diff --git a/9.md b/9.md
index d0e3d2176b5bdf42b055dab7100d19363d5b09b7..7745c05571764c8460c2a6ad237d3f01a92fc4d6 100644
--- a/9.md
+++ b/9.md
@@ -520,4 +520,28 @@ Table().with_column('Sample Median', medians)
 | 2 |
 | 3 |
 | 1 |
-| 3 |
\ No newline at end of file
+| 3 |
+
+（省略了 4990 行）
+
+```py
+Table().with_column('Sample Median', medians).hist(bins=np.arange(0.5, 5, 1))
+```
+
+你可以看到样本中位数很可能接近 2，这是总体中位数的值。 由于 1000 次航班延误的样本可能与延误总体相似，因此这些样本的延误中位数应接近总体的延误中位数，也就不足为奇了。
+
+这是一个例子，统计量如何较好估计参数。
+
+### 模拟的威力
+
+如果我们能够生成所有可能的大小为 1000 的随机样本，我们就可以知道所有可能的统计量（样本中位数），以及所有这些值的概率。我们可以在统计量的概率直方图中可视化所有值和概率。
+
+但在许多情况下（包括这个），所有可能的样本数量足以超过计算机的容量，概率的纯粹数学计算可能有些困难。
+
+这是经验直方图的作用。
+
+我们知道，如果样本量很大，并且如果重复抽样过程无数次，那么根据平均定律，统计量的经验直方图可能类似于统计量的概率直方图。
+
+这意味着反复模拟随机过程是一种近似概率分布的方法，不需要在数学上计算概率，或者生成所有可能的随机样本。因此，计算机模拟成为数据科学中的一个强大工具。他们可以帮助数据科学家理解随机数量的特性，这些数据会以其他方式进行分析。
+
+这就是这种的模拟的经典例子。