LoslegenKostenlos loslegen

Eine Münze werfen

Im Video hast du unsere benutzerdefinierte Funktion get_heads_prob() gesehen, die die Erfolgswahrscheinlichkeit einer Binomialverteilung schätzt. In dieser Übung benutzt du sie selbst und prüfst, ob sie in einem Münzwurf-Experiment gute Arbeit leistet.

Achtung, Verwechslungsgefahr: Es sind zwei unterschiedliche Wahrscheinlichkeitsverteilungen im Spiel! Die eine ist die Binomialverteilung, mit der wir das Münzwerfen modellieren. Sie ist diskret mit zwei möglichen Werten (Kopf oder Zahl) und wird mit der Erfolgswahrscheinlichkeit (Kopf) parametrisiert. Die Bayes-Schätzung dieses Parameters ist eine andere, kontinuierliche Wahrscheinlichkeitsverteilung. Wir wissen nicht, welche Verteilung das genau ist, aber wir können sie mit get_heads_prob() schätzen und visualisieren.

numpy und seaborn wurden bereits für dich als np bzw. sns importiert.

Diese Übung ist Teil des Kurses

Bayesianische Datenanalyse in Python

Kurs anzeigen

Anleitung zur Übung

  • Erzeuge eine Liste mit 1000 Münzwürfen (0 und 1) mit 50 % Chance für Kopf und weise sie der Variable tosses zu.
  • Verwende tosses und die Funktion get_heads_prob(), um die Kopf-Wahrscheinlichkeit zu schätzen, und speichere das Ergebnis in heads_prob.
  • Zeichne ein Dichte-Diagramm der Verteilung der soeben geschätzten Kopf-Wahrscheinlichkeit.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

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

# Estimate the heads probability
heads_prob = ____

# Plot the distribution of heads probability
____(____, shade=True, label="heads probabilty")
plt.show()
Code bearbeiten und ausführen