python生成一百个1-2之间的随机数

以下是生成一百个1-2之间的随机数的Python代码：

import random

random_numbers = []

for i in range(100):
    random_number = random.uniform(1, 2)
    random_numbers.append(random_number)

print(random_numbers)

这个代码使用了Python的`random`模块来生成随机数。`random.uniform()`函数可以生成指定范围内的随机数，包括上限和下限。在这个例子中，我们使用了`range()`函数来循环100次，每次都生成一个1-2之间的随机数，然后将它们添加到一个列表中。最后，我们打印出这个列表以查看结果。

相关问题

写出Python程序：随机产生一百万零一个1-20之间的整数，统计其中各个质数的出现次数，按出现次数降序输出每个数字，出现次数。

可以使用Python中的random库来生成随机数，然后使用for循环遍历每个数字，判断其是否为质数，并统计出现次数。最后可以使用sorted函数按出现次数降序排序输出。

以下是实现代码：

import random

# 生成一百万个随机数
nums = [random.randint(1, 20) for _ in range(1000000)]

# 统计质数出现次数
prime_count = {}
for num in nums:
    if num < 2:
        continue
    for i in range(2, int(num ** 0.5) + 1):
        if num % i == 0:
            break
    else:
        if num not in prime_count:
            prime_count[num] = 0
        prime_count[num] += 1

# 按出现次数降序排序并输出
for num, count in sorted(prime_count.items(), key=lambda x: x[1], reverse=True):
    print(num, count)

注：由于质数判断的算法时间复杂度较高，如果生成的数字范围更大，需要使用更高效的算法。

蒙特卡洛模拟，生成两百个随机数，前一百个符合N（0，1），后一百个符合N（α，1），对于每一个α，做突变检验

蒙特卡洛模拟是一种基于统计学原理的数值计算方法，尤其适用于难以解析求解的问题。它通过大量随机抽样来估算概率分布、函数值或其他复杂现象的概率。在这个场景中，你想要生成两个长度为200的随机数序列：

1. **先生成标准正态分布（N(0,1)）**：前100个数按照平均值0和标准差1的标准正态分布生成。这通常可以用Python的numpy库中的`random.normal()`函数完成。

import numpy as np

std_normal = np.random.normal(loc=0, scale=1, size=100)

2. **然后生成偏斜正态分布（N(α,1)）**：后100个数是平均值为α，标准差仍为1的分布。你需要遍历不同的α值（例如，你可以设置一个列表来存储所有α值），对每个α，用相同的随机生成函数替换掉均值：

alpha_values = [0.5, -1.0, 2.0]  # 根据需要设定α值
skewed_normals = [np.random.normal(loc=alpha, scale=1, size=100) for alpha in alpha_values]

**突变检验**：这个术语可能是指某种假设检验或模型验证过程，比如对于每个α，你可能会检查生成的偏斜正态数列是否符合期望的分布形态，或者对比不同α下的结果是否有显著差异。具体的检验方法取决于你的研究目标，常见的有Kolmogorov-Smirnov检验、Shapiro-Wilk检验等。