NumPy 1.14 - numpy.random.hypergeometric()

numpy.random.hypergeometric




numpy

numpy.random.hypergeometric

numpy.random.hypergeometric(ngood, nbad, nsample, size=None)

हाइपरजोमेट्रिक वितरण से नमूने लें।

नमूने निर्दिष्ट मापदंडों के साथ एक हाइपरजेट्रिक वितरण से खींचे जाते हैं, एनूडूड (एक अच्छा चयन करने के तरीके), नबड (खराब चयन करने के तरीके), और nsample = सैंपल किए गए आइटमों की संख्या, जो समन + के बराबर या उससे कम है Nbad।

पैरामीटर:

ngood : int या array_like ints

एक अच्छा चयन करने के तरीकों की संख्या। नॉनवेज होना चाहिए।

nbad : ints का int या array_like

खराब चयन करने के तरीकों की संख्या। नॉनवेज होना चाहिए।

nsample : ints का int या array_like

सैंपल की गई वस्तुओं की संख्या। कम से कम 1 और अधिक से अधिक ngood + nbad होना चाहिए।

आकार : इंट या टुपल इन्टस, वैकल्पिक

आउटपुट आकार। यदि दी गई आकृति है, जैसे, (m, n, k) , तो m * n * k नमूने खींचे जाते हैं। यदि आकार None (डिफ़ॉल्ट), तो एक ही मान लौटाया जाता है यदि ngood , nbad और nsample सभी स्केलर हैं। अन्यथा, np.broadcast(ngood, nbad, nsample).size नमूने तैयार किए जाते हैं।

यह दिखाता है:

बाहर : ndarray या स्केलर

पैरामीटर किए गए हाइपरजोमेट्रिक वितरण से नमूने लिए गए।

यह भी देखें

scipy.stats.hypergeom
संभाव्यता घनत्व फ़ंक्शन, वितरण या संचयी घनत्व फ़ंक्शन, आदि।

टिप्पणियाँ

Hypergeometric वितरण के लिए संभावना घनत्व है

P (x) = \ frac {\ binom {m} {n} \ binom {N-m} {n-x}} {\ binom {N} {n}},

कहा पे 0 \ le x \ le m तथा n + m-N \ le x \ le n

P के लिए (x) x सफलताओं की संभावना, n = ngood, m = nbad, और N = नमूनों की संख्या।

इसमें काले और सफेद पत्थर के साथ एक कलश पर विचार करें, उनमें से काले और नाद सफेद हैं। यदि आप प्रतिस्थापन के बिना nsample गेंदों को आकर्षित करते हैं, तो हाइपरजोमेट्रिक वितरण खींचे गए नमूने में काली गेंदों के वितरण का वर्णन करता है।

ध्यान दें कि यह वितरण द्विपद वितरण के समान है, सिवाय इसके कि इस मामले में, नमूने प्रतिस्थापन के बिना खींचे जाते हैं, जबकि द्विपद मामले में नमूने प्रतिस्थापन के साथ खींचे जाते हैं (या नमूना स्थान अनंत है)। जैसे ही नमूना स्थान बड़ा हो जाता है, यह वितरण द्विपद के पास पहुंच जाता है।

संदर्भ

[R451453] लेंटनर, मार्विन, "एलीमेंट्री एप्लाइड स्टैटिस्टिक्स", बोगडेन और क्विगली, 1972।
[R452453] वीसस्टीन, एरिक डब्ल्यू। "हाइपरजोमेट्रिक डिस्ट्रीब्यूशन।" मैथवर्ल्ड से- एक वोल्फ्राम वेब रिसोर्स। http://mathworld.wolfram.com/HypergeometricDistribution.html
[R453453] विकिपीडिया, "हाइपरजोमेट्रिक वितरण", http://en.wikipedia.org/wiki/Hypergeometric_distribution

उदाहरण

वितरण से नमूने लें:

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

मान लीजिए आपके पास 15 सफेद और 15 काले पत्थर के साथ एक कलश है। यदि आप यादृच्छिक पर 15 पत्थर खींचते हैं, तो यह कैसे संभव है कि उनमें से 12 या अधिक एक रंग हैं?

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