Aan de slagGa gratis aan de slag

Maïsproductie modelleren

Stel dat je een kleine maïsboerderij runt en je kosten wilt optimaliseren. In deze illustratieve oefening modelleren we de productie van maïs. We laten details zoals eenheden even buiten beschouwing en focussen op het proces.

Voor de eenvoud gaan we ervan uit dat de maïsproductie slechts van twee factoren afhangt: regen, waar je geen invloed op hebt, en kosten, waar je wel invloed op hebt. Regen is normaal verdeeld met gemiddelde 50 en standaardafwijking 15. Voor nu zetten we de kosten vast op 5.000. We nemen aan dat de geproduceerde maïs in elk seizoen een Poisson-toevalsvariabele is en dat de gemiddelde maïsproductie wordt bepaald door de vergelijking:

\(100\times(\text{cost})^{0.1}\times(\text{rain})^{0.2}\)

Laten we deze productiefunctie modelleren en één uitkomst simuleren.

Deze oefening maakt deel uit van de cursus

Statisticale simulatie in Python

Cursus bekijken

Oefeninstructies

  • Initialiseer rain als een Normale toevalsvariabele met gemiddelde 50 en standaardafwijking 15.
  • Modelleer in de functie corn_produced() mean_corn als \( 100\times\text{cost}^{0.1}\times\text{rain}^{0.2} \).
  • Modelleer corn als een Poisson toevalsvariabele met gemiddelde mean_corn.
  • Simuleer één uitkomst door het resultaat van het aanroepen van corn_produced() op te slaan in corn_result en print je resultaten.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Initialize variables
cost = 5000
rain = np.random.____

# Corn Production Model
def corn_produced(rain, cost):
  mean_corn = ____
  corn = np.random.____
  return corn

# Simulate and print corn production
corn_result = ____
print("Simulated Corn Production = {}".format(____))
Code bewerken en uitvoeren