ComenzarEmpieza gratis

¿Por qué es óptimo este parámetro?

Ahora toma muestras de una distribución exponencial con un \(\tau\) el doble de grande que el \(\tau\) óptimo. Haz lo mismo para un \(\tau\) la mitad de grande. Crea las CDF de estas muestras y superpónlas con tus datos. Verás que no reproducen tan bien los datos. Así, el \(\tau\) que calculaste a partir de los tiempos medios entre no-hitters es óptimo porque es el que mejor reproduce los datos.

Nota: En este y en todos los ejercicios posteriores, el generador de números aleatorios ya está inicializado para ahorrarte algo de tecleo.

Este ejercicio forma parte del curso

Pensamiento estadístico en Python (Parte 2)

Ver curso

Instrucciones del ejercicio

  • Toma 10000 muestras de una distribución Exponencial con parámetro \(\tau_{1/2}\) = tau/2.
  • Toma 10000 muestras de una distribución Exponencial con parámetro \(\tau_{2}\) = 2*tau.
  • Genera las CDF de estos dos conjuntos de muestras usando tu función ecdf().
  • Añade estas dos CDF como líneas a tu gráfico. Esto ya está hecho por ti, así que pulsa Enviar para ver el gráfico.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot the theoretical CDFs
plt.plot(x_theor, y_theor)
plt.plot(x, y, marker='.', linestyle='none')
plt.margins(0.02)
plt.xlabel('Games between no-hitters')
plt.ylabel('CDF')

# Take samples with half tau: samples_half
samples_half = ____

# Take samples with double tau: samples_double
samples_double = ____

# Generate CDFs from these samples
x_half, y_half = ____
x_double, y_double = ____

# Plot these CDFs as lines
_ = plt.plot(x_half, y_half)
_ = plt.plot(x_double, y_double)

# Show the plot
plt.show()
Editar y ejecutar código