利用python的numpy库模拟掷骰子游戏，并通过统计学原理分析掷出特定点数的概率

利用numpy库模拟掷骰子游戏，并通过统计学原理分析掷出特定点数的概率。

这个脚本首先定义了一个函数roll_dice，用于模拟掷骰子游戏。通过设置骰子面数和投掷次数，我们可以得到大量数据来分析各种点数出现的频率和概率。最后，我们检查了模拟结果与理想中的均匀分布（每个点数出现的概率都是1/6）之间的差异，以及这种差异的波动情况，这是对概率论和统计学基本概念的一次趣味实践应用。

import numpy as np

# 定义一个函数来模拟掷骰子的过程
def roll_dice(n_sides=6, rolls=100000):
    # 使用numpy生成随机整数数组，模拟多次掷骰子的结果
    dice_rolls = np.random.randint(1, n_sides + 1, size=rolls)
    
    # 计算每个点数出现的次数
    frequencies = np.bincount(dice_rolls)

    # 计算每个点数出现的概率（近似值）
    probabilities = frequencies / rolls

    return probabilities, frequencies

# 执行模拟并打印结果
probabilities, frequencies = roll_dice()
print("各点数出现的频率：", frequencies)
print("各点数出现的概率（近似）：", probabilities)

# 检查是否符合概率论中均匀分布的预期
expected_prob = 1 / 6  # 骰子是公平的情况下，每个点数的概率应该是1/6
for p in probabilities:
    print(f"点数出现的实际概率与理论概率偏差：{abs(p - expected_prob)}")

# 计算实际概率与理论概率之差的绝对值的标准差，以评估其接近均匀分布的程度
std_deviation = np.std(np.abs(probabilities - expected_prob))
print(f"实际概率与理论概率之差的绝对值的标准差：{std_deviation}")