python抛硬币正反各出现一次的概率?
1、P（X=Y）=P（X=Y=0）+P（X=Y=1）=P（X=0）P（Y=0）+P（X=1）P（Y=1）=1/2*1/2+1/2*1/2=1/2 X+Y ~ B（2， p）。这是因为，随机变量X和Y相互独立du，且均服从于B（1，p），X+Y相当于独立重复做了两次抛硬币的实验，为2重贝努利概形，故X+Y ~ B（2， p）。
2、假设在该试验中正面朝上的概率为0.3，这意味着平均来说，我们可以期待有3次是硬币正面朝上的。我定义掷硬币的所有可能结果为k = np.arange（0，11）：你可能观测到0次正面朝上、1次正面朝上，一直到10次正面朝上。我使用stats.binom.pmf计算每次观测的概率质量函数。
3、例如，掷一硬币，可能出现正面或反面。随机现象的实现和对它的观察称为随机试验。随机试验的每一可能结果称为一个基本事件，一个或一组基本事件统称随机事件，或简称事件。典型的随机试验有掷骰子、扔硬币、抽扑克牌以及轮盘游戏等。事件的概率是衡量该事件发生的可能性的量度。
4、假设抛硬币的结果是随机的，并且正反两面出现的概率相等。那么，抛一枚硬币连续出现6次相同面的概率为：cssCopy codeP = （1/2）^6 = 1/64 ≈ 0.0156 即每次抛硬币连续出现6次相同面的概率大约为0.0156。
Python之动态规划算法
1、动态规划算法代码简洁，执行效率高。但是与递归算法相比，需要仔细考虑如何分解问题，动态规划代码与递归调用相比，较难理解。我把递归算法实现的代码也附在下面。有兴趣的朋友可以比较一下两种算法的时间复杂度有多大差别。
2、+...+n！的结果。在sum_of_factorial函数中，如果n等于1，则返回1；否则，递归调用factorial函数计算n的阶乘，并加上递归调用sum_of_factorial函数计算n-1的结果。
3、如果一个问题可以表示为更小规模的迭代运算，就可以使用递归算法。
python有没有快速抛硬币的方法呢?
用Python内置的random模块来随机选择硬币面。import random def flip_coin（）：return random.choice（[正面， 反面]）print（flip_coin（）使用random.choice（）函数从一个包含“正面”和“反面”的列表中随机选择一个元素。
首先打开python自带的IDLE，打开IDLE并ctrl+n新建如图界面。导入random模块的choice功能。在列表中放置up和down这两个元素，这里表示正面朝上和正面朝下。因为不考虑硬币立着的奇葩设定，所以只加这个上和下。并且把列表赋予给coin这个变量。
由于硬币只有正反两面，因此p+（1-p）=1，即p=0.5。带入公式得到：P = 2 * 0.5 * 0.5 = 0.5 因此，python抛硬币正反各出现一次的概率是0.5。
你可以想象一个用抛硬币方法完成的一维随机漫步。假设你站在一个长直的人行道上，你的前后都无限延伸。你抛起一枚硬币，如果它的正面朝上，你则向前走一步，如果背面朝上，你则退后一步。假设你完成了一个n步的随机漫步。
随机变量是对一次试验结果的量化。举个例子，一个表示抛硬币结果的随机变量可以表示成 Python 1 2 X = {1 如果正面朝上，2 如果反面朝上} 随机变量是一个变量，它取值于一组可能的值（离散或连续的），并服从某种随机性。随机变量的每个可能取值的都与一个概率相关联。