Zacznij terazZacznij za darmo

Dlaczego ten parametr jest optymalny?

Teraz pobierz próbki z rozkładu wykładniczego, gdzie \(\tau\) jest dwa razy większe od optymalnego \(\tau\). Powtórz to samo dla \(\tau\) dwa razy mniejszego. Wyznacz dystrybuanty empiryczne tych próbek i nałóż je na wykres z danymi. Zobaczysz, że nie odwzorowują danych tak dobrze. To pokazuje, że \(\tau\) obliczone ze średnich czasów między no-hitterami jest optymalne – najlepiej odtwarza ono strukturę danych.

Uwaga: W tym i wszystkich kolejnych ćwiczeniach generator liczb losowych jest z góry ustawiony na stały ziarno, żebyś nie musiał go za każdym razem wpisywać.

To ćwiczenie jest częścią kursu

Myślenie statystyczne w Pythonie (część 2)

Zobacz kurs

Instrukcje do ćwiczenia

  • Pobierz 10000 próbek z rozkładu wykładniczego z parametrem \(\tau_{1/2}\) = tau/2.
  • Pobierz 10000 próbek z rozkładu wykładniczego z parametrem \(\tau_{2}\) = 2*tau.
  • Wyznacz dystrybuanty empiryczne obu zestawów próbek, korzystając z funkcji ecdf().
  • Dodaj te dwie dystrybuanty jako linie do wykresu. Ten krok jest już wykonany – kliknij Prześlij odpowiedź, aby zobaczyć wykres!

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod