numpy.random.noncentral_f#
- random.noncentral_f(dfnum, dfden, nonc, size=None)#
从非中心 F 分布中抽取样本.
样本是从具有指定参数的 F 分布中抽取的, dfnum (分子中的自由度)和 dfden (分母中的自由度),其中两个参数 > 1. nonc 是非中心性参数.
备注
新代码应使用
noncentral_f方法,该方法属于Generator实例;请参阅 快速入门 .- 参数:
- dfnumfloat 或 floats 的类数组对象
分子自由度,必须 > 0.
- dfdenfloat 或 floats 的类数组对象
分母自由度,必须 > 0.
- noncfloat 或 floats 的类数组对象
非中心性参数,分子均值的平方和,必须 >= 0.
- sizeint 或 int 的元组,可选.
输出形状.如果给定的形状是例如
(m, n, k),则抽取m * n * k个样本.如果 size 为None(默认),则当dfnum,dfden和nonc都是标量时,返回单个值.否则,抽取np.broadcast(dfnum, dfden, nonc).size个样本.
- 返回:
- outndarray 或标量
从参数化的非中心 Fisher 分布中抽取的样本.
参见
random.Generator.noncentral_f新代码应该使用这个.
注释
当计算实验的功效(功效 = 当特定替代方案为真时拒绝原假设的概率)时,非中心 F 统计量变得重要.当原假设为真时,F 统计量遵循中心 F 分布.当原假设不为真时,则遵循非中心 F 统计量.
参考
[1]Weisstein, Eric W. “Noncentral F-Distribution.” 来自 MathWorld–一个 Wolfram Web 资源.https://mathworld.wolfram.com/NoncentralF-Distribution.html
[2]Wikipedia, “Noncentral F-distribution”, https://en.wikipedia.org/wiki/Noncentral_F-distribution
示例
在一项研究中,检验零假设的特定替代方案需要使用非中心 F 分布.我们需要计算超过零假设的 F 分布值的分布尾部区域.我们将绘制两个概率分布以进行比较.
>>> 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()
