Python for S1

Python for S1: data, sannsynlighet og modeller

Python for S1 er bygget rundt temaene i Ifingos kursregister: statistikk, sannsynlighet og økonomimodeller med Python og NumPy. Programmering er nyttig fordi du kan behandle mange observasjoner konsekvent, gjennomføre simuleringer og undersøke hvordan en modell reagerer når forutsetningene endres. Samtidig må hver beregning knyttes til det matematiske spørsmålet. Et gjennomsnitt eller en sannsynlighet er bare nyttig dersom du kan forklare hva størrelsen sier om situasjonen.

Statistikk fra rådata til mål

I statistikk begynner du ofte med en liste eller tabell med observasjoner. Python kan hjelpe deg med å organisere data og beregne mål som gjennomsnitt og andre sentrale størrelser. NumPy gjør det enkelt å arbeide med mange tall samtidig. Før du beregner, bør du likevel undersøke hva hver observasjon representerer, om datasettet inneholder avvik og om alle verdier har samme enhet.

Et statistisk mål kan skjule variasjon. Derfor bør du ikke stoppe ved ett tall. Sammenlign flere beskrivelser av datasettet og se etter observasjoner som påvirker resultatet sterkt. Hvis du endrer eller fjerner en ekstrem verdi, kan du undersøke hvor følsomt gjennomsnittet er. Python gjør slike sammenligninger raske, men den faglige vurderingen av hva endringen betyr må uttrykkes med ord.

Sannsynlighet og simulering

Sannsynlighet kan undersøkes både teoretisk og ved simulering. I en simulering gjentar du et tilfeldig forsøk mange ganger og registrerer hvor ofte en hendelse oppstår. Resultatet vil vanligvis variere litt fra kjøring til kjøring. Når antall forsøk øker, kan den observerte andelen stabilisere seg nær den teoretiske sannsynligheten. Dette gir en konkret måte å skille mellom et eksakt sannsynlighetsuttrykk og en empirisk tilnærming.

Før du simulerer, bør du beskrive utfallsrommet og hendelsen presist. Hvis programmet trekker fra feil fordeling eller teller feil hendelse, vil mange repetisjoner bare gi et svært presist svar på feil spørsmål. Kontroller derfor et lite antall forsøk manuelt eller skriv ut noen av de første utfallene før du kjører en stor simulering.

Økonomimodeller og parameterforståelse

Økonomiske modeller kan inneholde gjentatt vekst, renter, inntekter, kostnader eller andre størrelser som utvikler seg over tid. Python gjør det enkelt å endre en parameter og se hvordan modellen reagerer. Dette er særlig nyttig når du vil sammenligne scenarier. Hold én eller to størrelser faste mens du varierer den du undersøker, ellers blir det vanskelig å forklare hvorfor resultatet endret seg.

En modell er alltid en forenkling. Når programmet gir et tall for framtiden, bør du spørre hvilke antakelser som ligger bak. Er vekstraten konstant? Er tidsintervallet realistisk? Gjelder sammenhengen i hele området? Programmering gjør modellen rask å beregne, men ikke automatisk gyldig.

Dokumenter analysen

• Forklar hva datasettet eller variablene representerer.
• Velg statistisk eller probabilistisk metode før du skriver kode.
• Bruk tydelige navn og del analysen i små steg.
• Kontroller minst ett resultat med manuell regning eller et kjent tilfelle.
• Skill mellom teoretisk sannsynlighet og simulert andel.
• Tolk resultatet i faglig kontekst og kommenter usikkerhet der det er relevant.

God Python-bruk i S1 gjør det lettere å undersøke mønstre og usikkerhet. Den erstatter ikke argumentasjonen; den gir deg flere observasjoner og beregninger som argumentasjonen kan bygge på.