numpy.random.multinomial

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

Выборка из многочленного распределения.

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

Примечание

Новый код должен использовать метод multinomial экземпляра default_rng(); см. Быстрый старт.

Параметры

nint

Количество экспериментов.

pvalsпоследовательность чисел с плавающей запятой, длина p

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

sizeint или кортеж из целых чисел, необязательно

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

Возвращает

outndarray

Выбранные образцы, формы size, если она была задана. Если нет, форма (N,).

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

См. также

Generator.multinomial

который следует использовать для нового кода.

Примеры

Бросить игральную кость 20 раз:

>>> np.random.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 бросьте кость 20 раз и еще 20 раз:

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

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

Нагруженная кость чаще выпадает на 6:

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

Вводимые вероятности должны быть нормализованы. Как деталь реализации, значение последней записи игнорируется и предполагается, что оно занимает оставшуюся вероятностную массу, но на этом не следует полагаться. Для смещенной монеты, у которой вес одной стороны в два раза больше, чем у другой, выборка должна производиться следующим образом:

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

а не так:

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