ComeçarComece de graça

Metas de fitness

Vamos modelar como os níveis de atividade impactam a perda de peso usando rastreadores modernos de fitness. Nos dias em que você vai à academia, você faz em média cerca de 15 mil passos, e cerca de 5 mil passos nos demais dias. Você vai à academia 40% das vezes. Vamos modelar a contagem de passos em um dia como uma variável aleatória de Poisson com média \(\lambda\) dependente de você ir ou não à academia.

Para simplificar, vamos dizer que você tem 80% de chance de perder 1 lb e 20% de chance de ganhar 1 lb quando faz mais de 10 mil passos. As probabilidades se invertem quando você faz menos de 8 mil passos. Caso contrário, há chance igual de ganhar ou perder 1 lb. Dadas todas essas informações, encontre a probabilidade de perder peso em um mês.

Este exercício faz parte do curso

Simulação Estatística em Python

Ver curso

Instruções do exercício

  • Simule steps como uma variável aleatória de Poisson para um determinado dia com base no valor de lam.
  • Defina prob como [0.2, 0.8] se steps > 10000 ou como [0.8, 0.2] se steps < 8000. Some todo o peso perdido ou ganho em um mês armazenado em w.
  • Calcule e imprima a fração das simulações em que o peso total de um mês em outcomes é menor que 0. Salve como weight_loss_outcomes_frac e use isso para imprimir seus resultados.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Simulate steps & choose prob 
for _ in range(sims):
    w = []
    for i in range(days):
        lam = np.random.choice([5000, 15000], p=[0.6, 0.4], size=1)
        ____ = np.random.poisson(____)
        if steps > 10000: 
            prob = ____
        elif steps < 8000: 
            prob = ____
        else:
            prob = [0.5, 0.5]
        w.append(np.random.choice([1, -1], p=prob))
    outcomes.append(sum(w))

# Calculate fraction of outcomes where there was a weight loss
weight_loss_outcomes_frac = ____
print("Probability of Weight Loss = {}".format(____))
Editar e executar o código