ComeçarComece de graça

Por que esse parâmetro é ótimo?

Agora amostre de uma distribuição exponencial com \(\tau\) sendo duas vezes maior que o \(\tau\) ótimo. Faça o mesmo para um \(\tau\) metade desse valor. Construa CDFs dessas amostras e sobreponha-as aos seus dados. Você verá que elas não reproduzem os dados tão bem. Assim, o \(\tau\) que você calculou a partir dos tempos médios entre no-hitters é ótimo no sentido de que melhor reproduz os dados.

Observação: Neste e em todos os próximos exercícios, o gerador de números aleatórios já está com semente definida para você, para poupar digitação.

Este exercício faz parte do curso

Pensamento Estatístico em Python (Parte 2)

Ver curso

Instruções do exercício

  • Pegue 10000 amostras de uma distribuição Exponencial com parâmetro \(\tau_{1/2}\) = tau/2.
  • Pegue 10000 amostras de uma distribuição Exponencial com parâmetro \(\tau_{2}\) = 2*tau.
  • Gere CDFs a partir desses dois conjuntos de amostras usando sua função ecdf().
  • Adicione essas duas CDFs como linhas ao seu gráfico. Isso já foi feito para você, então clique em Enviar Resposta para ver o gráfico!

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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 e executar o código