BaşlayınÜcretsiz Başlayın

Fitness hedefleri

Modern fitness takipçilerini kullanarak aktivite düzeylerinin kilo kaybını nasıl etkilediğini modelleyelim. Spor salonuna gittiğin günlerde ortalama 15 bin adım, diğer günlerde ise yaklaşık 5 bin adım atıyorsun. Spor salonuna gitme olasılığın %40. Bir gündeki adım sayısını, spor salonuna gidip gitmediğine bağlı olarak ortalaması \(\lambda\) olan Poisson rassal değişkeniyle modelleyelim.

Basitlik için, 10 bin adımdan fazla attığında %80 olasılıkla 1 lb kaybettiğini, %20 olasılıkla 1 lb aldığını söyleyelim. 8 bin adımdan az attığında bu olasılıklar tersine dönsün. Aksi durumda 1 lb alma veya verme olasılıkları eşit olsun. Tüm bu bilgilere göre, bir ay içinde kilo verme olasılığını bul.

Bu egzersiz

Python'da İstatistiksel Benzetim

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • lam değerine bağlı olarak bir gün için steps değişkenini Poisson rassal değişkeni olarak simüle et.
  • steps > 10000 ise prob değerini [0.2, 0.8], steps < 8000 ise [0.8, 0.2] olarak ayarla. Ay içinde w içinde tutulan tüm kilo alımını veya kaybını topla.
  • outcomes içindeki bir ayın toplam kilosunun 0'dan küçük olduğu simülasyonların oranını hesapla ve yazdır. Bunu weight_loss_outcomes_frac olarak kaydet ve sonuçlarını yazdırmak için kullan.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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(____))
Kodu Düzenle ve Çalıştır