BaşlayınÜcretsiz başlayın

Bu parametre neden en uygun?

Şimdi, en uygun \(\tau\)'nun iki katı olan bir \(\tau\) ile üstel dağılımdan örnekle. Aynısını \(\tau\)'nun yarısı için de yap. Bu örneklerin KDA'larını (CDF) oluştur ve verilerinle üst üste çiz. Verileri o kadar iyi çoğaltamadıklarını göreceksin. Böylece, ortalama no-hitter aralıklarından hesapladığın \(\tau\), verileri en iyi biçimde yeniden ürettiği için en uygun olandır.

Not: Bu ve sonraki tüm egzersizlerde, biraz yazma zahmetinden kurtulman için rastgele sayı üreteci önceden tohumlanmıştır.

Bu egzersiz, kursun bir parçasıdır

Python ile İstatistiksel Düşünme (Bölüm 2)

Kursa Göz Atın

Egzersiz talimatları

  • Parametresi \(\tau_{1/2}\) = tau/2 olan bir Üstel dağılımdan 10000 örnek al.
  • Parametresi \(\tau_{2}\) = 2*tau olan bir Üstel dağılımdan 10000 örnek al.
  • Bu iki örnek kümesinden ecdf() fonksiyonunu kullanarak KDA'lar (CDF'ler) üret.
  • Bu iki KDA'yı grafiğine çizgi olarak ekle. Bu senin için yapıldı; grafiği görmek için yalnızca gönder tuşuna bas!

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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()
Kodu Düzenle ve Çalıştır