Vzorkování z binomického rozdělení

Vypočítej funkci pravděpodobnostní hmotnosti pro počet defaultů, který bychom očekávali u 100 půjček – stejně jako v předchozí části, ale tentokrát místo simulace všech Bernoulliho pokusů použij vzorkování pomocí rng.binomial(). Výsledek je totožný s výpočtem, který jsi prováděl/a pomocí vlastní funkce perform_bernoulli_trials(), ale výrazně efektivnější z výpočetního hlediska. Díky tomu můžeme místo 1 000 vzorků odebrat rovnou 10 000. Po odebrání vzorků vykresli CDF stejně jako předtím. Tato CDF, kterou kreslíš, odpovídá binomickému rozdělení.

Poznámka: V tomto i ve všech následujících cvičeních je generátor náhodných čísel inicializován a nastaven za tebe (pomocí rng = np.random.default_rng(42)), abys to nemusel/a psát pokaždé znovu.

Toto cvičení je součástí kurzu

Statistical Thinking in Python (Part 1)

Zobrazit kurz

Pokyny k cvičení

Vygeneruj vzorky z binomického rozdělení pomocí rng.binomial(). Použij parametry n = 100 a p = 0.05 a nastav argument size na hodnotu 10000.
Vypočítej CDF pomocí dříve napsané funkce ecdf().
Vykresli CDF s popisky os. Osa x představuje počet defaultů ze 100 půjček, osa y zobrazuje CDF.
Zobraz graf.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Take 10,000 samples out of the binomial distribution: n_defaults


# Compute CDF: x, y


# Plot the CDF with axis labels




# Show the plot

Upravit a spustit kód