Kom igångKom igång gratis

Varför är den här parametern optimal?

Ta nu sampel från en exponentialfördelning där \(\tau\) är dubbelt så stort som det optimala \(\tau\). Gör sedan samma sak för ett \(\tau\) som är hälften så stort. Skapa KDF:er av dessa sampel och lägg dem ovanpå dina data. Du ser att de inte återger data lika väl. Det \(\tau\) du beräknade utifrån medeltiden mellan no-hitter-händelserna är alltså optimalt – det är det värde som bäst återger data.

Obs: I den här och alla efterföljande övningar är slumptalsgeneratorn förinställd, så att du slipper skriva in det manuellt.

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 2)

Visa kurs

Övningsinstruktioner

  • Ta 10000 sampel från en exponentialfördelning med parametern \(\tau_{1/2}\) = tau/2.
  • Ta 10000 sampel från en exponentialfördelning med parametern \(\tau_{2}\) = 2*tau.
  • Generera KDF:er från dessa två uppsättningar sampel med hjälp av din ecdf()-funktion.
  • Lägg till dessa två KDF:er som linjer i ditt diagram. Det här steget är redan gjort åt dig – klicka på Skicka in svar för att se diagrammet!

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()
Redigera och kör kod