Generatory liczb losowych i statystyki hakerskie

Myślenie statystyczne w Pythonie (część 1)

Justin Bois

Teaching Professor at the California Institute of Technology

Statystyki hakerskie

Wykorzystuje symulowane pomiary do obliczania prawdopodobieństw.

ch3-2.004.png

¹ Obraz: autor nieznany

ch3-2.005.png

¹ Obraz: Heritage Auction

Symulacja rzutów monetą

ch3-2.010.png

Próby Bernoulliego

Eksperyment z dwoma wynikami: "sukces" (True) i "porażka" (False).

Moduł np.random

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

rng

Generator(PCG64) at 0x7F9433D38120

Ziarno generatora liczb losowych

Liczba całkowita przekazywana do algorytmu generującego liczby losowe
Seed ustawiamy ręcznie tylko wtedy, gdy potrzebna jest powtarzalność wyników
Określany przez rng = np.random.default_rng(seed)

Symulacja 4 rzutów monetą

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)

Symulacja 4 rzutów monetą

n_all_heads = 0  # Initialize number of 4-heads trials
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

Prawdopodobieństwa w statystykach hakerskich

Określenie sposobu symulacji danych
Wielokrotna symulacja
Prawdopodobieństwo to przybliżony udział prób z interesującym wynikiem

Czas na ćwiczenia!

Myślenie statystyczne w Pythonie (część 1)