scipy.stats.qmc.

MultinomialQMC

class scipy.stats.qmc.MultinomialQMC(pvals, n_trials, *, engine=None, rng=None)

從多項式分佈進行 QMC 取樣。

參數:

pvalsarray_like (k,)

大小為 k 的機率向量，其中 k 是類別的數量。元素必須是非負數且總和為 1。

n_trialsint

試驗次數。

engineQMCEngine，選用

準蒙地卡羅引擎取樣器。如果為 None，則使用 Sobol。

rngnumpy.random.Generator，選用

虛擬隨機數產生器狀態。當 rng 為 None 時，會使用來自作業系統的熵建立新的 numpy.random.Generator。除了 numpy.random.Generator 之外的類型會傳遞至 numpy.random.default_rng 以實例化 Generator。

在版本 1.15.0 中變更：作為從使用 numpy.random.RandomState 過渡到 numpy.random.Generator 的 SPEC-007 轉換的一部分，此關鍵字已從 seed 變更為 rng。在過渡期間，這兩個關鍵字將繼續運作，但一次只能指定一個。在過渡期之後，使用 seed 關鍵字的功能呼叫將發出警告。在棄用期之後，將移除 seed 關鍵字。

範例

在您的瀏覽器中試試看！

讓我們定義 3 個類別，對於給定的樣本，每個類別的試驗總和為 8。每個類別的試驗次數由與每個類別相關聯的 pvals 決定。然後，我們對此分佈取樣 64 次。

>>> import matplotlib.pyplot as plt
>>> from scipy.stats import qmc
>>> dist = qmc.MultinomialQMC(
...     pvals=[0.2, 0.4, 0.4], n_trials=10, engine=qmc.Halton(d=1)
... )
>>> sample = dist.random(64)

我們可以繪製樣本，並驗證每個類別的試驗次數中位數是否遵循 pvals。那將是 pvals * n_trials = [2, 4, 4]。

>>> fig, ax = plt.subplots()
>>> ax.yaxis.get_major_locator().set_params(integer=True)
>>> _ = ax.boxplot(sample)
>>> ax.set(xlabel="Categories", ylabel="Trials")
>>> plt.show()

返回在新分頁中開啟

方法

random([n])

從多項式分佈中抽取 n 個 QMC 樣本。