numpy.random.RandomState.hypergeometric

RandomState.hypergeometric(ngood, nbad, nsample, size=None)

Выборка значений из гипергеометрического распределения.

Значения выбираются из гипергеометрического распределения с заданными параметрами: ngood (количество способов выбрать хороший элемент), nbad (количество способов выбрать плохой элемент) и nsample (количество выбранных элементов), которое меньше или равно сумме ngood + nbad.

Параметры:

ngood : int или array_like целых чисел Количество способов выбрать хороший элемент. Должно быть неотрицательным. nbad : int или array_like целых чисел Количество способов выбрать плохой элемент. Должно быть неотрицательным. nsample : int или array_like целых чисел Количество выбранных элементов. Должно быть не меньше 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 значений выбираются из распределения. Если size не указан (по умолчанию), возвращается единственное значение, если ngood, nbad, и nsample являются скалярами. В противном случае np.broadcast(ngood, nbad, nsample).size значений выбираются из распределения.

Возвращает:

out : ndarray или скаляр Выбранные значения из гипергеометрического распределения.

См. также

scipy.stats.hypergeom

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

Примечания

Плотность вероятности гипергеометрического распределения:

где и .

Для P(x) - вероятности x успехов, n = ngood, m = nbad, и N = количество выборок.

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

Обратите внимание, что это распределение очень похоже на биномиальное распределение, за исключением того, что в этом случае выборки делаются без возвращения, тогда как в биномиальном случае выборки делаются с возвращением (или пространство выборки бесконечно). По мере увеличения пространства выборки это распределение приближается к биномиальному.

Ссылки

[R163]

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

[R164]

Вайсштейн, Эрик В. «Гипергеометрическое распределение». Из MathWorld – веб-ресурса Wolfram. http://mathworld.wolfram.com/HypergeometricDistribution.html

[R165]

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

Примеры

Выбрать значения 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 вытаскиваете 15 шариков случайным образом, 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!