NumPy 1.14 - numpy.random.noncentral_f()

numpy.random.noncentral_f




numpy

numpy.random.noncentral_f

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

गैर-एफ वितरण से नमूने खींचें।

नमूने निर्दिष्ट मापदंडों के साथ एक एफ वितरण से तैयार किए गए हैं, dfnum (अंश में स्वतंत्रता की डिग्री) और dfden (भाजक में स्वतंत्रता की डिग्री), जहां दोनों पैरामीटर> 1. nonc गैर-केंद्रीयता पैरामीटर है।

पैरामीटर:

dfnum : फ्लोट या array_like की फ्लोट्स

स्वतंत्रता की न्यूमेरिक डिग्री, 0 होनी चाहिए।

संस्करण १.१४.० में बदल गया: पहले के NumPy संस्करणों के लिए dfnum> १ आवश्यक था।

डीएफडेन : फ्लोट्स की फ्लोट या array_like

स्वतंत्रता की डिग्री,> 0 होनी चाहिए।

नॉनक : फ्लोट्स का फ्लोट या array_like

गैर-केंद्रीयता पैरामीटर, अंश के वर्गों के योग का मतलब है, = 0 होना चाहिए।

आकार : इंट या टुपल इन्टस, वैकल्पिक

आउटपुट आकार। यदि दी गई आकृति है, जैसे, (m, n, k) , तो m * n * k नमूने खींचे जाते हैं। यदि आकार None (डिफ़ॉल्ट), यदि dfnum , dfden और nonc सभी स्केलर हैं तो एक एकल मान लौटाया जाता है। अन्यथा, np.broadcast(dfnum, dfden, nonc).size नमूने तैयार किए जाते हैं।

यह दिखाता है:

बाहर : ndarray या स्केलर

पैरामीटर किए गए गैर-केंद्रित फ़िशर वितरण से नमूने लिए गए।

टिप्पणियाँ

एक प्रयोग की शक्ति की गणना करते समय (शक्ति = एक विशिष्ट विकल्प सही होने पर अशक्त परिकल्पना को अस्वीकार करने की संभावना) गैर-केंद्रीय एफ सांख्यिकीय महत्वपूर्ण हो जाता है। जब शून्य परिकल्पना सच होती है, तो F आँकड़ा एक केंद्रीय F वितरण का अनुसरण करता है। जब अशक्त परिकल्पना सच नहीं होती है, तो यह एक गैर-केंद्रीय एफ स्टेटिस्टिक का अनुसरण करता है।

संदर्भ

[R495496] वीसस्टीन, एरिक डब्ल्यू। "नॉनसेंट्रल एफ-डिस्ट्रीब्यूशन।" मैथवर्ल्ड से-एक वोल्फ्राम वेब रिसोर्स। http://mathworld.wolfram.com/NoncentralF-Distribution.html
[R496496] विकिपीडिया, "नॉनसेंट्रल एफ-डिस्ट्रीब्यूशन", http://en.wikipedia.org/wiki/Noncentral_F-distribution

उदाहरण

एक अध्ययन में, शून्य परिकल्पना के लिए एक विशिष्ट विकल्प के परीक्षण के लिए नॉनसेंट्रल एफ वितरण का उपयोग करने की आवश्यकता होती है। हमें वितरण की पूंछ में क्षेत्र की गणना करने की आवश्यकता है जो शून्य परिकल्पना के लिए एफ वितरण के मूल्य से अधिक है। हम तुलना के लिए दो प्रायिकता वितरण को प्लॉट करेंगे।

>>> 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()