Python dask.array.random.hypergeometric用法及代碼示例

用法:
dask.array.random.hypergeometric(ngood, nbad, nsample, size=None, chunks='auto', **kwargs)

從超幾何分布中抽取樣本。

此文檔字符串是從 numpy.random.mtrand.RandomState.hypergeometric 複製的。

可能存在與 Dask 版本的一些不一致之處。

樣本是從具有指定參數的超幾何分布中抽取的，ngood(做出好的選擇的方法)、nbad(做出錯誤選擇的方法)和nsample(采樣的項目數，小於或等於總和 ngood + nbad )。

注意

新代碼應改為使用default_rng() 實例的hypergeometric 方法；請參閱快速入門。

參數：

ngood：int 或數組整數: 做出良好選擇的方法的數量。必須是非負數。
nbad：int 或數組整數: 做出錯誤選擇的方法的數量。必須是非負數。
nsample：int 或數組整數: 抽樣的項目數。必須至少為 1 且最多為 ngood + nbad 。
size：int 或整數元組，可選: 輸出形狀。例如，如果給定的形狀是 (m, n, k) ，則繪製 m * n * k 樣本。如果 size 為 None(默認)，如果 ngood 、 nbad 和 nsample 都是標量，則返回單個值。否則，將抽取np.broadcast(ngood, nbad, nsample).size 樣本。

out：ndarray 或標量: 從參數化的超幾何分布中抽取樣本。每個樣本是從一組ngood好項目和nbad壞項目中隨機選擇的大小為nsample的子集中的好項目的數量。

注意：

超幾何分布的概率密度為

\[P(x) = \frac{\binom{g}{x}\binom{b}{n-x}}{\binom{g+b}{n}},\]

其中 \(0 \le x \le n\) 和 \(n-b \le x \le g\)

對於 P(x)，x 在抽取的樣本中獲得良好結果的概率，g = ngood，b = nbad，和 n = nsample。

考慮一個裝有黑白大理石的骨灰盒，其中ngood 是黑色的，nbad 是白色的。如果您在沒有放回的情況下繪製nsample 球，則超幾何分布說明了所繪製樣本中黑球的分布。

請注意，此分布與二項分布非常相似，隻是在這種情況下，樣本是在沒有放回的情況下抽取的，而在二項分布的情況下，樣本是有放回的(或者樣本空間是無限的)。隨著樣本空間變大，這種分布接近二項式。

參考：

1: 倫特納，馬文，“Elementary Applied Statistics”，博格登和奎格利，1972 年。
2: Weisstein, Eric W. “超幾何分布”。來自MathWorld-A Wolfram Web 資源。http://mathworld.wolfram.com/HypergeometricDistribution.html
3: 維基百科，“Hypergeometric distribution”，https://en.wikipedia.org/wiki/Hypergeometric_distribution

例子：

從分布中抽取樣本：

>>> ngood, nbad, nsamp = 100, 2, 10  
# number of good, number of bad, and number of samples
>>> s = np.random.hypergeometric(ngood, nbad, nsamp, 1000)  
>>> from matplotlib.pyplot import hist  
>>> hist(s)  
#   note that it is very unlikely to grab both bad items

假設你有一個裝有 15 顆白色彈珠和 15 顆黑色彈珠的骨灰盒。如果你隨機拉出 15 顆彈珠，其中 12 顆或更多顆是一種顏色的可能性有多大？

>>> s = np.random.hypergeometric(15, 15, 15, 100000)  
>>> sum(s>=12)/100000. + sum(s<=3)/100000.  
#   answer = 0.003 ... pretty unlikely!

相關用法

注：本文由純淨天空篩選整理自dask.org大神的英文原創作品 dask.array.random.hypergeometric。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

參考：

例子：