import numpy
import math
def em_single(theta,o):#對於當前的模型求對應的期望值(估算步驟)
# 三個值分別為選擇硬幣c1的概率、拋c1硬幣為正面的概率、拋c2硬幣為正面的概率。
pi=theta[0]
h1=theta[1]
h2=theta[2]
new_pi=0
new_h1=0
new_h2=0
pb=head=
for o in o:
t=len(o)
cnt = o.sum()#正面的數量
for o in o:
t=len(o)
heads = o.sum()#正面的數量
tails=t-heads#反面的數量
u=(pi*math.pow(h1,heads)*math.pow(1-h1,tails))/(pi*math.pow(h1,heads)*math.pow(1-h1,tails)+(1-pi)*math.pow(h2,heads)*math.pow(1-h2,tails))
l=len(pb)
new_pi=sum(pb)/l
for i in range(l):
new_h1+=pb[i]*head[i]/t
new_h2+=(1-pb[i])*head[i]/t
new_h1=new_h1/sum(pb)
new_h2=new_h2/(l-sum(pb))#因為有c1 c2兩種可能，總觀測數減去c1的即為c2的
return [new_pi,new_h1,new_h2]
def em(theta,y,tol):#最大化步驟
j=0while j<1000:
new_theta=em_single(theta,y)
change=numpy.abs(new_theta[0] - theta[0])
if change,,,}
[0,0,0],
[1,1,1],
[0,0,0]])
theta=[0.3,0.3,0.6]
t=len(theta)
print("初始引數為:")
print(theta)
theta=em(theta,o,1e-15)
初始引數為:
[0.3, 0.3, 0.6]
迭代後的引數為:
[0.3737649610410474, 0.0680206318504191, 0.7578245253976398]
迭代後的引數為:
[0.4859367224237726, 0.0004438948678989641, 0.9722232981496766]
迭代後的引數為:
[0.49998864947922056, 8.997364138533166e-11, 0.9999772993837971]
迭代後的引數為:
[0.49999999999999417, 7.2837620757937955e-31, 0.9999999999999885]
迭代後的引數為:
[0.5, 3.864268131526994e-91, 1.0]
python numpy 隨機拋硬幣
使用二項分布進行計算.同時拋棄 5枚硬幣，如果正面朝上少於 3枚，則輸掉 8元，否則就贏 8元。如果手中有 1000 元作為賭資，請問賭博 10000 次後可能會是什麼情況呢？實現 import numpy as np 匯入畫圖模組 from matplotlib.pyplot import plo...
拋硬幣 函式遞迴
學習記錄 連續拋硬幣n次，那麼不連續出現正面的可能情況有多少種 即任何相鄰兩次都不全是正面 輸入只有一行乙個整數n，表示拋n次硬幣。1 n 14 寫乙個程式，輸出所有的可能情況 用0表示反面，1表示正面 輸出有m 1行。前m行輸出每一種可能情況，不同情況按照字典序從小到大排列。最後一行輸出乙個數字m...
關於 拋硬幣 的思考
首先，我們都知道乙個硬幣隨機丟擲，字朝上 與 花朝上 的概率都是50 這條規則對於丟擲的次數越多越適用。例如，丟擲次數為1萬次，那麼字朝上的次數大約為5千次。但是，如果丟擲次數為3次或者較少的次數，那麼可能出現 字朝上 的次數不佔總數的一半。從而我們可以下乙個結論，50 屬於總體事件的概率。由於總體...