Beräkning av förväntat antal observationer

I de föregående övningarna beräknade du medelvärdet och variansen för crab-datan och konstaterade att de inte är lika. I den här övningen övar du på ytterligare en metod för att identifiera överdispersion: du använder det redan beräknade medelvärdet för att beräkna det förväntade antalet observationer för ett visst räknevärde – till exempel nollvärden. Med andra ord: hur många satelliter med värdet noll kan vi förvänta oss i urvalet, givet det beräknade stickprovsmedelvärdet?

Kom ihåg figuren från crab-datasetet där du kan se ett stort antal nollvärden.

Kom ihåg att det förväntade antalet observationer för en given parameter kan beräknas med Poissonfördelningen:

$$ P(y)=\frac{\lambda^ye^{-\lambda}}{y!} $$

crab-datasetet och det beräknade medelvärdet sat_mean är förinstallerade i arbetsmiljön.

Den här övningen är en del av kursen

Generaliserade linjära modeller i Python

Visa kurs

Övningsinstruktioner

Beräkna det förväntade antalet nollvärden med hjälp av det beräknade medelvärdet sat_mean och nollvärdet $y = 0$. Använd math-funktionen factorial().
Beräkna antalet observationer med nollvärden i variabeln sat med sum(), samt det totala antalet observationer i urvalet med len().
Skriv ut kvoten mellan faktiska nollvärdesobservationer och det totala antalet observationer.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Expected number of zero counts
exp_zero_cnt = ((____**____)*np.____(-____))/math.____(____)

# Print exp_zero_counts
print('Expected zero counts given mean of ', round(____,3), 
      'is ', round(____,3)*100)

# Number of zero counts in sat variable
actual_zero_cnt = sum(____[____]  == 0)

# Number of observations in crab dataset
num_obs = len(____)

# Print the percentage of zero count observations in the sample
print('Actual zero counts in the sample: ', round(____ / ____,3)*100)

Redigera och kör kod