numpy.random.Generator.noncentral_chisquare

метод

random.Generator.noncentral_chisquare(df, nonc, size=None)

Генерирует выборку из нецентрального распределения хи-квадрат.

Нецентральное распределение хи-квадрат является обобщением распределения хи-квадрат.

Параметры:

dffloat или array_like чисел с плавающей точкой

Число степеней свободы, должно быть > 0.

Изменено в версии 1.10.0: В предыдущих версиях NumPy требовалось dfnum > 1.

noncfloat или array_like чисел с плавающей точкой

Нецентральность, должно быть неотрицательным.

sizeцелое число или кортеж целых чисел, необязательно

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

Возвращает:

outndarray или скаляр

Сгенерированная выборка из параметризованного распределения нецентрального хи-квадрат.

Примечания

Функция плотности вероятности для нецентрального распределения хи-квадрат:

\[P(x;df,nonc) = \sum^{\infty}_{i=0} \frac{e^{-nonc/2}(nonc/2)^{i}}{i!} P_{Y_{df+2i}}(x),\]

где \(Y_{q}\) — распределение хи-квадрат с q степенями свободы.

Ссылки

[1]

Википедия, «Нецентральное распределение хи-квадрат» https://en.wikipedia.org/wiki/Noncentral_chi-squared_distribution

Примеры

Генерирует значения из распределения и строит гистограмму

>>> rng = np.random.default_rng()
>>> import matplotlib.pyplot as plt
>>> values = plt.hist(rng.noncentral_chisquare(3, 20, 100000),
...                   bins=200, density=True)
>>> plt.show()

Генерирует значения из нецентрального распределения хи-квадрат с очень малой нецентральностью и сравнивает с распределением хи-квадрат.

>>> plt.figure()
>>> values = plt.hist(rng.noncentral_chisquare(3, .0000001, 100000),
...                   bins=np.arange(0., 25, .1), density=True)
>>> values2 = plt.hist(rng.chisquare(3, 100000),
...                    bins=np.arange(0., 25, .1), density=True)
>>> plt.plot(values[1][0:-1], values[0]-values2[0], 'ob')
>>> plt.show()

Демонстрирует, как большие значения нецентральности приводят к более симметричному распределению.

>>> plt.figure()
>>> values = plt.hist(rng.noncentral_chisquare(3, 20, 100000),
...                   bins=200, density=True)
>>> plt.show()