Чем больше бросков, тем больше знаний
Представьте, что вы — сторонник частотного подхода (хотя бы на один день), и вам нужно оценить вероятность выпадения орла при броске (возможно, несимметричной) монеты — но без каких-либо наблюдений. Что вы скажете? Это невозможно — данных нет! Затем вам разрешают подбросить монету один раз. Выпадает решка. Что теперь? Если это всё, что у вас есть, вы скажете, что вероятность орла равна 0%.
Вы, наверное, чувствуете, что эти ответы не самые удачные. Но что было бы лучше? Что сказал бы байесовец? Давайте разберёмся! Библиотеки numpy и seaborn уже импортированы для вас как np и sns соответственно.
Это упражнение является частью курса
Байесовский анализ данных на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Estimate and plot heads probability based on no data
heads_prob_nodata = ____
____(____, shade=True, label="no data")
plt.show()