NumPy 1.14 - RandomState.noncentral_chisquare()

numpy.random.RandomState.noncentral_chisquare




numpy

numpy.random.RandomState.noncentral_chisquare

RandomState.noncentral_chisquare(df, nonc, size=None)

एक गैर-केंद्रीय ची-वर्ग वितरण से नमूने लें।

गैरसैंण \ ची ^ 2 वितरण का एक सामान्यीकरण है \ ची ^ 2 वितरण।

पैरामीटर:

df : फ्लोट्स की फ़्लोट या array_like

स्वतंत्रता की डिग्री, होना चाहिए> 0।

संस्करण १.१०.० में परिवर्तित: पहले के NumPy संस्करणों में dfnum> १ आवश्यक था।

नॉनक : फ्लोट्स का फ्लोट या array_like

गैर-केंद्रीयता, गैर-नकारात्मक होनी 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 df और nonc दोनों स्केलर हैं तो एक एकल मान लौटाया जाता है। अन्यथा, np.broadcast(df, nonc).size नमूने खींचे जाते हैं।

यह दिखाता है:

बाहर : ndarray या स्केलर

पैरामीटर किए गए गैर-केंद्रापसारक ची-वर्ग वितरण से नमूने खींचे।

टिप्पणियाँ

गैर-केंद्रीय ची-वर्ग वितरण के लिए संभाव्यता घनत्व फ़ंक्शन है

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

कहा पे Y_ {q} स्वतंत्रता की क्ष डिग्री के साथ ची-वर्ग है।

दिल्ली (2007) में, यह ध्यान दिया जाता है कि गैर-केंद्रीय ची-बम बमबारी और कवरेज की समस्याओं में उपयोगी है, गैर-केंद्रित ची-वर्गीय वितरण द्वारा दिए गए बिंदु लक्ष्य को मारने की संभावना।

संदर्भ

[R349350] दिल्ली, एमएस होला, हथियार प्रणाली प्रभावशीलता के विश्लेषण में एक गैर-केंद्रीय ची-वर्ग वितरण, मेट्रिका, वॉल्यूम 15, नंबर 1 / दिसंबर, 1970।
[R350350] विकिपीडिया, एक € ralNoncentral ची-वर्ग वितरण- http://en.wikipedia.org/wiki/Noncentral_chi-square_distribution

उदाहरण

डिस्ट्रीब्यूशन से मान निकालें और हिस्टोग्राम प्लॉट करें

>>> import matplotlib.pyplot as plt
>>> values = plt.hist(np.random.noncentral_chisquare(3, 20, 100000),
...                   bins=200, normed=True)
>>> plt.show()
../../_images/numpy-random-RandomState-noncentral_chisquare-1_00_00.png

एक गैर-केंद्रीय छींक से मानों को बहुत छोटी गैर-समता से आकर्षित करें, और एक छांछ की तुलना करें।

>>> plt.figure()
>>> values = plt.hist(np.random.noncentral_chisquare(3, .0000001, 100000),
...                   bins=np.arange(0., 25, .1), normed=True)
>>> values2 = plt.hist(np.random.chisquare(3, 100000),
...                    bins=np.arange(0., 25, .1), normed=True)
>>> plt.plot(values[1][0:-1], values[0]-values2[0], 'ob')
>>> plt.show()
../../_images/numpy-random-RandomState-noncentral_chisquare-1_01_00.png

प्रदर्शित करें कि गैर-केंद्रीयता के बड़े मूल्य एक अधिक सममित वितरण के लिए कैसे नेतृत्व करते हैं।

>>> plt.figure()
>>> values = plt.hist(np.random.noncentral_chisquare(3, 20, 100000),
...                   bins=200, normed=True)
>>> plt.show()
../../_images/numpy-random-RandomState-noncentral_chisquare-1_02_00.png