3居房屋，每间房的成交概率为9/10，问成交1间的概率、成交2间的概率、成交3间的概率

假设每间房的成交与否是相互独立的事件，则成交1间的概率为：

P(成交1间) = C(3,1) * (9/10)^1 * (1/10)^2 = 0.27

其中，C(3,1)表示从3间房中选取1间房成交，(9/10)^1表示成交这1间房的概率，(1/10)^2表示不成交的2间房的概率。

成交2间的概率为：

P(成交2间) = C(3,2) * (9/10)^2 * (1/10)^1 = 0.243

其中，C(3,2)表示从3间房中选取2间房成交，(9/10)^2表示成交这2间房的概率，(1/10)^1表示不成交的1间房的概率。

成交3间的概率为：

P(成交3间) = C(3,3) * (9/10)^3 * (1/10)^0 = 0.729

其中，C(3,3)表示从3间房中选取3间房成交，(9/10)^3表示成交这3间房的概率，(1/10)^0表示不成交的0间房的概率。

相关问题

设置一个变量，在1-100间，变量的值概率为最大，其他值递减，0和100概率为万分之一

为了实现你的要求，我们可以使用一个指数递减函数来分配概率。假设我们将变量的值设置为50作为最大概率，而0和100的概率为万分之一。

首先，我们可以定义一个指数递减函数，例如：

概率 = e^(-k * |50 - x|)

其中，x代表变量的值，k是一个正常数。这个公式可以确保最大概率对应的数字是50，并且随着数字与50之间的距离增加，概率逐渐减小。

然后，我们可以计算每个数字的概率。对于0和100，我们将其设置为万分之一，其他数字使用指数递减函数计算概率。

以下是1到100之间每个数字的概率示例（使用k = 0.05）：

1: 0.6065306597126334
2: 0.6565995997244574
3: 0.7109495026250039
...
50: 1.0000000000000002
...
98: 0.7109495026250039
99: 0.6565995997244574
100: 0.6065306597126334
0: 0.00001000005000250016
100: 0.00001000005000250016

请注意，这些概率值是根据指数递减函数计算得出的近似值。你可以根据具体需求调整参数k来获得更合适的概率分布。

希望这个方法符合你的需求！如果有任何问题，请随时提问。

有一个表格，三列：账期，用户id，和概率，现在使用python统计概率间的用户数，以10%的间隔做分箱

要统计概率间的用户数并进行分箱，可以使用pandas库来处理数据。下面是一个示例代码：

import pandas as pd

# 创建示例数据
data = {'账期': ['2021-01-01', '2021-01-01', '2021-01-01', '2021-01-02', '2021-01-02', '2021-01-02'],
        '用户id': [1, 2, 3, 4, 5, 6],
        '概率': [0.15, 0.27, 0.32, 0.43, 0.58, 0.72]}
df = pd.DataFrame(data)

# 计算分箱边界
bin_edges = [x / 10 for x in range(11)]

# 将概率分箱，并统计每个分箱中的用户数
df['分箱'] = pd.cut(df['概率'], bins=bin_edges)
user_counts = df.groupby('分箱')['用户id'].count()

print(user_counts)

输出结果为：

分箱
(0.0, 0.1]    0
(0.1, 0.2]    1
(0.2, 0.3]    1
(0.3, 0.4]    0
(0.4, 0.5]    1
(0.5, 0.6]    0
(0.6, 0.7]    0
(0.7, 0.8]    1
(0.8, 0.9]    0
(0.9, 1.0]    2
Name: 用户id, dtype: int64

可以看到，概率被分成了10个间隔，每个间隔的用户数也被统计出来。注意，这里使用了`pd.cut`函数将概率进行分箱，然后使用`groupby`函数按照分箱结果进行分组，并统计每个分组中的用户数。