如何模擬python中偏向硬幣的翻轉？

在無偏見的投幣機中，H或T發生50％的次數。如何模擬python中偏向硬幣的翻轉？

但我想模擬硬幣，它給概率'p'的H和概率'（1-p）'的T。

是這樣的：

def flip(p): 
    '''this function return H with probability p''' 
    # do something 
    return result 

>> [flip(0.8) for i in xrange(10)] 
[H,H,T,H,H,H,T,H,H,H]

來源

2009-01-25 Pratik Deoghare

random.random()在範圍[0返回均勻分佈僞隨機浮點數，1）。此數字小於給定數字p，範圍爲[0,1），概率爲p。因此：

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

一些實驗：

>>> 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

來源

2009-01-25 06:17:59

1：如果不是`更好{TRUE： 'H'，假： 'T'} [random.random（） 2009-01-25 14:13:42

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

一個返回boolean值，然後您可以使用選擇H或T（或任何兩個值之間選擇），你想要的。您也可以在方法中包含選項：

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

但是這種方式通常不會那麼有用。

來源

2009-01-25 06:14:29

導入0之間的隨機數 - 1（可使用randrange功能）
如果數字爲上述（1-P），返回尾巴。
否則，返回頭

來源

2009-01-25 06:17:46 Colin

你想要的「偏見」是基於對稱distribuition？或者也許是指數分佈？高斯人？

那麼，這裏是所有的方法，從隨機文件本身提取。

首先，三角形分佈的一個例子：

print random.triangular(0, 1, 0.7)

random.triangular(low, high, mode)：

返回一個隨機浮點數N使得low <= N < high和與邊界之間的指定的模式。 low和high界限默認爲零和一個。 mode 參數默認爲邊界之間的中點，給出對稱的分佈。

random.betavariate(alpha, beta)：

Beta分佈。參數條件是alpha > 0和 beta > 0。返回值範圍在0和1之間。

random.expovariate(lambd)：

指數分佈。 lambd是1.0 除以所需的平均值。它應該是是非零。（該參數將是稱爲「lambda」，但是這是在Python 保留字。）返回值的範圍從0到正無窮如果lambd是正的，並且從負無窮到0如果lambd 是負數。

random.gammavariate(alpha, beta)：

Gamma分佈。（不是gamma 函數！）參數的條件是alpha > 0和beta > 0。

random.gauss(mu, sigma)：

高斯分佈。 mu是平均值，而sigma是標準差。這比以下定義的normalvariate()函數稍快。

random.lognormvariate(mu, sigma)：

數正態分佈。如果您採用這個分佈的自然對數，您將得到一個正態分佈，分佈均值爲mu和標準偏差sigma。 mu可以有任何值，並且sigma必須大於零。

random.normalvariate(mu, sigma)：

正態分佈。 mu是平均值，和sigma是標準差。

random.vonmisesvariate(mu, kappa)：

mu是平均角度，0和2*pi，和kappa 之間表達弧度是濃度參數，該參數必須大於或等於零。如果kappa等於零，這分佈在範圍0到2*pi降低至均勻隨機角度。

random.paretovariate(alpha)：

帕累託分佈。 alpha是形狀參數。

random.weibullvariate(alpha, beta)

Weibull分佈。 alpha是比例參數，而beta是參數的形狀。

來源

2009-01-25 23:24:57 nosklo

非常豐富。 – 2009-01-28 04:21:48

如何：

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

來源

2014-08-24 09:09:20 ticktock

如何模擬python中偏向硬幣的翻轉？

回答

相關問題