Как я моделирую зеркальное отражение смещенной монеты в Python?

Вы хотите, чтобы "смещение" было основано на симметричном распределении? Или, может быть, экспоненциальное распределение? Гауссовский кто-нибудь?

Ну, вот все методы, взятые из самой случайной документации.

Во-первых, пример треугольного распределения:

print random.triangular(0, 1, 0.7)

random.triangular(low, high, mode) :

Возвращает случайное число с плавающей запятой N, такое что low <= N < high и с указанным режимом между этими границами. Границы low и high по умолчанию равны нулю и единице . По умолчанию аргумент mode соответствует средней точке между границами, что дает симметричное распределение.

random.betavariate(alpha, beta) :

Бета-распределение. Условиями параметров являются alpha > 0 и beta > 0. Диапазон возвращаемых значений между 0 и 1.

random.expovariate(lambd) :

Экспоненциальное распределение. lambd делится на 1.0 на желаемое среднее значение. Должен быть ненулевой . (Параметр будет называться « lambda », но это зарезервированное слово в Python.) Возвращаемые значения варьируются от 0 до положительной бесконечности , если lambd положительно и от отрицательная бесконечность до 0, если lambd отрицательно.

random.gammavariate(alpha, beta) :

Гамма-распределение. (Не гамма-функция!) Условия для параметров: alpha > 0 и beta > 0.

random.gauss(mu, sigma) :

Гауссово распределение. mu - это среднее значение, а sigma - стандартное отклонение. Это немного быстрее, чем функция normalvariate(), определенная ниже.

random.lognormvariate(mu, sigma) :

Регистрировать нормальное распределение. Если вы возьмете натуральный логарифм этого распределения, вы получите нормальное распределение со средним mu и стандартным отклонением sigma. mu может иметь любое значение, и sigma должно быть больше, чем ноль .

random.normalvariate(mu, sigma) :

Нормальное распределение. mu - это среднее значение, а sigma - стандартное отклонение.

random.vonmisesvariate(mu, kappa) :

mu - средний угол, выраженный в радианах между 0 и 2*pi, а kappa - параметр концентрации, который должен быть больше или равно нулю . Если kappa равно нулю , это распределение уменьшается до равномерного случайного угла в диапазоне от 0 до 2*pi.

random.paretovariate(alpha) :

Распределение по Парето. alpha - это параметр формы.

random.weibullvariate(alpha, beta)

Распределение Вейбулла. alpha является параметром масштаба, а beta является параметром формы.

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

Возвращает логическое значение, которое затем можно использовать для выбора H или T (или выбора между любыми двумя значениями), которые вы хотите. Вы также можете включить выбор в метод:

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

, но в целом он будет менее полезен.

• Импортировать случайное число в диапазоне от 0 до 1 (вы можете использовать функцию randrange)

• Если число выше (1-p), вернуть хвосты.

• Остальное, возвратные головки

Можно выбрать от X ~ Bernoulli(p) распределение nsamples времена с помощью sympy также:

from sympy.stats import Bernoulli, sample_iter
list(sample_iter(Bernoulli('X', 0.8), numsamples=10)) # p = 0.8 and nsamples=10
# [1, 1, 0, 1, 1, 0, 1, 1, 1, 1]

Возврат 'H' или 'T' вместо этого использование

def flip(p, n):
    return list(map(lambda x: 'H' if x==1 else 'T', sample_iter(Bernoulli('X', p), numsamples=n)))

print(flip(0.8, 10)) # p = 0.8 and nsamples=10
# ['H', 'H', 'T', 'H', 'H', 'T', 'H', 'H', 'H', 'H']

import random
def flip():
    return ["H" if random.randint(0,3) <= 2 else "T" for i in range(10)]

Прямо сейчас вероятность Головы составляет 75%, и хвосты 25% (0,1,2, все Головы, и только 3 - Хвосты). При помощи random.randint () у Вас могла быть любая вероятность предвзятости при тихом поддержании случайности.