Метод hypergeometric

Метод hypergeometric класса Generator генерирует случайные числа из гипергеометрического распределения. Это распределение описывает вероятность получить определённое количество успехов в выборке без возвращения из конечной популяции, содержащей заданное число объектов двух типов.

Синтаксис

generator.hypergeometric(ngood, nbad, nsample, size=None)

Параметры метода:

ngood - количество объектов первого типа (успехов) в популяции. Должно быть неотрицательным целым числом.
nbad - количество объектов второго типа (неудач) в популяции. Должно быть неотрицательным целым числом.
nsample - размер выборки без возвращения. Должен быть неотрицательным целым числом и не превышать общее количество объектов ngood + nbad.
size - форма возвращаемого массива (необязательный параметр). Если не указан, возвращается одно случайное число.

Пример

Сгенерируем одно случайное число из гипергеометрического распределения с 10 успешными элементами, 5 неудачными и выборкой из 7 элементов:

import numpy as np

rng = np.random.default_rng(0)
res = rng.hypergeometric(10, 5, 7)
print(res)

Результат выполнения кода:

5

Пример

Сгенерируем массив из 5 случайных чисел из гипергеометрического распределения с 20 успешными элементами, 10 неудачными и выборкой из 15 элементов:

import numpy as np

rng = np.random.default_rng(0)
arr = rng.hypergeometric(20, 10, 15, size=5)
print(arr)

Результат выполнения кода:

[11 11 8 10 10]

Пример

Создадим двумерный массив случайных чисел из гипергеометрического распределения с 30 успешными элементами, 20 неудачными и выборкой из 10 элементов:

import numpy as np

rng = np.random.default_rng(0)
arr = rng.hypergeometric(30, 20, 10, size=(2, 3))
print(arr)

Результат выполнения кода:

[[6 6 4]
 [7 6 5]]

Пример

С помощью метода hypergeometric можно вычислить вероятность получить ровно 3 успеха при выборке 5 элементов из популяции с 10 успешными и 7 неудачными объектами. Для этого сгенерируем большое количество выборок и подсчитаем долю тех, где число успехов равно 3:

import numpy as np

rng = np.random.default_rng(0)
samples = rng.hypergeometric(10, 7, 5, size=100000)
probability = np.mean(samples == 3)
print(probability)

Результат выполнения кода:

0.32792

Смотрите также

класс Generator,
который используется для создания генераторов случайных чисел
метод binomial,
который генерирует числа из биномиального распределения
метод random,
который генерирует числа из равномерного распределения на интервале [0, 1)
метод choice,
который генерирует случайную выборку из заданного массива