Fahrprüfung
In den nächsten Übungen lernst du, wie man einen Data-Generating-Process (DGP) anhand zunehmend komplexer Beispiele aufbaut.
In dieser Übung simulierst du einen sehr einfachen DGP. Stell dir vor, du hast morgen eine Fahrprüfung. Aufgrund deiner Übung und der Daten, die du gesammelt hast, weißt du: Die Wahrscheinlichkeit, die Prüfung zu bestehen, liegt bei 90 %, wenn die Sonne scheint, und nur bei 30 %, wenn es regnet. Deine lokale Wetterstation sagt für morgen eine Regenwahrscheinlichkeit von 40 % voraus. Auf Basis dieser Informationen möchtest du wissen, wie hoch die Wahrscheinlichkeit ist, dass du die Fahrprüfung morgen bestehst.
Das ist ein einfaches Problem und lässt sich analytisch lösen. Hier lernst du, wie man einen einfachen DGP modelliert und siehst, wie er für Simulationen genutzt werden kann.
Diese Übung ist Teil des Kurses
Statistische Simulation in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
sims, outcomes, p_rain, p_pass = 1000, [], 0.40, {'sun':0.9, 'rain':0.3}
def test_outcome(p_rain):
# Simulate whether it will rain or not
weather = np.random.choice(['rain', 'sun'], p=[____])
# Simulate and return whether you will pass or fail
test_result = np.random.choice(['pass', 'fail'], p=[____])
return test_result