numpy.random.noncentral_f¶
-
numpy.random.
noncentral_f
(dfnum, dfden, nonc, size=None)¶ 从非中心F分布绘制样本。
Samples are drawn from an F distribution with specified parameters, dfnum (degrees of freedom in numerator) and dfden (degrees of freedom in denominator), where both parameters > 1. nonc is the non-centrality parameter.
参数: dfnum:int
参数,应> 1。
dfden:int
参数,应> 1。
nonc:float
参数,应为> = 0。
size:int或tuple的整数,可选
输出形状。如果给定形状是例如
(m, n, k)
,则m * n * k
默认值为None,在这种情况下返回单个值。返回: samples:scalar或ndarray
绘制样品。
笔记
当计算实验的功率(功率=当特定替代为真时拒绝零假设的概率),非中心F统计变得重要。当零假设为真时,F统计遵循中心F分布。当零假设不为真时,则遵循非中心F统计量。
参考文献
[R247] Weisstein,Eric W.“非中心F分布”。来自MathWorld-Wolfram Web资源。http://mathworld.wolfram.com/NoncentralF-Distribution.html [R248] 维基百科,“非中心F分布”,http://en.wikipedia.org/wiki/Noncentral_F-distribution 例子
在一项研究中,对零假设的特定替代的测试需要使用非中心F分布。我们需要计算超过零假设的F分布值的分布尾部的面积。我们将绘制两个概率分布用于比较。
>>> 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, 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()