Začněte nyníZačněte zdarma

Jak často nastane no-hitter?

Počet zápasů odehraných mezi jednotlivými no-hittery v moderní éře Major League Baseball (1901–2015) je uložen v poli nohitter_times.

Pokud předpokládáme, že no-hittery popisuje Poissonův proces, pak čas mezi nimi má exponenciální rozdělení. Jak již víš, exponenciální rozdělení má jediný parametr – budeme ho označovat \(\tau\) – což je typická délka intervalu. Hodnota parametru \(\tau\), při níž exponenciální rozdělení nejlépe odpovídá datům, je průměrná délka intervalu (kde čas je vyjádřen v počtu zápasů) mezi no-hittery.

Vypočítej hodnotu tohoto parametru z dat. Pak pomocí np.random.exponential() „zopakuj" historii Major League Baseball – vygeneruj intervaly mezi no-hittery z exponenciálního rozdělení s nalezeným \(\tau\) a vykresli histogram jako aproximaci PDF.

NumPy, pandas, matplotlib.pyplot a seaborn jsou již naimportovány jako np, pd, plt a sns.

Toto cvičení je součástí kurzu

Statistical Thinking in Python (Part 2)

Zobrazit kurz

Pokyny k cvičení

  • Nastav seed generátoru náhodných čísel na 42.
  • Vypočítej průměrnou dobu (v počtu zápasů) mezi no-hittery.
  • Vygeneruj 100 000 vzorků z exponenciálního rozdělení s parametrem vypočítaným z průměrné doby mezi no-hittery.
  • Vykresli teoretické PDF pomocí plt.hist(). Nezapomeň použít klíčové argumenty bins=50, normed=True a histtype='step' a pořádně popisky os.
  • Zobraz graf.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Seed random number generator
____

# Compute mean no-hitter time: tau
tau = ____

# Draw out of an exponential distribution with parameter tau: inter_nohitter_time
inter_nohitter_time = ____(____, 100000)

# Plot the PDF and label axes
_ = ____(inter_nohitter_time,
             ____, ____, ____)
_ = plt.xlabel('Games between no-hitters')
_ = plt.ylabel('PDF')

# Show the plot
plt.show()
Upravit a spustit kód