Symulacja z parą kości
Podobnie jak w przykładzie z lekcji, rzucisz dwiema kośćmi pobranymi z dwóch worków – każdy z nich zawiera trzy obciążone kości.
bag1 = [[1, 2, 3, 6, 6, 6], [1, 2, 3, 4, 4, 6], [1, 2, 3, 3, 3, 5]]
bag2 = [[2, 2, 3, 4, 5, 6], [3, 3, 3, 4, 4, 5], [1, 1, 2, 4, 5, 5]]
Różnica polega na tym, że kości z obu worków są sparowane: jeśli wybierzesz drugą kość z bag1, wybierzesz również drugą kość z bag2. W każdej próbie:
- Losowo wybierasz jedną parę kości z obu worków i je rzucasz
- Sukces następuje wtedy, gdy suma oczek na
dice1idice2wynosi osiem; w przeciwnym razie jest to porażka
Twoim zadaniem jest uzupełnienie pętli for w funkcji roll_paired_biased_dice() oraz użycie tej funkcji do obliczenia prawdopodobieństwa sukcesu dla każdej unikalnej kombinacji oczek na dice1 i dice2.
Następujące elementy zostały już zaimportowane: random, numpy jako np, pandas jako pd, seaborn jako sns oraz matplotlib.pyplot jako plt.
To ćwiczenie jest częścią kursu
Symulacje Monte Carlo w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
def roll_paired_biased_dice(n, seed=1231):
random.seed(seed)
results={}
for i in range(n):
bag_index = random.randint(0, 1)
# Obtain the dice indices
dice_index1 = ____
dice_index2 = ____
# Sample a pair of dice from bag1 and bag2
point1 = ____
point2 = ____
key = "%s_%s" % (point1,point2)
if point1 + point2 == 8:
if key not in results:
results[key] = 1
else:
results[key] += 1
return(pd.DataFrame.from_dict({'dice1_dice2':results.keys(),
'probability_of_success':np.array(list(results.values()))*100.0/n}))