numpy.random.RandomState.noncentral_f

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

Генерация выборок 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 является параметром 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), тогда m * n * k выборок генерируется. По умолчанию значение None, в этом случае возвращается одно значение.
Возвращает:	samples : скаляр или массив ndarray Сгенерированные выборки.

Примечания

При вычислении 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 не верна, она следует нецентральному распределению Фишера.

Ссылки

[R176]

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

[R177]

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

Примеры

В исследовании, тестировании определенной альтернативы нулевой гипотезе, требуется использование нецентрального F-распределения. Нам нужно вычислить площадь в хвосте распределения, превышающую значение F-распределения для нулевой гипотезы. Мы нарисуем две вероятностные функции 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()