关于scipy.stats.binom与hypergeom函数实际功能的技术问询

直接给结论：scipy.stats.binom()和scipy.stats.hypergeom()返回的是绑定了参数的离散概率分布对象，它们既不是单纯的PMF函数，也不是你理解的“样本空间到数值的映射”，但封装了对应分布的所有核心功能，包括PMF计算、抽样等。

• 核心本质：参数化的分布实例
  调用这两个函数时，你其实是在创建一个“带参数的分布模板”。比如binom(10, 0.5)就代表“10次独立试验、每次成功概率0.5的二项分布”，这个实例本身不直接做映射，但它提供了一堆方法来操作这个分布：

  • .pmf(k)：计算随机变量取k值时的概率，这就是你说的“隐式PMF”——分布对象已经根据参数定义了PMF的数学公式，你传具体的k就能得到对应的概率值。
  • .cdf(k)：计算累积概率，也就是P(X ≤ k)
  • .rvs(size)：从这个分布里抽取指定数量的样本

• 为什么不用传样本空间？
  二项和超几何分布的样本空间是由它们的数学定义自动确定的：

  • 二项分布的样本空间是0到n的整数（n是试验次数），对应n次试验里的成功次数，分布对象根据你传入的n就知道这个范围了。
  • 超几何分布的样本空间是max(0, n + K - N)到min(K, n)的整数（N是总体大小，K是总体里的成功元素数，n是抽取样本数），同样由参数自动推导，不需要你手动指定。
    你说的“随机变量是样本空间到数值的映射”，这里的随机变量X（比如成功次数）的取值范围就是上述样本空间，分布对象已经封装了X取每个值的概率规律，所以不用你传样本空间。

• 实际用例参考
  二项分布示例：

  from scipy.stats import binom
  # 创建n=5次试验、p=0.3成功概率的二项分布对象
  binom_dist = binom(n=5, p=0.3)
  # 计算成功2次的概率
  print(binom_dist.pmf(k=2))  # 输出≈0.3087
  # 抽取10个样本
  print(binom_dist.rvs(size=10))  # 示例输出：[1,0,2,1,1,0,3,1,2,0]
  

  超几何分布示例：

  from scipy.stats import hypergeom
  # 总体20个元素，其中5个是“成功”元素，抽取4个样本
  hyper_dist = hypergeom(N=20, K=5, n=4)
  # 计算抽到2个成功元素的概率
  print(hyper_dist.pmf(k=2))  # 输出≈0.2167
  

内容的提问来源于stack exchange，提问作者Dan Öz