50148788 29.72990362
32.72016681 35.94276015 33.42035726 22.90009453 30.62208194 35.72588589
33.03542631 35.42905031 30.99952336 31.09658869 32.83952626 33.84523241
32.89234874 32.53553891 28.98201971 33.69903704 32.54819572 37.08267759
37.39513046 32.83320388 30.31121772 29.12571317 33.90572459 32.34803031
30.45265846 32.19618586 29.2099962 35.14114415]
sample mean: 32.27262283434065
absolute difference: 0.2726228343406518
问题是创建一个均值为 32，标准差为 4.5 的正态分布，将随机种子设置为 1，并根据上面定义的 distribution.Finally 创建 100 个元素的随机样本，计算绝对差在样本均值和分布均值之间。
这是课程中的一些初学者统计问题。我在 Python 方面有经验，但在统计方面没有经验。
x = stats.norm(loc=32,state=4.5)
y = np.random.seed(1)
mean1 = np.mean(x)
mean2 = np.mean(y)
diff = abs(mean1 - mean2)
我遇到的错误是 x 有一个冻结值，y 有一个值 None。
random.seed(1) 设置伪随机数生成器的状态，以便此脚本的每个 运行 都会提供相同的输出 - 并为所有学生提供相同的结果...
您需要在生成随机数之前执行此操作。 seed 函数与 return 没有任何关系，因此它 return None。对于没有 return 任何特定内容的函数，这是 Python 中的默认 return 值。
然后创建大小为 100 的样本，并计算其平均值。由于它是一个样本，它的均值将不同于分布 (32) 的均值：我们计算这些均值之间的绝对差值。
您可以尝试不同的样本量，并查看当样本量增加时差异如何趋向于 0 - 您将在课程中了解更多相关信息！
from scipy.stats import norm
import numpy as np
np.random.seed(1)
distribution_mean = 32
sample = norm.rvs(loc=distribution_mean, scale=4.5, size=100)
sample_mean = np.mean(sample)
print('sample:', sample)
print('sample mean:', sample_mean)
abs_diff = abs(sample_mean - distribution_mean)
print('absolute difference:', abs_diff)
输出：
sample: [39.30955414 29.24709614 29.62322711 27.1716412 35.89433433 21.64307586
39.85165294 28.57456895 33.43567593 30.87783331 38.57948572 22.72936681
30.54912258 30.2717554 37.10196249 27.0504893 31.22407307 28.04963712
32.18996186 34.62266846 27.0472137 37.15125669 36.05715824 34.26122453
36.05385177 28.92322463 31.44699399 27.78903755 30.79450364 34.3865996
28.88752662 30.21460913 28.90772285 28.19657461 28.97939241 31.9430093
26.97210343 33.05487064 39.4691098 35.33919872 31.13674001 28.00566966
28.63778768 39.6160457 32.2286349 29.13351959 32.85911968 41.45114811
32.54071529 34.77741399 33.35076644 30.41487569 26.85866811 30.42795775
31.05997595 34.63980436 35.77542536 36.18995937 33.28514296 35.98313524
28.60520927 37.6379067 34.30818419 30.65858224 34.19833166 31.65992729
37.09233224 38.83917567 41.83508933 25.71576649 25.50148788 29.72990362
32.72016681 35.94276015 33.42035726 22.90009453 30.62208194 35.72588589
33.03542631 35.42905031 30.99952336 31.09658869 32.83952626 33.84523241
32.89234874 32.53553891 28.98201971 33.69903704 32.54819572 37.08267759
37.39513046 32.83320388 30.31121772 29.12571317 33.90572459 32.34803031
30.45265846 32.19618586 29.2099962 35.14114415]
sample mean: 32.27262283434065
absolute difference: 0.2726228343406518