numpy.random.RandomState.noncentral_f

RandomState.noncentral_f(dfnum, dfden, nonc, size=None)

Выборка из нецентрального распределения Фишера.

Выборка производится из распределения Фишера 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 выходных данных. Если заданная форма, например, (m, n, k), то m * n * k выборок генерируется. По умолчанию None, в этом случае возвращается одно значение.
Возвращаемое значение:	samples : скаляр или массив ndarray Сгенерированные выборки.

Примечания

При вычислении мощности эксперимента (мощность = вероятность отклонения нулевой гипотезы, когда определённая альтернатива верна) нецентральная статистика Фишера становится важной. Когда нулевая гипотеза верна, статистика Фишера подчиняется центральному распределению Фишера. Когда нулевая гипотеза неверна, она подчиняется нецентральной статистике Фишера.

Ссылки

[R176]

Weisstein, Эрик В. «Распределение нецентрального F». Из MathWorld—ресурса Wolfram Web. http://mathworld.wolfram.com/NoncentralF-Distribution.html

[R177]

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

Примеры

В исследовании, для проверки определенной альтернативы нулевой гипотезе требуется использование распределения нецентрального F. Нам необходимо вычислить площадь в хвосте распределения, превышающую значение распределения F для нулевой гипотезы. Мы построим графики двух вероятностных распределений 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()