1. bibliothèque appel aléatoire
importation aléatoire
ou
de Random importation *
bibliothèque de 2.random de fonctions couramment utilisées
fonctions décrites
SEED () pour initialiser le germe de nombre aléatoire, la valeur par défaut est le temps de système actuel
aléatoire () générer aléatoirement un nombre décimal entre [0.0,1.0)
randint (a, b) génère aléatoirement un entier dans [a, b]
randrange (a, b, c) génère aléatoirement un
uniforme entier (a, b) entre [a, b) avec une taille de pas de c Générez aléatoirement un
choix décimal aléatoire ( [a, b] ) à partir du type de séquence (comme une liste) pour renvoyer aléatoirement un élément
shuffle () pour mélanger les éléments dans la séquence et retourner
2. Experiment
>>> random ()
0.8212324692623353
>>> randint (1,10)
9
>>> randrange (1,10,2)
3
>>> uniforme (1,5)
2.5155496299589983
>>> choix (plage (20))
2
>>> s = (1 , 5,6,9,8,7]
>>> mélange (s)
>>> impression (s)
[1, 5, 9, 8, 7,6]
>>> choix (s)
9
2.2 Application de la fonction seed ()
Avant de générer un nombre aléatoire, vous pouvez d'abord spécifier une graine de nombre aléatoire via la fonction seed (). La graine de nombre aléatoire est généralement un entier. Tant que la graine est la même, la séquence de nombres aléatoires générée à chaque fois est également la même
2.2. Exemple
>>> "{}". Format (randint (1,10))
'10'
>>> "{}". Format (randint (1,10))
'1'
>>> seed (10)
>>> "{}". format (randint (1,10))
'10'
>>> "{}". format (randint (1,10))
'1'
Nous avons attribué la graine deux fois, la première Les résultats des première et deuxième fois sont exactement les mêmes, nous pouvons donc connaître le rôle des graines de nombres aléatoires.
2. Les
nombres aléatoires étendus et les événements aléatoires sont incertains, et leurs résultats sont imprévisibles et imprévisibles avant d'être générés. Cependant, le nombre aléatoire généré par l'ordinateur est prévisible et déterminable, car le nombre aléatoire généré par l'ordinateur est le produit de l'algorithme (algorithme de Mersenne Twister), de sorte que le résultat généré par l'ordinateur est appelé "nombre pseudo aléatoire". Il ressort de la fonction seed () ci-dessus que la bibliothèque aléatoire génère à chaque fois une séquence de nombres pseudo-aléatoires.
3 Devinez le jeu
Q: Veuillez prédéfinir un entier entre 1 et 10, laissez l'utilisateur faire une supposition, s'il est supérieur au nombre prédéfini, il affichera une invite trop grande, s'il est inférieur au nombre prédéfini, il apparaîtra trop petit Rapide. Répétez de cette façon jusqu'à ce que vous deviniez le numéro prédéfini.
from random import *
num = randint (1,10) tnum
= eval (input ("Please guess an integer between 0 ~ 9:"))
while num! = tnum:
if num <tnum:
print ("Big" )
tnum = eval (input ("Veuillez deviner à nouveau un entier entre 0 ~ 9:"))
elif num> tnum:
print ("Small")
tnum = eval (input ("Veuillez deviner à nouveau entre 0 ~ 9) Un entier entre: "))
else:
print (" Vous l'avez deviné ")
Ajoutez une question: Si vous voulez afficher le nombre total de suppositions à la fin, comment devez-vous modifier le programme?
à partir d'une importation aléatoire *
num = randint (1,10)
count = 1
tnum = eval (input ("Please guess an integer between 0 ~ 9:"))
while num! = tnum:
count + = 1
if num < tnum:
print ("Big")
tnum = eval (input ("Veuillez deviner à nouveau un entier entre 0 ~ 9:"))
elif num> tnum:
print ("Small")
tnum = eval (input ("Please Encore une fois, devinez un entier entre 0 et 9: "))
else:
print (" Vous l'avez deviné correctement ")
print (" Vous l'avez deviné {} fois ".format (count))
4. Le problème de la porte de la voiture
:
Il y a 3 portes fermées, une voiture est garée derrière une porte et les chèvres sont derrière les autres. Seul l'hôte sait ce qu'il y a derrière chaque porte. Les participants peuvent choisir une porte. Avant de l'ouvrir, l'hôte ouvrira une autre porte, exposant la chèvre derrière la porte, puis permettra au candidat de changer son choix.
Je voudrais demander:
Analysez sérieusement, pouvez-vous avoir plus de chances d'obtenir une voiture si vous ne changez pas l'option, ou pouvez-vous avoir plus de chances d'obtenir une voiture en changeant l'option?
à partir de l'importation aléatoire * #Introduction de la bibliothèque de fonctions aléatoires
x = 12345 #Nombre de jeux joués
c = 0
#Nombre de changements d'initialisation pour la sélection uc = 0 #Nombre de changements d'initialisation pour la sélection
pour i dans la plage (1, x + 1):
a = randint (1,3) #La première porte sélectionnée
b = randint (1,3) #La deuxième porte sélectionnée
si a == b:
uc + = 1 #Lorsque la sélection n'est pas modifiée, le nombre de fois + 1
sinon :
c + = 1 #Lors de la modification de la sélection, augmentez le nombre de fois de +1
print ("La probabilité d' obtenir une voiture sans changer la sélection: {}". format (uc / x))
print (" La probabilité d' obtenir une voiture en changeant la sélection: { } ". format (c / x))
---------------------------------------- --------------------- #La probabilité d'obtenir une voiture sans modifier la
sortie
: 0,33584447144592955 La probabilité d'obtenir
une voiture après avoir modifié la sélection: 0,6641555285540705
4. Résumé Lorsque vous
ne modifiez pas la sélection La probabilité de choisir une voiture est en fait de 1/3, soit vous choisissez la porte de la voiture, soit vous choisissez deux moutons.
Il y a trois situations lors du changement de sélection. La première est que la voiture est sélectionnée au début. Après avoir changé la sélection, vous obtenez les moutons. Soit les deux moutons ont été choisis au début, et la voiture doit être sélectionnée lors du changement, donc la probabilité est de 2/3.
Expliqué de cette façon, plus le déroulement du programme, nous pouvons savoir que la probabilité d'obtenir une voiture sera plus grande lorsque vous changerez de choix!
————————————————
Déclaration de droit d'auteur: Cet article est un article original du blogueur CSDN "Ultimate_dream", suivant l'accord de droit d'auteur CC 4.0 BY-SA, veuillez joindre le lien source d'origine et cette déclaration pour réimpression .
Lien d'origine: https://blog.csdn.net/Ultimate_dream/article/details/105644648