Python使用random和tertools模塊解一些經典概率問題
random 模塊中的常用函數
random()
返回一個位于區(qū)間 [0,1] 內的實數;
uniform(a, b)
返回一個位于區(qū)間 [a,b] 內的實數;
randint(a, b)
返回一個位于區(qū)間 [a,b] 內的整數;
choice(sequence)
返回一個位于 sequence 中的元素,其中,sequence 為一個有序序列,如 list、string 或者 tuple 等類型;
randrange([start], stop[, step])
等效于 choice(range([start], stop[, step]));
shuffle(sequence [, random])
無返回值,用于打亂 sequence 中元素的排列順序;
sample(sequence, n)
返回一個由 n 個 sequence 中的元素組成的分片,其中,sequence 也可以是 set 類型。
利用 itertools 得到排列、組合
permutations(sequence, k))
從序列 sequence 中得到包含 k 個元素的所有排列。
combinations(sequence, k))
從序列 sequence 中得到包含 k 個元素的所有組合。
羊車門問題
有一個抽獎節(jié)目,臺上有三扇關閉的門,一扇門后面停著汽車,其余門后都是山羊,只有主持人知道每扇門后面是什么。參賽者可以選擇一扇門,在開啟它之前,主持人會開啟另外一扇門,露出門后的山羊,然后允許參賽者更換自己的選擇。問題是:參賽者更換選擇后能否增加贏得汽車的機會?
有很多時候,我們并不知道自己的理論分析正確與否,但如果知道概率論中的 大數定律,又碰巧懂一點編程,無疑可以利用計算機重復模擬事件以求解問題。該問題的 Python 3.x 解答程序如下:
from random import *
def once(doors = 3): # 一次事件的模擬
car = randrange(doors) # 一扇門后面停著汽車
man = randrange(doors) # 參賽者預先選擇一扇門
return car == man # 參賽者是否最初就選擇到車
h = 0 # 堅持選擇贏得汽車的次數
c = 0 # 改變選擇贏得汽車的次數
times = int(1e6) # 重復實驗的次數
for i in range(times):
if once(): h += 1
else: c += 1
print("維持選擇:",h/times*100,"%\n改變選擇:",c/times*100,"%")
運行結果:
維持選擇: 33.268 %
改變選擇: 66.732 %
撲克牌問題
概率論給我們帶來了很多匪夷所思的反常結果,條件概率尤其如此。譬如:
四個人打撲克,其中一個人說,我手上有一個 A。請問他手上有不止一個 A 的概率是多少?
四個人打撲克,其中一個人說,我手上有一個黑桃 A。請問他手上有不止一個 A 的概率又是多少?
from random import *
cards = [i for i in range(52)]
counter = [0, 0, 0, 0]
def once(): # 0 表示黑桃 A
global cards
ace = set(sample(cards, 13)) & {0,1,2,3}
return len(ace), 0 in ace
for i in range(int(1e6)):
a, s = once() # a 表示 A 的個數, s 表示是否有黑桃 A
if a:
counter[1] += 1
if s: counter[3] += 1
if a > 1:
counter[0] += 1
if s: counter[2] += 1
print('情況一:', counter[0]/counter[1], '\n情況二:', counter[2]/counter[3])
運行結果:
情況一: 0.3694922900321386
情況二: 0.5613778028656186
有趣的事情出來了:如果這個人宣布了手中 A 的花色,他手中持有多個 A 的概率竟然會大大增加??蛇@又該如何理解呢?
一個家庭中有兩個小孩,已知其中一個是女孩,求另一個小孩也是女孩的概率
網絡上每一次有人發(fā)帖提出與條件概率有關的悖論時,總會引來無數人的圍觀和爭論,哪怕這些問題的實質都是相同的。本題目無疑是爭論的最多的問題之一。
說起來網上的分析都像模像樣,一些原本都迷糊的人被人講的暈頭轉向,一會覺得這個對,一會又覺得那個對?,F在我不給你分析那些道理,就用計算機來模擬問題,讓你直接得到結論,而毋須明白個中緣由。
from random import * # 0 表示女孩,1 表示男孩
family = (lambda n :[{randrange(2),randrange(2)} for i in range(n)])(int(1e6))
both = family.count({0}) # 都是女孩的家庭數
exist = len(family) - family.count({1}) # 有女孩的家庭數
print(both/exist)
運行結果:
0.33332221770186543
沒有那些深奧的分析過程,寥寥數行代碼就得到了問題的答案,想必這也是計算機引入數學計算與證明的好處。
生日悖論
每個人都有生日,偶爾會遇到與自己同一天過生日的人,但在生活中這種緣分似乎并不常有。我們猜猜看:在 50 個人當中出現這種緣分的概率有多大,是 10%、20% 還是 50%?
from random import *
counter, times = 0, int(1e6)
for i in range(times):
if len({randrange(365) for i in range(50)}) != 50: # 存在同一天生日的人
counter += 1
print('在 50 個人中有相同生日的概率為:',counter/times)
運行結果:
在 50 個人中有相同生日的概率為: 0.970109
在 50 個人中有相同生日的概率高達 97%,這個數字恐怕高出了絕大多數人的意料。我們沒有算錯,是我們的直覺錯了,科學與生活又開了個玩笑。正因為計算結果與日常經驗產生了如此明顯的矛盾,該問題被稱為「生日悖論」,它體現的是理性計算與感性認識的矛盾,并不引起邏輯矛盾,所以倒也算不上嚴格意義上的悖論。
相關文章
Pytorch在dataloader類中設置shuffle的隨機數種子方式
今天小編就為大家分享一篇Pytorch在dataloader類中設置shuffle的隨機數種子方式,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01Pytorch 解決自定義子Module .cuda() tensor失敗的問題
這篇文章主要介紹了Pytorch 解決自定義子Module .cuda() tensor失敗的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-06-06tensorflow 2.0模式下訓練的模型轉成 tf1.x 版本的pb模型實例
這篇文章主要介紹了tensorflow 2.0模式下訓練的模型轉成 tf1.x 版本的pb模型實例,具有很好的參考價值,希望對大家有所幫助。一起跟隨想過來看看吧2020-06-06Python庫urllib與urllib2主要區(qū)別分析
這篇文章主要介紹了Python庫urllib與urllib2主要區(qū)別,需要的朋友可以參考下2014-07-07