计算期望计数

在之前的练习中，您已经计算了蟹数据的均值和方差，并发现它们不相等。本练习将通过另一种方法来分析过度离散：在已知样本均值的基础上，计算某个计数值（例如 0）的期望计数。也就是说，给定已计算的样本均值，我们应当在样本中期望出现多少个卫星数为 0 的观测。

回忆 crab 数据集中的图，您会注意到 0 计数非常多。

回忆：在给定参数时，您可以使用泊松分布来计算期望计数，定义为：

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

crab 数据集以及已计算的均值 sat_mean 已预加载到工作区。

本练习是课程的一部分

Python 中的广义线性模型

查看课程

练习说明

使用已计算的均值 sat_mean 和零计数 $y = 0$ 计算零计数的期望数量。请使用 math 的 factorial()。
使用 sum() 计算 sat 变量中零计数的观测数量，并使用 len() 计算样本中的观测总数。
打印实际零计数观测数与观测总数的比值。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)

编辑并运行代码