بتل کد Battle Codeدارد باز می‌شود…

جلسه‌ی 36: احتمال و تجربه Probability and Experiment

با تکرار یک آزمایش، فراوانی نسبی یک اتفاق (تعداد دفعه‌هایی که رخ داده ÷ تعداد آزمایش‌ها) را حساب می‌کنیم. هر چه آزمایش‌ها بیشتر باشند، فراوانی نسبی به احتمال نزدیک‌تر می‌شود؛ برای چیزهایی که احتمالشان را نمی‌دانیم، آزمایش راه تخمین است.

در این جلسه یاد می‌گیری

درس

هزار تاس. یک بار، ۱۰ بار، ۱۰۰ بار و ۱۰۰۰ بار تاس بینداز و ستون‌ها را با خط‌چین ⁦۱۶⁩ مقایسه کن. با ۱۰ بار ستون‌ها چقدر نامساوی‌اند؟ با ۱۰۰۰ بار چطور؟

فراوانی نسبی. اگر تاسی را ۲۰ بار بیندازیم و ۴ بار ۶ بیاید، فراوانی نسبی آمدن ۶ برابر ⁦۴۲۰ = ۱۵⁩ است. این عدد از آزمایش آمده و با احتمال ⁦(۱۶)⁩ کمی فرق دارد؛ و آزمایش بعدی ممکن است عدد دیگری بدهد.

آزمایش بیشتر، نتیجه‌ی بهتر. با آزمایش‌های کم، نتیجه خیلی بالا و پایین می‌رود. هر چه تعداد آزمایش‌ها بیشتر شود، فراوانی نسبی به احتمال نظری نزدیک‌تر می‌شود. برای همین برای تخمین، آزمایش با ۱۰۰۰ بار بهتر از ۱۰ بار است.

تخمین با آزمایش. احتمال این‌که یک پونز با نوک رو به بالا بیفتد را با حساب نمی‌شود پیدا کرد. ۵۰ بار می‌اندازیم و ۳۰ بار نوک رو به بالا می‌افتد: تخمین احتمال ⁦۳۰۵۰ = ۳۵⁩. پس در ۲۰۰ بار انداختن، حدود ۱۲۰ بار انتظارش را داریم.
اشتباه رایج: «در ۱۰ بار انداختن هیچ ۶ نیامد، پس تاس خراب است.» با ۱۰ بار این کاملاً ممکن است؛ برای قضاوت، آزمایش‌های خیلی بیشتری لازم است.

با پایتون (اختیاری): کامپیوتر در یک چشم به هم زدن ۱۰۰۰ تاس می‌اندازد. عدد ۱۰۰۰ را به ۱۰ یا ۱۰۰۰۰۰ عوض کن و نتیجه‌ها را مقایسه کن.

import random
counts = [0, 0, 0, 0, 0, 0]
n = 1000
for i in range(n):
    face = random.randint(1, 6)
    counts[face - 1] = counts[face - 1] + 1
for face in range(6):
    print(face + 1, counts[face], counts[face] / n)

مثال‌های این جلسه

چالش‌ها

  1. Four Sixes in Twenty (آسان)
  2. A Thousand Rolls (آسان)
  3. The Drawing Pin (متوسط)
  4. Whose Estimate? (متوسط)
  5. A Four-Colour Spinner (سخت)
  6. Seventy Percent Rain (سخت)

بیشتر بخوان

← جلسه‌ی 35: احتمال یا اندازه‌گیری شانس