Olet laadunvalvontapäällikkö tankojen valmistustehtaalla. Sinun tulee simuloida mittauksia ja viallisten tankojen määriä käyttämällä kolmea eri todennäköisyysjakaumaa tuotantoprosessin mallintamiseen:
- Normaalijakauma tankojen painoille (jatkuva);
- Binomijakauma viallisten tankojen määrälle erissä (diskreetti);
- Tasajakauma tankojen pituustoleransseille (jatkuva).

Tehtävänäsi on **kääntää luennolla esitetyt kaavat ja käsitteet Python-koodiksi**. Et **saa** käyttää sisäänrakennettuja numpy-kirjaston satunnaisotantafunktioita (esim. `np.random.normal`) tai minkään muun kirjaston suoria otantamenetelmiä jakaumille. Toteuta näytteiden generointi itse jakaumien periaatteiden ja perus-Pythonin avulla (esim. `random.random()`, `random.gauss()`).


Huomio

### Käytettävät kaavat

### Normaalijakauman tiheysfunktio (PDF):

$$
f(x) = \frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x - \mu)^2}{2\sigma^2}}
$$
 
### Keskihajonta varianssista:

$$
\sigma = \sqrt{\text{variance}}
$$

### Binomijakauman todennäköisyysfunktio (PMF):

$$
P(X = k) = \begin{pmatrix}n\\k\end{pmatrix}n^k(1-n)^{n-k},\quad \text{missä}\begin{pmatrix}n\\k\end{pmatrix} = \frac{n!}{k!(n-k)!}
$$
 
### Tasajakauman tiheysfunktio (PDF):

$$
f(x) = \frac{1}{b-a}\quad \text{kun}\quad a \le x \le b
$$

import unittest
import math
import random
import numpy as np
import user_code  # student's submission

def _dynamic(tc, ok, ok_msg, fail_msg):
    tc._testMethodName = ok_msg if ok else fail_msg
    (tc.assertTrue if ok else tc.fail)(tc._testMethodName)

ATOL = 1e-7
RTOL = 1e-6

class TestQCDistributionsV2(unittest.TestCase):

    def test_params_and_sigma(self):
        reasons = []
        mu = getattr(user_code, "mu", None)
        variance = getattr(user_code, "variance", None)
        sigma = getattr(user_code, "sigma", None)
        n = getattr(user_code, "n", None)
        p = getattr(user_code, "p", None)
        a = getattr(user_code, "a", None)
        b = getattr(user_code, "b", None)

        # Check exact parameters matching instructions
        if mu != 200: reasons.append("mu must be 200")
        if variance != 25: reasons.append("variance must be 25")
        if n != 20: reasons.append("n must be 20")
        if not (isinstance(p, (int, float)) and math.isclose(p, 0.05, rel_tol=1e-9)): 
            reasons.append("p must be 0.05")
        if not (isinstance(a, (int, float)) and math.isclose(a, 49.5, rel_tol=1e-9)): 
            reasons.append("a must be 49.5")
        if not (isinstance(b, (int, float)) and math.isclose(b, 50.5, rel_tol=1e-9)): 
            reasons.append("b must be 50.5")

        if not isinstance(sigma, (int, float)):
            reasons.append("sigma must be numeric")
        elif variance == 25:
            exp_sigma = math.sqrt(variance)
            if not math.isclose(sigma, exp_sigma, rel_tol=1e-9, abs_tol=1e-12):
                reasons.append(f"sigma must equal sqrt(variance): expected {exp_sigma}, got {sigma}")

        _dynamic(
            self,
            len(reasons) == 0,
            "PASS: parameters valid & sigma computed from variance",
            "FAIL: " + " | ".join(reasons) if reasons else "FAIL"
        )

    def test_functions_exist_and_return_sizes(self):
        reasons = []
        for name in ("sample_normal", "sample_binomial", "sample_uniform"):
            fn = getattr(user_code, name, None)
            if not callable(fn):
                reasons.append(f"{name} must be a function")

        if len(reasons) == 0:
            # Smoke-run with small sizes to confirm signatures
            try:
                random.seed(1)
                normals = user_code.sample_normal(user_code.mu, user_code.sigma, size=17)
                bins = user_code.sample_binomial(user_code.n, user_code.p, size=19)
                unis = user_code.sample_uniform(user_code.a, user_code.b, size=23)
                if not (len(normals) == 17 and len(bins) == 19 and len(unis) == 23):
                    reasons.append("sampling functions must respect the 'size' argument")
            except Exception as e:
                reasons.append(f"sampling call error: {e}")

        _dynamic(
            self,
            len(reasons) == 0,
            "PASS: sampling functions exist and respect sizes",
            "FAIL: " + " | ".join(reasons) if reasons else "FAIL"
        )

    def test_normal_sampling_stats(self):
        mu, sigma = 200, 5.0
        random.seed(12345)
        samples = user_code.sample_normal(mu, sigma, size=15000)
        arr = np.asarray(samples, dtype=float)

        reasons = []
        if arr.ndim != 1 or arr.size != 15000 or not np.isfinite(arr).all():
            reasons.append("sample_normal must return a 1D finite sequence of requested size")

        mean_tol = 0.12 * max(1.0, abs(sigma))
        std_tol  = 0.12 * max(1.0, abs(sigma))

        m = float(np.mean(arr))
        s = float(np.std(arr, ddof=0))
        if abs(m - mu) > mean_tol:
            reasons.append(f"Normal mean off: expected ~{mu}, got {m}")
        if abs(s - sigma) > std_tol:
            reasons.append(f"Normal std off: expected ~{sigma}, got {s}")

