用Python+NumPy让概率论公式活起来：5个实战案例带你玩转统计模拟

概率论课本上那些晦涩的公式是否让你望而生畏？二项分布、大数定律、中心极限定理这些概念是否总在考试后就从脑海中消失？本文将彻底改变你对概率论的认知方式——通过Python代码，我们将把这些抽象理论转化为可视化的实验和可操作的案例。

1. 从抛硬币开始：理解二项分布的本质

二项分布描述了在n次独立试验中事件发生次数的概率分布。让我们用NumPy模拟抛硬币实验，直观感受这个分布。

python复制import numpy as np
import matplotlib.pyplot as plt

# 模拟1000次实验，每次抛硬币10次
n_trials = 1000
n_flips = 10
p_heads = 0.5

results = np.random.binomial(n_flips, p_heads, size=n_trials)

# 绘制结果直方图
plt.hist(results, bins=range(n_flips+2), density=True, alpha=0.7, rwidth=0.8)
plt.title('二项分布模拟 (n=10, p=0.5)')
plt.xlabel('正面朝上的次数')
plt.ylabel('概率')
plt.xticks(range(n_flips+1))
plt.grid(True)
plt.show()

运行这段代码，你会看到一个完美的钟形曲线——这正是二项分布在p=0.5时的对称形态。尝试修改p_heads的值（比如0.3），观察分布如何变得不对称。

关键发现：

• 当试验次数足够大时，二项分布的形状会趋近于正态分布
• 概率p决定了分布的偏斜方向
• 试验次数n影响分布的宽度和峰值高度

提示：在实际应用中，二项分布常用于质量控制（如次品率）、医学试验（如药物有效性）等领域。

2. 大数定律的直观验证：赌场为什么总能赚钱

大数定律告诉我们，随着试验次数的增加，样本均值会趋近于理论期望值。让我们用Python见证这一神奇现象。

python复制# 模拟掷骰子实验
dice_outcomes = [1, 2, 3, 4, 5, 6]
expected_value = np.mean(dice_outcomes)  # 理论期望值3.5

sample_means = []
for n in range(1, 1001):
    samples = np.random.choice(dice_outcomes, size=n)
    sample_means.append(np.mean(samples))

plt.plot(range(1, 1001), sampl