De ce este acest parametru optim?
Acum extrage eșantioane dintr-o distribuție exponențială cu \(\tau\) de două ori mai mare decât \(\tau\) optim. Repetă pentru \(\tau\) de două ori mai mic. Generează CDF-uri din aceste eșantioane și suprapune-le peste datele tale. Vei observa că ele nu reproduc datele la fel de bine. Astfel, \(\tau\) calculat din timpul mediu dintre meciuri fără bătător eliminat este optim, deoarece reproduce cel mai bine datele.
Notă: În acest exercițiu și în toate cele ulterioare, generatorul de numere aleatoare este pre-inițializat pentru a-ți economisi timp.
Acest exercițiu face parte din cursul
Gândire statistică în Python (Partea 2)
Instrucțiuni pentru exercițiu
- Extrage
10000eșantioane dintr-o distribuție exponențială cu parametrul \(\tau_{1/2}\) =tau/2. - Extrage
10000eșantioane dintr-o distribuție exponențială cu parametrul \(\tau_{2}\) =2*tau. - Generează CDF-uri din aceste două seturi de eșantioane folosind funcția
ecdf(). - Adaugă aceste două CDF-uri ca linii în graficul tău. Acest pas a fost deja realizat, așa că apasă Trimite răspunsul pentru a vizualiza graficul!
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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()