Kom igångKom igång gratis

Modellera majsproduktion

Anta att du driver en liten majsgård och vill optimera dina kostnader. I den här övningen modellerar vi majsproduktion. Vi bortser från detaljer som enheter och fokuserar i stället på processen.

För enkelhets skull antar vi att majsproduktionen beror på bara två faktorer: regn, som du inte kan styra, och kostnad, som du kan styra. Regnet är normalfördelat med medelvärde 50 och standardavvikelse 15. Vi låter kostnaden vara fast vid 5 000. Vi antar att den producerade majsen under en säsong är en poissonfördelad slumpvariabel och att den genomsnittliga majsproduktionen styrs av ekvationen:

\(100\times(\text{cost})^{0.1}\times(\text{rain})^{0.2}\)

Låt oss modellera den här produktionsfunktionen och simulera ett utfall.

Den här övningen är en del av kursen

Statistisk simulering i Python

Visa kurs

Övningsinstruktioner

  • Initiera rain som en normalfördelad slumpvariabel med medelvärde 50 och standardavvikelse 15.
  • I funktionen corn_produced() modellerar du mean_corn som \( 100\times\text{cost}^{0.1}\times\text{rain}^{0.2} \).
  • Modellera corn som en poissonfördelad slumpvariabel med medelvärde mean_corn.
  • Simulera ett utfall genom att lagra resultatet av anropet till corn_produced() i corn_result och skriv ut resultatet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Initialize variables
cost = 5000
rain = np.random.____

# Corn Production Model
def corn_produced(rain, cost):
  mean_corn = ____
  corn = np.random.____
  return corn

# Simulate and print corn production
corn_result = ____
print("Simulated Corn Production = {}".format(____))
Redigera och kör kod