处理数据不确定性的算法代码

处理数据不确定性的算法代码有很多种，下面给出一种常见的方法——蒙特卡罗模拟的示例代码。

蒙特卡罗模拟是一种基于随机抽样的方法，可以处理数据不确定性的问题。其基本思路是通过对随机变量进行多次抽样，得到一系列的样本，然后利用这些样本进行统计分析，从而得到对随机变量的概率分布、期望值、方差等统计指标的估计。

下面是一个简单的蒙特卡罗模拟的示例代码，用于估计一个随机变量的期望值和方差：

import random

def monte_carlo_sim(N):
    # N为模拟次数
    samples = []
    for i in range(N):
        # 进行随机抽样
        x = random.uniform(0, 1)
        samples.append(x)
    # 计算期望值和方差
    mean = sum(samples) / N
    var = sum([(x - mean)**2 for x in samples]) / N
    return mean, var

# 示例：估计随机变量X的期望值和方差，其中X服从均匀分布U(0,1)
mean, var = monte_carlo_sim(10000)
print("估计的期望值为：", mean)
print("估计的方差为：", var)

以上代码中，我们通过多次随机抽样，得到了一系列的样本，然后利用这些样本计算了随机变量的期望值和方差。这个示例中，我们假设随机变量X服从均匀分布U(0,1)，但实际上，蒙特卡罗模拟可以处理各种类型的随机变量，只需要根据实际情况进行修改即可。