numpy.random.mtrand.RandomState.binomial

method

RandomState.binomial(n, p, size=None)

Выборка образцов из биномиального распределения.

Образцы выбираются из биномиального распределения со заданными параметрами, n испытаний и вероятностью успеха p, где n целое число ≥ 0, а p находится в интервале [0,1]. (n может быть введен как число с плавающей точкой, но при использовании оно будет усечено до целого числа).

Параметры:

n : int or array_like of ints Параметр распределения, ≥ 0. Также принимаются числа с плавающей точкой, но они будут усечены до целых. p : float or array_like of floats Параметр распределения, ≥ 0 и ≤ 1. size : int or tuple of ints, optional Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k образцов выбираются. Если размер None (по умолчанию), то возвращается одно значение, если n и p являются скалярами. В противном случае, np.broadcast(n, p).size образцов выбираются.

Возвращает:

out : ndarray or scalar Выбранные образцы из параметризованного биномиального распределения, где каждый образец равен числу успехов за n испытаний.

См. также

scipy.stats.binom

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

Примечания

Плотность вероятности для биномиального распределения:

где — количество испытаний, — вероятность успеха, а — число успехов.

При оценке стандартной ошибки пропорции в популяции с помощью случайной выборки нормальное распределение работает хорошо, если произведение p*n ≥ 5, где p = оценка популяционной пропорции, а n = количество выборок. В противном случае используется биномиальное распределение. Например, выборка из 15 человек показывает 4 левшей и 11 правшей. Тогда p = 4/15 = 27%. 0.27*15 = 4, поэтому в этом случае следует использовать биномиальное распределение.

Ссылки

[1]	Dalgaard, Peter, “Вводная статистика с R”, Springer-Verlag, 2002.

[2]	Glantz, Stanton A. “Руководство по биостатистике”. McGraw-Hill, пятое издание, 2002.

[3]	Lentner, Marvin, “Элементарная прикладная статистика”, Bogden and Quigley, 1972.

[4]	Weisstein, Eric W. “Биномиальное распределение”. Из MathWorld — Wolfram Web Resource. http://mathworld.wolfram.com/BinomialDistribution.html

[5]	Википедия, “Биномиальное распределение”, https://en.wikipedia.org/wiki/Binomial_distribution

Примеры

Выбрать образцы из распределения:

>>> n, p = 10, .5  # number of trials, probability of each trial
>>> s = np.random.binomial(n, p, 1000)
# result of flipping a coin 10 times, tested 1000 times.

Реальный пример. Компания пробурила 9 разведочных скважин на нефть, каждая с ожидаемой вероятностью успеха 0,1. Все девять скважин не дали результатов. Какова вероятность такого исхода?

Давайте проведем 20 000 испытаний модели и посчитаем количество случаев, где не было положительных результатов.

>>> sum(np.random.binomial(9, 0.1, 20000) == 0)/20000.
# answer = 0.38885, or 38%.