CommencezCommencez gratuitement

En quoi ce paramètre est-il optimal ?

Maintenant, échantillonnez à partir d'une loi exponentielle avec un \(\tau\) deux fois plus grand que le \(\tau\) optimal. Refaites l'exercice avec un \(\tau\) deux fois plus petit. Créez les FDR de ces échantillons et superposez-les à vos données. Vous verrez qu'ils reproduisent moins bien les données. Ainsi, le \(\tau\) que vous avez calculé à partir des intervalles moyens sans match sans coup sûr est optimal, car il reproduit le mieux les données.

Remarque : Dans cet exercice et tous les suivants, le générateur de nombres aléatoires est déjà initialisé pour vous faire économiser de la saisie.

Cette activité fait partie du cours

Réflexion statistique en Python (partie 2)

Voir le cours

Instructions de l’exercice

  • Prenez 10000 échantillons d'une loi exponentielle avec le paramètre \(\tau_{1/2}\) = tau/2.
  • Prenez 10000 échantillons d'une loi exponentielle avec le paramètre \(\tau_{2}\) = 2*tau.
  • Générez les FDR pour ces deux ensembles d'échantillons à l'aide de votre fonction ecdf().
  • Ajoutez ces deux FDR comme lignes à votre graphique. Cela a déjà été fait pour vous, alors cliquez sur Soumettre la réponse pour afficher le graphique !

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()
Modifier et exécuter le code