numpy.random.noncentral_f

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

Выборка из нецентрального распределения F.

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

Примечание

Новый код должен использовать метод noncentral_f экземпляра default_rng(); см. Быстрый старт.

Параметры

dfnumfloat or array_like of floats

Степень свободы числителя, должна быть > 0.

Изменено в версии 1.14.0: Предыдущие версии NumPy требовали dfnum > 1.

dfdenfloat or array_like of floats

Степень свободы знаменателя, должна быть > 0.

noncfloat or array_like of floats

Параметр нецентральности, сумма квадратов средних числителя, должна быть >= 0.

sizeint or tuple of ints, optional

Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k выборок генерируется. Если размер равен None (по умолчанию), возвращается одно значение, если dfnum, dfden, и nonc являются скалярами. В противном случае генерируется np.broadcast(dfnum, dfden, nonc).size выборок.

Возвращает

outndarray or scalar

Выборка из параметризованного нецентрального распределения Фишера.

См. также

Generator.noncentral_f

который следует использовать в новом коде.

Примечания

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

Ссылки

1

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

2

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

Примеры

В исследовании проверка конкретной альтернативы нулевой гипотезе требует использования нецентрального распределения F. Нам нужно рассчитать площадь в хвосте распределения, которая превышает значение распределения F 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, 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()