Slumptalsgeneratorer och hackarstatistik

Statistiskt tänkande i Python (del 1)

Justin Bois

Teaching Professor at the California Institute of Technology

Hackarstatistik

Använder simulerade upprepade mätningar för att beräkna sannolikheter.

ch3-2.004.png

¹ Bild: upphovsman okänd

ch3-2.005.png

¹ Bild: Heritage Auction

Simulera myntkast

ch3-2.010.png

Bernoulliförsök

Ett experiment med två utfall: "framgång" (True) och "misslyckande" (False).

Modulen np.random

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

rng

Generator(PCG64) at 0x7F9433D38120

Startvärde för slumptalsgeneratorn

Heltal som matas in i slumptalsgeneratorns algoritm
Ange ett startvärde manuellt (endast) om reproducerbarhet krävs
Anges med rng = np.random.default_rng(seed)

Simulera 4 myntkast

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)

Simulera 4 myntkast

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

Sannolikheter med hackarstatistik

Bestäm hur data ska simuleras
Simulera ett stort antal gånger
Sannolikheten är ungefär andelen försök med det önskade utfallet

Nu kör vi en övning!

Statistiskt tänkande i Python (del 1)