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 специфицированными параметрами, dfnum (степени свободы в числителе) и dfden (степени свободы в знаменателе), где оба параметра > 1. nonc — параметр нецентральности.

Параметры:

dfnum : int или array_like из int Параметр, должен быть > 1. dfden : int или array_like из int Параметр, должен быть > 1. nonc : float или array_like из float Параметр, должен быть >= 0. size : int или кортеж из int, необязательно Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k образцов выбираются. Если размер равен None (по умолчанию), возвращается единственное значение, если dfnum, dfden, и nonc являются скалярами. В противном случае выбираются np.broadcast(dfnum, dfden, nonc).size образцов.

Возвращаемое значение:

out : ndarray или скаляр Выбранные образцы из параметризованного нецентрального распределения Фишера.

Примечания

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

Ссылки

[R252]

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

[R253]

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

Примеры

В исследовании, для проверки определенной альтернативы нулевой гипотезе, требуется использование нецентрального распределения F. Нам нужно вычислить площадь в хвосте распределения, превышающую значение распределения F для нулевой гипотезы. Мы отобразим 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()