numpy.random.noncentral_f

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

Выборка из нецентрального распределения Фишера.

Выборка осуществляется из распределения Фишера со значениями параметров, 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.
Возвращает:	samples : скаляр или массив ndarray Сгенерированные выборки.

Примечания

При расчете мощности эксперимента (мощность = вероятность отклонения нулевой гипотезы, когда определенная альтернатива верна) нецентральная статистика Фишера становится важной. Когда нулевая гипотеза верна, статистика Фишера следует центральному распределению Фишера. Когда нулевая гипотеза неверна, она следует нецентральному распределению Фишера.

Ссылки

[R247]

Weisstein, Eric W. «Нецентральное распределение F». Из MathWorld—ресурса Wolfram Web. http://mathworld.wolfram.com/NoncentralF-Distribution.html

[R248]

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

Примеры

В исследовании, при проверке определенной альтернативы нулевой гипотезе требуется использование нецентрального распределения Фишера. Нам нужно рассчитать площадь в хвосте распределения, превышающую значение распределения Фишера для нулевой гипотезы. Мы построим два распределения вероятностей 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()