numpy.random.noncentral_f

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

Выборка из распределения нецентрального F.

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

Параметры:

dfnum : float or array_like of floats Степени свободы в числителе, должно быть > 0. Изменено в версии 1.14.0: В более ранних версиях NumPy требовалось dfnum > 1. dfden : float or array_like of floats Степени свободы в знаменателе, должно быть > 0. nonc : float or array_like of floats Параметр нецентральности, сумма квадратов средних числителя, должно быть >= 0. size : int or tuple of ints, optional Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k выборок генерируются. Если размер равен None (по умолчанию), возвращается одно значение, если dfnum, dfden, и nonc — скаляры. В противном случае генерируются np.broadcast(dfnum, dfden, nonc).size выборок.

Возвращает:

out : ndarray or scalar Выбранные образцы из параметризованного распределения Фишера нецентрального.

Примечания

При расчете мощности эксперимента (мощность = вероятность отклонения нулевой гипотезы, когда определенная альтернатива верна) важность статистики нецентрального F. Когда нулевая гипотеза верна, статистика F следует центральному распределению F. Когда нулевая гипотеза не верна, она следует распределению нецентрального F.

Ссылки

[1]	Weisstein, Eric W. «Распределение нецентрального F». Из MathWorld — Wolfram Web Resource. http://mathworld.wolfram.com/NoncentralF-Distribution.html

[2]	Wikipedia, «Распределение нецентрального F», https://en.wikipedia.org/wiki/Noncentral_F-distribution

Примеры

В исследовании проверка конкретной альтернативы нулевой гипотезе требует использования распределения нецентрального F. Нам нужно вычислить область в хвосте распределения, которая превышает значение распределения F для нулевой гипотезы. Мы нарисуем 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, density=True)
>>> c_vals = np.random.f(dfnum, dfden, 1000000)
>>> F = np.histogram(c_vals, bins=50, density=True)
>>> import matplotlib.pyplot as plt
>>> plt.plot(F[1][1:], F[0])
>>> plt.plot(NF[1][1:], NF[0])
>>> plt.show()