یک تابع پایتون بنویسید که با ورودی n و پارامترهای μ و σ، یک نمونه تصادفی از توزیع نرمال تولید کند و میانگین و واریانس نمونه (با ddof=1) را بازگرداند؛ برای نمونه‌های بزرگ از برداری‌سازی numpy و در صورت امکان تقسیم تولید به بخش‌های موازی جهت بهبود کارایی استفاده کنید.

برای تضمین تکرارپذیری مقدار seed را با np.random.seed(seed) تنظیم کن و سپس np.random.normal با loc=μ و scale=σ و size=n را برای تولید برداری استفاده کن. با این کار یک آرایه n عنصری تولید می‌شود و با استفاده از np.mean و np.var با ddof=1، میانگین و واریانس استخراج می‌شود. اگر n خیلی بزرگ است، تقسیم کار به بخش‌های کوچکتر و اجرای موازی (مثلاً با multiprocessing) می‌تواند سرعت را افزایش دهد و به یاد داشته باش که مصرف حافظه را مدنظر قرار بدهی. در نهایت بهینه‌سازی‌های پیشرفته مانند استفاده از numba یا اجرای هم‌زمان با threading را با احتیاط و با درنظر گرفتن GIL می‌توان امتحان کرد.