Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Récapitulatif : les chances au stand de dés

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 18 sur 64.

challenge icon

Défi

Moyen

Il est temps de fixer les prix du stand de dés de la fête de l’école. Chaque visiteur lance deux dés : le total détermine la boîte à lots, et les doubles (les deux dés identiques) donnent droit à un ticket bonus. tokens contient les jetons de chaque boîte :

Les boîtes à lots pour les totaux de 2 à 12, sous forme d’une rangée de cases : 12 jetons pour 2 et pour 12, 3 pour 5 et pour 9, 5 pour 7, et 0 pour tous les autres totaux

Le code de départ a simulé 2400 visites dans first et second ; le programme lit un total cible. Affiche :

  1. la probabilité d’obtenir des doubles,
  2. la probabilité d’obtenir le total cible ou plus,
  3. cette probabilité après avoir obtenu des doubles,
  4. le nombre attendu de jetons par visite, en utilisant la part simulée de chaque total comme probabilité.

Probabilités avec 3 décimales, jetons avec 2. Pour une autre simulation et le total cible 6 :

Chance of doubles: 0.171
Chance of 6 or more: 0.705
Chance of 6 or more after doubles: 0.616
Expected tokens per visit: 2.16

Essayez vous-même

import numpy as np
import pandas as pd

goal = int(input())

# Jetons dans la boîte de récompenses pour chaque somme de 2 à 12, dans l’ordre
tokens = np.array([12, 0, 0, 3, 0, 5, 0, 3, 0, 0, 12])

# Ne modifiez pas les lignes ci-dessous : 2400 visites simulées, avec deux dés à chaque fois
rng = np.random.default_rng(18)
first = rng.integers(1, 7, size=2400)
second = rng.integers(1, 7, size=2400)

# Écrivez votre code ci-dessous

Toutes les leçons de Statistiques pour le ML

1Centre et dispersion

Moyenne et médianePercentiles et quartilesVariance et écart-typeÉchantillon ou population ?La valeur la plus fréquenteRécapitulatif : délais de livraison

4Échantillons et populations

Population et échantillonLes moyennes d’échantillon varientLa distribution d’échantillonnageDes échantillons plus grands, moins de bruitRécapitulatif : sonder une ville

7Droites de tendance

RésidusAjustement par les moindres carrésTracer la droite d’ajustementPrédire avec une droiteQualité de l’ajustementRécapitulatif : heures de pratique

10Encodage des catégories

Les catégories sous forme de nombresEncodage one-hotRegrouper les nombres en intervallesRécapitulatif : annonces de voitures

2Distributions

Histogrammes de densitéFormes des donnéesLa courbe normaleLa règle des 68-95-99,7Scores zRécapitulatif : autonomie de la batterie

5Valeurs aberrantes

Diagrammes en boîteLa règle de l’écart interquartileLa règle du score ZTraiter les valeurs aberrantesRécapitulatif : anomalies des capteurs

8Comparer des groupes

Diagrammes en boîte par groupeDifférence entre les moyennesEst-ce dû au hasard ?Valeurs pLe test tRécapitulatif : test A/B

11Explorer un jeu de données

Un premier aperçuToutes les caractéristiques à la foisCaractéristiques et étiquetteLes deux meilleures caractéristiquesRécapitulatif : données sur le diabète

3Les probabilités par simulation

La probabilité comme fréquenceLa loi des grands nombresSommes de désEspérance mathématiqueProbabilité conditionnelleRécapitulatif : les chances au stand de dés

6Relations

Lire des nuages de pointsCorrélationMatrice de corrélationCartes thermiques de corrélationCorrélation n’est pas causalitéRécapitulatif : glace et soleil

9Mise à l’échelle des caractéristiques

Pourquoi mettre les caractéristiques à l’échelleMise à l’échelle Min-MaxStandardisationStandardScalerRécapitulatif : partenaires d’escalade

12Défis finaux

Retards des trainsQualité de l’airChimie du vinEnquête en clinique

Entraînez-vous par vous-même : Compilateur Python en ligne