Simulace párových kostek
Podobně jako v příkladu z lekce budeš házet dvěma kostkami ze dvou sáčků, přičemž každý sáček obsahuje tři zkreslené kostky.
bag1 = [[1, 2, 3, 6, 6, 6], [1, 2, 3, 4, 4, 6], [1, 2, 3, 3, 3, 5]]
bag2 = [[2, 2, 3, 4, 5, 6], [3, 3, 3, 4, 4, 5], [1, 1, 2, 4, 5, 5]]
Rozdíl spočívá v tom, že kostky v obou sáčcích jsou spárovány: pokud vybereme druhou kostku z bag1, vybereme zároveň i druhou kostku z bag2. V každém pokusu:
- Náhodně vybereme jeden pár kostek z obou sáčků a hodíme jimi
- Úspěch nastane, pokud součet bodů na
dice1adice2dává osm; jinak jde o neúspěch
Tvým úkolem je dokončit cyklus for ve funkci roll_paired_biased_dice() a pomocí této funkce vypočítat pravděpodobnosti úspěchu pro každou jedinečnou kombinaci bodů na dice1 a dice2.
Následující knihovny jsou už naimportované: random, numpy jako np, pandas jako pd, seaborn jako sns a matplotlib.pyplot jako plt.
Toto cvičení je součástí kurzu
Monte Carlo simulace v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
def roll_paired_biased_dice(n, seed=1231):
random.seed(seed)
results={}
for i in range(n):
bag_index = random.randint(0, 1)
# Obtain the dice indices
dice_index1 = ____
dice_index2 = ____
# Sample a pair of dice from bag1 and bag2
point1 = ____
point2 = ____
key = "%s_%s" % (point1,point2)
if point1 + point2 == 8:
if key not in results:
results[key] = 1
else:
results[key] += 1
return(pd.DataFrame.from_dict({'dice1_dice2':results.keys(),
'probability_of_success':np.array(list(results.values()))*100.0/n}))