如何在python中模拟偏向硬币的翻转?

random.random() 返回A 均匀分布 范围[0,1]中的伪随机浮点数。这个数字小于给定的数字 p 在[0,1)的概率范围内 磷 . 因此:

def flip(p):
    return 'H' if random.random() < p else 'T'

一些实验:

>>> N = 100
>>> flips = [flip(0.2) for i in xrange(N)]
>>> float(flips.count('H'))/N
0.17999999999999999  # Approximately 20% of the coins are heads

>>> N = 10000
>>> flips = [flip(0.2) for i in xrange(N)]
>>> float(flips.count('H'))/N
0.20549999999999999  # Better approximation 

是否希望“偏差”基于对称分布?或者可能是指数分布?高斯有人吗?

好吧,这里有所有的方法,都是从随机文档中提取出来的。

首先,三角形分布的一个例子:

print random.triangular(0, 1, 0.7)

random.triangular(low, high, mode) :

返回随机浮点数 N 这样 low <= N < high 和 在它们之间的指定模式 界限。这个 low 和 high 界限 默认为 零 和 一 . 这个 mode 参数默认为中点 在边界之间,给出对称的 分布。

random.betavariate(alpha, beta) :

β分布。参数的条件是 alpha > 0 和 beta > 0 . 返回值的范围介于 0 和 1 .

random.expovariate(lambd) :

指数分布。 lambd 是 1.0 除以期望的平均值。它应该 是 非零 . (参数为 被称为“爱” lambda __,但这是 python中的保留字。)返回 值的范围从 零 到 积极的 无穷 如果 兰伯德 是积极的,并且 从 负无穷大 到 零 如果 兰伯德 是否定的。

random.gammavariate(alpha, beta) :

伽马分布。(不是伽马 函数!条件 参数是 Alpha & Gt;0 和 β& gt;0 .

random.gauss(mu, sigma) :

高斯分布。 mu 是中庸,而且 sigma 是标准 偏离。这个稍微快一点 比 normalvariate() 功能 定义如下。

random.lognormvariate(mu, sigma) :

对数正态分布。如果你采取 这个的自然对数 分布,你会得到一个正态 平均分布 穆 标准 偏离 西格玛 . 穆 可以有任何 价值,以及 西格玛 必须大于 零 .

random.normalvariate(mu, sigma) :

正态分布。 穆 是平均值, 和 西格玛 是标准偏差。

random.vonmisesvariate(mu, kappa) :

穆 是平均角,用 弧度间 零 和 2*pi 和 kappa 是浓度参数,其中 必须大于或等于 零 . 如果 卡帕 等于 零 ,这个 分布减少为均匀分布 范围内的随机角度 零 到 2×PI .

random.paretovariate(alpha) :

帕累托分布。 alpha 是 形状参数。

random.weibullvariate(alpha, beta)

威布尔分布。 阿尔法 是 比例参数和 beta 是形状 参数。

import random
def flip(p):
    return (random.random() < p)

它返回一个布尔值,您可以使用它来选择H或T(或在任意两个值之间进行选择)。您还可以在方法中包括选择:

def flip(p):
    if random.random() < p:
        return 'H'
    else:
        return 'T'

但这样做一般不会那么有用。

怎么样:

import numpy as np
n, p = 1, .33  # n = coins flipped, p = prob of success
s = np.random.binomial(n, p, 100)

• 导入介于0-1之间的随机数(可以使用RandRange函数)

• 如果数字高于(1-p),返回尾部。

• 否则,返回头