numpy.random.noncentral_f

numpy.random.noncentral_f(dfnum, dfden, nonc, size=None)

Выборка образцов из нецентрального распределения F.

Образцы выбираются из распределения F со заданными параметрами, dfnum (степени свободы в числителе) и dfden (степени свободы в знаменателе), где оба параметра > 1. nonc — параметр нецентральности.

Параметры:	dfnum : int Параметр, должен быть > 1. dfden : int Параметр, должен быть > 1. nonc : float Параметр, должен быть >= 0. size : int или кортеж из целых чисел, необязательно Форма выходного массива. Если заданная форма, например, (m, n, k), то m * n * k образцов выбирается. По умолчанию None, в этом случае возвращается единственное значение.
Возвращаемое значение:	samples : скаляр или массив ndarray Выбранные образцы.

Примечания

При расчете мощности эксперимента (мощность = вероятность отклонения нулевой гипотезы, когда определенная альтернатива истинна) важен нецентральный статистический показатель F. Когда нулевая гипотеза верна, статистический показатель F следует центральному распределению F. Когда нулевая гипотеза не верна, он следует нецентральному статистическому показателю F.

Ссылки

[R247]

Weisstein, Eric W. “Нецентральное F-распределение.” Из MathWorld — Wolfram Web Resource. http://mathworld.wolfram.com/NoncentralF-Distribution.html

[R248]

Википедия, «Нецентральное F-распределение», http://en.wikipedia.org/wiki/Noncentral_F-distribution

Примеры

В исследовании, для проверки определенной альтернативы нулевой гипотезе требуется использование нецентрального распределения F. Нам нужно рассчитать площадь в хвосте распределения, превышающую значение распределения F для нулевой гипотезы. Мы построим две кривые распределения для сравнения.

>>> dfnum = 3 # between group deg of freedom
>>> dfden = 20 # within groups degrees of freedom
>>> nonc = 3.0
>>> nc_vals = np.random.noncentral_f(dfnum, dfden, nonc, 1000000)
>>> NF = np.histogram(nc_vals, bins=50, normed=True)
>>> c_vals = np.random.f(dfnum, dfden, 1000000)
>>> F = np.histogram(c_vals, bins=50, normed=True)
>>> plt.plot(F[1][1:], F[0])
>>> plt.plot(NF[1][1:], NF[0])
>>> plt.show()