numpy.random.Generator.multinomial

метод

random.Generator.multinomial(n, pvals, size=None)

Генерирует выборки из многомерного распределения.

Многомерное распределение является обобщением биномиального распределения. Рассмотрим эксперимент с одним из p возможных исходов. Примером такого эксперимента является бросание игральной кости, где результат может быть от 1 до 6. Каждая выборка из распределения представляет n таких экспериментов. Его значения, X_i = [X_0, X_1, ..., X_p], представляют количество раз, когда результат был i.

Параметры

nint или массив int

Количество экспериментов.

pvalsпоследовательность чисел с плавающей точкой, длина p

Вероятности каждого из p различных исходов. Они должны суммироваться до 1 (однако, последний элемент всегда предполагается учитывать оставшуюся вероятность, если sum(pvals[:-1]) <= 1).

sizeint или кортеж из int, необязательно

Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k выборок генерируются. По умолчанию None, в этом случае возвращается одно значение.

Возвращаемое значение

outndarray

Сгенерированные выборки, с формой size, если она была задана. Если нет, форма (N,).

Другими словами, каждая запись out[i,j,...,:] представляет N-мерное значение, взятое из распределения.

Примеры

Бросаем игральную кость 20 раз:

>>> rng = np.random.default_rng()
>>> rng.multinomial(20, [1/6.]*6, size=1)
array([[4, 1, 7, 5, 2, 1]])  # random

Она выпала 4 раза на 1, 1 раз на 2 и т.д.

Теперь бросим игральную кость 20 раз и ещё 20 раз:

>>> rng.multinomial(20, [1/6.]*6, size=2)
array([[3, 4, 3, 3, 4, 3],
       [2, 4, 3, 4, 0, 7]])  # random

Для первого раза мы бросили 3 раза 1, 4 раза 2 и т.д. Для второго — 2 раза 1, 4 раза 2 и т.д.

Теперь проделаем один эксперимент, бросив игральную кость 10 раз, и ещё 10 раз, и ещё один — бросив 20 раз и ещё 20 раз:

>>> rng.multinomial([[10], [20]], [1/6.]*6, size=(2, 2))
array([[[2, 4, 0, 1, 2, 1],
        [1, 3, 0, 3, 1, 2]],
       [[1, 4, 4, 4, 4, 3],
        [3, 3, 2, 5, 5, 2]]])  # random

Первый массив показывает результаты бросания игральной кости 10 раз, а второй — результаты бросания 20 раз.

Нагруженная игральная кость чаще выпадает на 6:

>>> rng.multinomial(100, [1/7.]*5 + [2/7.])
array([11, 16, 14, 17, 16, 26])  # random

Ввод вероятностей должен быть нормирован. В качестве реализации, значение последнего элемента игнорируется и предполагается, что оно учитывает оставшуюся вероятность, но на это не следует полагаться. Для нагруженной монеты, которая имеет дважды больше веса на одной стороне, чем на другой, выборка должна производиться так:

>>> rng.multinomial(100, [1.0 / 3, 2.0 / 3])  # RIGHT
array([38, 62])  # random

а не так:

>>> rng.multinomial(100, [1.0, 2.0])  # WRONG
Traceback (most recent call last):
ValueError: pvals < 0, pvals > 1 or pvals contains NaNs