Začněte nyníZačněte zdarma

Hod mincí

Ve videu jsi viděl/a naši vlastní funkci get_heads_prob(), která odhaduje pravděpodobnost úspěchu binomického rozdělení. V tomto cvičení si ji vyzkoušíš sám/sama a ověříš, jestli skutečně dělá to, co má – a to na experimentu s házením mincí.

Dávej pozor, ať tě to neplete: pracujeme se dvěma různými pravděpodobnostními rozděleními! Prvním je binomické rozdělení, které používáme k modelování hodů mincí. Jde o diskrétní rozdělení se dvěma možnými hodnotami (hlava nebo orel), parametrizované pravděpodobností úspěchu (padnutí hlavy). Bayesovský odhad tohoto parametru je pak jiné, spojité pravděpodobnostní rozdělení. Nevíme přesně, o jaký typ rozdělení jde, ale pomocí funkce get_heads_prob() ho můžeme odhadnout a vizualizovat.

numpy a seaborn jsou již naimportovány jako np a sns.

Toto cvičení je součástí kurzu

Bayesian Data Analysis in Python

Zobrazit kurz

Pokyny k cvičení

  • Vygeneruj seznam 1 000 hodů mincí (0 a 1) s 50% pravděpodobností padnutí hlavy a výsledek ulož do proměnné tosses.
  • Pomocí tosses a funkce get_heads_prob() odhadni pravděpodobnost padnutí hlavy a výsledek ulož do proměnné heads_prob.
  • Vykresli graf hustoty rozdělení pravděpodobnosti padnutí hlavy, kterou jsi právě odhadl/a.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Generate 1000 coin tosses
tosses = ____(____, ____, ____)

# Estimate the heads probability
heads_prob = ____

# Plot the distribution of heads probability
____(____, shade=True, label="heads probabilty")
plt.show()
Upravit a spustit kód