Tại sao tham số này là tối ưu?
Bây giờ hãy lấy mẫu từ phân phối exponential với \(\tau\) lớn gấp đôi \(\tau\) tối ưu. Làm lại với \(\tau\) chỉ bằng một nửa. Tạo CDF cho các mẫu này và chồng chúng lên dữ liệu của bạn. Bạn sẽ thấy chúng không tái hiện dữ liệu tốt bằng. Vì vậy, \(\tau\) bạn tính từ thời gian giữa các lần không có cú hit trung bình là tối ưu theo nghĩa nó mô phỏng lại dữ liệu tốt nhất.
Lưu ý: Trong bài này và tất cả các bài tiếp theo, bộ sinh số ngẫu nhiên đã được đặt hạt (seed) sẵn để bạn đỡ phải gõ thêm.
Bài tập này là một phần của khóa học
Tư duy Thống kê với Python (Phần 2)
Hướng dẫn bài tập
- Lấy
10000mẫu từ phân phối Exponential với tham số \(\tau_{1/2}\) =tau/2. - Lấy
10000mẫu từ phân phối Exponential với tham số \(\tau_{2}\) =2*tau. - Tạo CDF từ hai bộ mẫu này bằng hàm
ecdf()của bạn. - Thêm hai CDF này dưới dạng các đường vào biểu đồ. Việc này đã được làm sẵn; hãy nhấn Gửi câu trả lời để xem biểu đồ!
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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()