Generatoren voor willekeur en hackerstatistiek

Statistisch denken in Python (deel 1)

Justin Bois

Teaching Professor at the California Institute of Technology

Hackerstatistiek

Gebruikt gesimuleerde herhaalde metingen om kansen te berekenen.

ch3-2.004.png

¹ Afbeelding: kunstenaar onbekend

ch3-2.005.png

¹ Afbeelding: Heritage Auction

Kop-of-munt simuleren

ch3-2.010.png

Bernoulli-proeven

Een experiment met twee uitkomsten: "succes" (True) en "mislukking" (False).

De module np.random

import numpy as np
rng = np.random.default_rng()

rng

Generator(PCG64) at 0x7F9433D38120

Seed voor willekeurige getallen

Geheel getal voor het algoritme dat willekeurige getallen maakt
Seed de generator alleen handmatig als je reproduceerbaarheid nodig hebt
Opgeven met rng = np.random.default_rng(seed)

4 keer kop/schotel simuleren

rng = np.random.default_rng(42)

random_numbers = rng.random(size=4)
random_numbers

array([0.77395605, 0.43887844, 0.85859792, 0.69736803])

heads = random_numbers < 0.5
heads

array([False,  True, False, False])

np.sum(heads)

4 keer kop/schotel simuleren

n_all_heads = 0  # Aantal proeven met 4x kop
for _ in range(10000):
     heads = np.random.random(size=4) < 0.5
     n_heads = np.sum(heads)
     if n_heads == 4:
         n_all_heads += 1

n_all_heads / 10000

0.0607

Kansen met hackerstatistiek

Bepaal hoe je de data simuleert
Simuleer heel vaak
Kans ≈ fractie proeven met de gewenste uitkomst

Laten we oefenen!

Statistisch denken in Python (deel 1)