numpy.random.hypergeometric

numpy.random.hypergeometric(ngood, nbad, nsample, size=None)

Выборка образцов из гипергеометрического распределения.

Образцы выбираются из гипергеометрического распределения с заданными параметрами, ngood (количество способов сделать хороший выбор), nbad (количество способов сделать плохой выбор) и nsample = количество выбранных элементов, которое меньше или равно сумме ngood + nbad.

Параметры:

ngood : int или array_like из целых чисел Количество способов сделать хороший выбор. Должно быть неотрицательным. nbad : int или array_like из целых чисел Количество способов сделать плохой выбор. Должно быть неотрицательным. nsample : int или array_like из целых чисел Количество выбранных элементов. Должно быть по крайней мере 1 и не больше ngood + nbad. size : int или кортеж из целых чисел, необязательно Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k образцов выбирается. Если size равно None (по умолчанию), возвращается одно значение, если ngood, nbad, и nsample являются скалярами. В противном случае np.broadcast(ngood, nbad, nsample).size образцов выбирается.

Возвращает:

out : ndarray или скаляр Выбранные образцы из гипергеометрического распределения с заданными параметрами.

См. также

scipy.stats.hypergeom

функция плотности вероятности, распределение или функция кумулятивной плотности и т.д.

Примечания

Плотность вероятности для гипергеометрического распределения

где и

для P(x) вероятность x успехов, n = ngood, m = nbad, и N = количество образцов.

Рассмотрим урну с черными и белыми шариками, ngood из них черные, а nbad — белые. Если вы вытягиваете nsample шаров без возвращения, то гипергеометрическое распределение описывает распределение черных шаров в выбранной выборке.

Обратите внимание, что это распределение очень похоже на биномиальное распределение, за исключением того, что в данном случае образцы выбираются без возвращения, в то время как в случае биномиального распределения образцы выбираются с возвращением (или пространство выборки бесконечно). По мере увеличения пространства выборки это распределение приближается к биномиальному.

Ссылки

[R234]

Лентнер, Марвин, «Элементарная прикладная статистика», Богден и Кигли, 1972.

[R235]

Вайсштейн, Эрик В. «Гипергеометрическое распределение». Из MathWorld — Wolfram Web Resource. http://mathworld.wolfram.com/HypergeometricDistribution.html

[R236]

Википедия, «Гипергеометрическое распределение», http://en.wikipedia.org/wiki/Hypergeometric_distribution

Примеры

Выборка образцов из распределения:

>>> ngood, nbad, nsamp = 100, 2, 10
# number of good, number of bad, and number of samples
>>> s = np.random.hypergeometric(ngood, nbad, nsamp, 1000)
>>> hist(s)
#   note that it is very unlikely to grab both bad items

Предположим, у вас есть урна с 15 белыми и 15 черными шариками. Если вы вытащите 15 шариков наугад, какова вероятность того, что 12 или более из них одного цвета?

>>> s = np.random.hypergeometric(15, 15, 15, 100000)
>>> sum(s>=12)/100000. + sum(s<=3)/100000.
#   answer = 0.003 ... pretty unlikely!