Симуляция парных кубиков
По аналогии с примером из урока, вы будете бросать два кубика из двух мешков, каждый из которых содержит по три смещённых кубика.
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]]
Отличие состоит в том, что кубики в двух мешках связаны попарно: если вы выбираете второй кубик из bag1, то одновременно выбираете и второй кубик из bag2. В каждом испытании:
- Вы случайным образом выбираете одну пару кубиков из двух мешков и бросаете их
- Успех наступает, если сумма очков на
dice1иdice2равна восьми; в противном случае — неудача
Ваша задача — завершить цикл for в функции roll_paired_biased_dice() и использовать её для вычисления вероятностей успеха при каждой уникальной комбинации очков на dice1 и dice2.
Для вас уже импортированы: random, numpy как np, pandas как pd, seaborn как sns и matplotlib.pyplot как plt.
Это упражнение является частью курса
Симуляции Монте-Карло на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
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}))