Stichproben aus der Binomialverteilung ziehen
Berechne die Wahrscheinlichkeitsfunktion (PMF) für die Anzahl an Zahlungsausfällen, die wir bei 100 Krediten erwarten würden, wie im letzten Abschnitt. Anstatt jedoch alle Bernoulli-Experimente zu simulieren, ziehst du die Stichproben mit rng.binomial(). Das ist identisch zu der Berechnung in der letzten Übungsreihe mit deiner selbstgeschriebenen Funktion perform_bernoulli_trials(), aber deutlich effizienter. Dank dieser zusätzlichen Effizienz nehmen wir 10.000 Stichproben statt 1000. Nachdem du die Stichproben gezogen hast, zeichne wie zuvor die CDF. Die hier geplottete CDF gehört zur Binomialverteilung.
Hinweis: Für diese und alle folgenden Übungen ist der Zufallszahlengenerator bereits für dich instanziiert und mit rng = np.random.default_rng(42) initialisiert, damit du das nicht jedes Mal tippen musst.
Diese Übung ist Teil des Kurses
Statistical Thinking in Python (Teil 1)
Anleitung zur Übung
- Ziehe Stichproben aus der Binomialverteilung mit
rng.binomial(). Verwende die Parametern = 100undp = 0.05, und setze das Keyword-Argumentsizeauf10000. - Berechne die CDF mit deiner zuvor geschriebenen Funktion
ecdf(). - Plotte die CDF mit Achsenbeschriftungen. Die x-Achse ist hier die Anzahl der Zahlungsausfälle aus 100 Krediten, die y-Achse die CDF.
- Zeige die Grafik an.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Take 10,000 samples out of the binomial distribution: n_defaults
# Compute CDF: x, y
# Plot the CDF with axis labels
# Show the plot