        _dynamic(
            self,
            len(reasons) == 0,
            "PASS: normal sampling ~correct mean/std",
            "FAIL: " + " | ".join(reasons) if reasons else "FAIL"
        )

    def test_binomial_sampling_stats(self):
        n, p = 20, 0.05
        random.seed(24680)
        samples = user_code.sample_binomial(n, p, size=20000)
        arr = np.asarray(samples, dtype=float)

        reasons = []
        if arr.ndim != 1 or arr.size != 20000:
            reasons.append("sample_binomial must return a 1D sequence of requested size")
        if np.min(arr) < 0 or np.max(arr) > n:
            reasons.append("binomial samples must lie in [0, n]")

        expected_mean = n * p
        expected_var = n * p * (1 - p)
        sample_mean = float(np.mean(arr))
        
        se = math.sqrt(expected_var / arr.size) if expected_var > 0 else 0.0
        margin = 6 * se if se > 0 else 0.15
        if abs(sample_mean - expected_mean) > margin + 0.05:
            reasons.append(f"Binomial mean off: expected ~{expected_mean}, got {sample_mean}")

        _dynamic(
            self,
            len(reasons) == 0,
            "PASS: binomial sampling ~correct mean & bounds",
            "FAIL: " + " | ".join(reasons) if reasons else "FAIL"
        )

    def test_uniform_sampling_stats(self):
        a, b = 49.5, 50.5
        random.seed(13579)
        samples = user_code.sample_uniform(a, b, size=20000)
        arr = np.asarray(samples, dtype=float)

        reasons = []
        if arr.ndim != 1 or arr.size != 20000:
            reasons.append("sample_uniform must return a 1D sequence of requested size")
        if np.min(arr) < a - 1e-9 or np.max(arr) > b + 1e-9:
            reasons.append("uniform samples must lie in [a, b]")

        expected_mean = (a + b) / 2.0
        expected_var = ((b - a) ** 2) / 12.0
        sample_mean = float(np.mean(arr))
        sample_var = float(np.var(arr, ddof=0))

        mean_tol = max(0.01, 0.05 * (b - a))
        var_tol  = max(0.01, 0.12 * expected_var)

        if abs(sample_mean - expected_mean) > mean_tol:
            reasons.append(f"Uniform mean off: expected ~{expected_mean}, got {sample_mean}")
        if abs(sample_var - expected_var) > var_tol:
            reasons.append(f"Uniform variance off: expected ~{expected_var}, got {sample_var}")

        _dynamic(
            self,
            len(reasons) == 0,
            "PASS: uniform sampling ~correct mean/var & range",
            "FAIL: " + " | ".join(reasons) if reasons else "FAIL"
        )

test_code.py

Hallitse data-analytiikan kannalta olennaiset matemaattiset perusteet. Tutustu keskeisiin käsitteisiin funktioissa, analyysissä, lineaarialgebrassa, todennäköisyyslaskennassa ja ulottuvuuden vähentämisessä. Rakenna sekä teoreettista ymmärrystä että käytännön ohjelmointitaitoja vahvistaaksesi kykyäsi analysoida dataa, mallintaa monimutkaisia järjestelmiä ja soveltaa edistyneitä koneoppimismenetelmiä.

Tutustu matemaattisten funktioiden perusteisiin. Opiskele erilaisia algebrallisia ja transsendenttisia funktioita, niiden ominaisuuksia sekä niiden toteuttamista Pythonilla reaalimaailman ongelmien ratkaisemiseksi.

Hallitse joukkojen ja sarjojen käsitteet perusoperaatioista käytännön sovelluksiin. Saat käytännön kokemusta joukko-operaatioiden toteuttamisesta sekä aritmeettisten ja geometristen sarjojen käsittelystä Pythonilla.

Kehitä vankka ymmärrys rajoista, derivaatasta, integraaleista ja osittaisderivaatasta. Yhdistä teoria käytäntöön toteuttamalla nämä käsitteet Pythonilla ja soveltamalla niitä optimointiin gradienttimenetelmän avulla.

Vahvista osaamista vektoreista, matriiseista ja muunnoksista. Opiskele hajotelmamenetelmiä ja ominaisarvoanalyysiä, ja syvennä käsitteitä Python-ohjelmointitehtävien sekä käytännön data-analytiikkasovellusten avulla.

Syvenny todennäköisyysteoriaan ja tilastotieteeseen. Tarkastele ehdollista todennäköisyyttä, Bayesin kaavaa ja tilastollisia tunnuslukuja. Toteuta keskeisiä käsitteitä Pythonilla, simuloi jakaumia ja vahvista osaamistasi haasteiden ja tietovisojen avulla.

Haaste: Laadunvalvonnan Otanta

Käytettävät kaavat

Normaalijakauman tiheysfunktio (PDF):

Keskihajonta varianssista:

Binomijakauman todennäköisyysfunktio (PMF):

Tasajakauman tiheysfunktio (PDF):

Ratkaisu