numpy.random.RandomState.multinomial

метод

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

Генерация выборок из многомерного распределения.

Многомерное распределение — это обобщение биномиального распределения на случай нескольких исходов. Рассмотрим эксперимент с одним из p возможных исходов. Примером такого эксперимента является подбрасывание игральной кости, где результатом может быть значение от 1 до 6. Каждая выборка из распределения представляет собой n таких экспериментов. Её значения, X_i = [X_0, X_1, ..., X_p], представляют собой количество раз, когда результат был i.

Примечание

Новый код должен использовать метод multinomial экземпляра default_rng(); см. Быстрое начало.

Параметры

nint

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 целых чисел, необязательно

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

Возвращает

outndarray

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

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

См. также

Generator.multinomial

который следует использовать в новом коде.

Примеры

Подбросить 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 подбросим 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]])

В первом случае выпало 3 раза 1, 4 раза 2 и т. д. Во втором случае выпало 2 раза 1, 4 раза 2 и т. д.

Нагруженная кость чаще выпадает на шестерку:

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

Значения вероятностей должны быть нормированы. В качестве реализации, значение последнего элемента игнорируется и предполагается, что оно занимает оставшуюся вероятность, но на это не следует полагаться. Для смещенной монеты, у которой одна сторона в два раза весомее, чем другая, генерация должна быть такой:

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

а не такой:

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