超几何分布python代码实现

冷炫風刃

发布： 2025-12-19 11:24:07

原创

947人浏览过

超几何分布描述有限总体中不放回抽样时某类元素出现次数的概率分布，核心参数为总体大小M、成功类数量n、抽样数N及成功次数k；可用scipy.stats.hypergeom计算PMF或手动实现，并支持随机抽样模拟。

超几何分布python代码实现

超几何分布描述的是：从有限总体中不放回地抽取若干样本时，其中某一类元素出现的次数的概率分布。Python 中可以用 scipy.stats.hypergeom 直接计算，也可以手动实现概率质量函数（PMF）。

用 scipy 实现超几何分布

最常用、最稳妥的方式是调用 SciPy 提供的 hypergeom 类，它已优化并支持批量计算。

参数说明：

M：总体大小（比如罐子里总共有多少个球）
n：总体中“成功类”元素个数（比如红球有多少个）
N：抽取样本数（比如摸出几个球）
k：我们关心“抽中多少个红球”（即成功次数）

示例代码：

立即学习“Python免费学习笔记（深入）”；

from scipy.stats import hypergeom
import numpy as np
<h1>总体 M=50，其中 n=10 个是目标类（如次品），抽 N=5 个</h1><p>M, n, N = 50, 10, 5</p><h1>计算 k=0,1,2,3,4,5 时的概率</h1><p>k = np.arange(0, N + 1)
pmf_values = hypergeom.pmf(k, M, n, N)</p><p>for k_val, prob in zip(k, pmf_values):
print(f"P(X = {k_val}) = {prob:.6f}")</p>

登录后复制

手动实现 PMF（加深理解）

超几何分布的 PMF 公式为：

P(X = k) = C(n, k) × C(M − n, N − k) / C(M, N)

Tellers AI

Tellers是一款自动视频编辑工具，可以将文本、文章或故事转换为视频。

136

查看详情

其中 C(a,b) 是组合数，即 “a 选 b”。注意：只有当 max(0, N − (M − n)) ≤ k ≤ min(n, N) 时概率非零。

手动实现（使用 math.comb，Python 3.8+）：

import math
<p>def hypergeom_pmf(k, M, n, N):
if k < 0 or k > n or k > N or N - k > M - n:
return 0.0
numerator = math.comb(n, k) * math.comb(M - n, N - k)
denominator = math.comb(M, N)
return numerator / denominator if denominator != 0 else 0.0</p><h1>示例：同上参数</h1><p>M, n, N = 50, 10, 5
for k in range(N + 1):
print(f"P(X = {k}) = {hypergeom_pmf(k, M, n, N):.6f}")</p>

登录后复制

生成随机样本（模拟抽样过程）

除了计算概率，你可能还想模拟多次不放回抽样结果：

import numpy as np
<p>def hypergeom_rvs(M, n, N, size=1):</p><h1>创建总体：n 个 1（成功），M-n 个 0（失败）</h1><pre class='brush:python;toolbar:false;'>population = [1] * n + [0] * (M - n)
samples = []
for _ in range(size):
    # 不放回随机抽 N 个
    draw = np.random.choice(population, size=N, replace=False)
    samples.append(draw.sum())  # 统计抽中多少个 1
return np.array(samples)

登录后复制