Een munt opgooien
In de video heb je onze aangepaste functie get_heads_prob() gezien, die de succeskans van een binomiale verdeling schat. In deze oefening ga je er zelf mee aan de slag en controleer je of hij goed werkt in een muntworp-experiment.
Let op voor verwarring: er zijn twee verschillende kansverdelingen in het spel! De ene is de binomiale, die we gebruiken om het opgooien van de munt te modelleren. Dit is een discrete verdeling met twee mogelijke uitkomsten (kop of munt), geparametriseerd met de succeskans (kop gooien). De Bayesiaanse schatting van deze parameter is een ándere, continue kansverdeling. We weten niet precies welke verdeling dat is, maar we kunnen haar schatten met get_heads_prob() en visualiseren.
numpy en seaborn zijn al voor je geïmporteerd als respectievelijk np en sns.
Deze oefening maakt deel uit van de cursus
Bayesian Data Analysis in Python
Oefeninstructies
- Genereer een lijst van 1000 muntworpen (0’en en 1’en) met 50% kans op kop, en wijs deze toe aan de variabele
tosses. - Gebruik
tossesen de functieget_heads_prob()om de kans op kop te schatten, en wijs het resultaat toe aanheads_prob. - Teken een dichtheidsgrafiek van de verdeling van de zojuist geschatte kans op kop.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Generate 1000 coin tosses
tosses = ____(____, ____, ____)
# Estimate the heads probability
heads_prob = ____
# Plot the distribution of heads probability
____(____, shade=True, label="heads probabilty")
plt.show()