应用场景：对于美国汽车租赁已有的市场发现，租赁一辆中型汽车的租赁费用大约每天约55美元，假定该项研究的组织者想要进行一项新的调查，对在美国一辆中型汽车的租赁费用的总体均值进行估计。当新研究的设计中，当项目负责人估计每天租赁费用的总体均值时，设定的置信水平为95%，边际误差为2美元
求：所需的样本容量的大小

数据符合正态分布特征

技术场景：E值是使用者能接受的边际误差，z 值可以直接由区间估计中所用到的置信水平确定，这里要求总体的标准差std是已知的，
如果总体的标准差未知，解决方案：
  1> 根据以前的研究数据，计算总体标准差的估计值作为std的计划值
  2> 利用实验性研究，选取一个初始样本，以初始样本的标准差作为std的计划值
  3> 对std值进行判断或最优猜测 

import numpy as np

global base_data

def GetBaseData():

    # 假设：这里生成过去一段时间的汽车租赁费用数据，求取的标准差，作为总体的std的计划值

    global base_data
    base_data = np.random.randint(low=45, high=65, size=500)

    return

def PresionWork():

    return

def WorkSpace():

    GetBaseData()
    print('base_data=', base_data)

    a = 0.95     # 置信为95%
    E = 2        # 能接受的边际误差为2
    x_mean = 55  # 以往的经验值，汽车租赁费用每天大概55美元
    Z = 1.96     # 因为选取了a = 0.95,这里查表得到的Z

    # 求取以往的标准差std，作为std的计划值
    std_list = list([])
    for j in range(300):
        data = np.random.choice(base_data, size=100)
        std_one = np.std(data, ddof=1)
        std_list.append(std_one)
        j = j + 1

    std_list = np.array(std_list)
    std = np.mean(std_list)
    print('step1')
    n = ((Z * Z) * (std * std)) / (E * E)
    print('求取的样本容量为：', n)

    # 结果：求取的样本容量为：33.866656791753286， 我们向下取整，为34个


    return

WorkSpace()