1. Nauka
    2. /
  2. Kursy
    3. /
  3. Bayesowska analiza danych w Pythonie
Connected

ćwiczenie

Im więcej rzutów, tym więcej wiedzy

Wyobraź sobie, że jesteś frekwentystą (choćby przez jeden dzień) i masz za zadanie oszacować prawdopodobieństwo wypadnięcia orła przy rzucie (być może obciążoną) monetą – ale bez żadnych obserwacji. Co byś powiedział? To niemożliwe, nie ma danych! Teraz możesz rzucić monetą raz. Wypada reszka. Co teraz? Jeśli to jedyne dane, stwierdzisz, że prawdopodobieństwo orła wynosi 0%.

Pewnie czujesz, że te odpowiedzi nie są najlepsze. Ale co byłoby lepsze? Co powiedziałby Bayesianin? Sprawdźmy! Biblioteki numpy i seaborn zostały już zaimportowane jako np i sns.

Instrukcje 1/3

undefined XP
  • 1
    • Oszacuj prawdopodobieństwo orła, używając get_heads_prob() na podstawie pustej listy, przypisz wynik do heads_prob_nodata i zwizualizuj go na wykresie gęstości.
  • 2
    • Zrób to samo, tym razem na podstawie pojedynczej reszki (lista z jednym 0) i przypisz wynik do heads_prob_onetails.
  • 3
    • Wygeneruj listę 1000 rzutów obciążoną monetą, która wypada orłem tylko w 5% przypadków, i przypisz wynik do biased_tosses.
    • Oszacuj prawdopodobieństwo orła na podstawie biased_tosses, przypisz wynik do heads_prob_biased i zwizualizuj go na wykresie gęstości.