numpy.random.Generator.hypergeometric#
方法
- random.Generator.hypergeometric(ngood, nbad, nsample, size=None)#
从超几何分布中抽取样本。
从具有指定参数的超几何分布中抽取样本,ngood(做出良好选择的方式),nbad(做出不良选择的方式),以及 nsample(抽取的项目数量,小于或等于总和
ngood + nbad
)。- 参数:
- ngoodint 或类数组的 int
做出良好选择的方式数量。必须是非负数且小于 10**9。
- nbadint 或类数组的 int
做出不良选择的方式数量。必须是非负数且小于 10**9。
- nsampleint 或类数组的 int
抽取的项目数量。必须是非负数且小于
ngood + nbad
。- sizeint 或 int 元组,可选
输出形状。如果给定的形状为,例如,
(m, n, k)
,则抽取m * n * k
个样本。如果 size 为None
(默认值),如果 ngood、nbad 和 nsample 都是标量,则返回单个值。否则,抽取np.broadcast(ngood, nbad, nsample).size
个样本。
- 返回:
- outndarray 或标量
从参数化的超几何分布中抽取的样本。每个样本是在从包含 ngood 个良好项目和 nbad 个不良项目的集合中随机选择的 nsample 大小的子集中良好项目的数量。
另请参阅
multivariate_hypergeometric
从多元超几何分布中抽取样本。
scipy.stats.hypergeom
概率密度函数、分布或累积密度函数等。
注释
超几何分布的概率密度为
\[P(x) = \frac{\binom{g}{x}\binom{b}{n-x}}{\binom{g+b}{n}},\]其中 \(0 \le x \le n\) 且 \(n-b \le x \le g\)
对于 P(x),即抽取样本中
x
个良好结果的概率,g = ngood,b = nbad,n = nsample。考虑一个装有黑色和白色弹珠的罐子,其中 ngood 个是黑色的,nbad 个是白色的。如果您不放回地随机抽取 nsample 个弹珠,则超几何分布描述了抽取样本中黑弹珠的分布。
请注意,此分布与二项分布非常相似,但在此情况下,样本是不放回抽取的,而在二项分布情况下,样本是放回抽取的(或样本空间是无限的)。随着样本空间变大,此分布接近二项分布。
参数 ngood 和 nbad 都必须小于 10**9。对于极大的参数,用于计算样本的算法 [4] 会因浮点计算精度损失而失效。对于如此大的值,如果 nsample 也不大,则可以使用二项分布 binomial(n=nsample, p=ngood/(ngood + nbad)) 来近似该分布。
参考文献
[1]Lentner, Marvin, “Elementary Applied Statistics”, Bogden and Quigley, 1972。
[2]Weisstein, Eric W. “Hypergeometric Distribution.” 来自 MathWorld–A Wolfram Web Resource。 https://mathworld.wolfram.com/HypergeometricDistribution.html
[3]维基百科,“超几何分布”,https://en.wikipedia.org/wiki/Hypergeometric_distribution
[4]Stadlober, Ernst, “The ratio of uniforms approach for generating discrete random variates”, Journal of Computational and Applied Mathematics, 31, pp. 181-189 (1990)。
示例
从分布中抽取样本
>>> rng = np.random.default_rng() >>> ngood, nbad, nsamp = 100, 2, 10 # number of good, number of bad, and number of samples >>> s = rng.hypergeometric(ngood, nbad, nsamp, 1000) >>> from matplotlib.pyplot import hist >>> hist(s) # note that it is very unlikely to grab both bad items
假设您有一个罐子,里面有 15 个白色弹珠和 15 个黑色弹珠。如果您随机抽取 15 个弹珠,那么其中 12 个或更多弹珠为同一种颜色的可能性有多大?
>>> s = rng.hypergeometric(15, 15, 15, 100000) >>> sum(s>=12)/100000. + sum(s<=3)/100000. # answer = 0.003 ... pretty unlikely!