Generatori di numeri casuali e statistiche da hacker

Pensare in modo statistico con Python (Parte 1)

Justin Bois

Teaching Professor at the California Institute of Technology

Statistiche da hacker

Usa misure simulate ripetute per calcolare probabilità.

ch3-2.004.png

¹ Immagine: artista sconosciuto

ch3-2.005.png

¹ Immagine: Heritage Auction

Simulare lanci di moneta

ch3-2.010.png

Prove di Bernoulli

Esperimento con due esiti: "successo" (True) e "fallimento" (False).

Il modulo np.random

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

rng

Generator(PCG64) at 0x7F9433D38120

Seed dei numeri casuali

Intero passato all'algoritmo di generazione
Imposta manualmente il seed solo se serve riproducibilità
Si specifica con rng = np.random.default_rng(seed)

Simulare 4 lanci di moneta

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)

Simulare 4 lanci di moneta

n_all_heads = 0  # Inizializza numero di prove con 4 teste
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

Probabilità con le hacker stats

Definisci come simulare i dati
Simula molte volte
La probabilità ≈ frazione di prove con l'esito d'interesse

Passons à la pratique !

Pensare in modo statistico con Python (Parte 1)