Körprov
Genom de kommande övningarna lär du dig att bygga en datagenerationsprocess (DGP) med hjälp av progressivt mer komplexa exempel.
I den här övningen simulerar du en mycket enkel DGP. Anta att du ska ta ett körprov imorgon. Baserat på din egen träning och data du har samlat in vet du att sannolikheten att du klarar provet är 90 % när det är soligt och bara 30 % när det regnar. Din lokala väderstation förutsäger att det är 40 % risk för regn imorgon. Utifrån den här informationen vill du ta reda på hur stor sannolikheten är att du klarar körprovet imorgon.
Detta är ett enkelt problem som kan lösas analytiskt. Här lär du dig att modellera en enkel DGP och se hur den kan användas för simulering.
Den här övningen är en del av kursen
Statistisk simulering i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
sims, outcomes, p_rain, p_pass = 1000, [], 0.40, {'sun':0.9, 'rain':0.3}
def test_outcome(p_rain):
# Simulate whether it will rain or not
weather = np.random.choice(['rain', 'sun'], p=[____])
# Simulate and return whether you will pass or fail
test_result = np.random.choice(['pass', 'fail'], p=[____])
return test_result