maxframe.tensor.random.noncentral_f#

maxframe.tensor.random.noncentral_f(dfnum, dfden, nonc, size=None, chunk_size=None, gpu=None, dtype=None)[源代码]#

从非中心 F 分布中抽取样本。

样本从具有指定参数的 F 分布中抽取，dfnum`（分子自由度）和 `dfden`（分母自由度）均大于 1。`nonc 是非中心参数。

参数:

  • dfnum (float or array_like of floats) -- 分子自由度，应大于 0。

  • dfden (float or array_like of floats) -- 分母自由度，应大于 0。

  • nonc (float or array_like of floats) -- 非中心参数，是分子均值平方和，应大于等于 0。

  • size (int or tuple of ints, optional) -- 输出形状。如果给定形状如 (m, n, k)，则抽取 m * n * k 个样本。如果 size 是 None``（默认），且 ``dfnum、dfden 和 nonc 都是标量，则返回一个单一值。否则，抽取 np.broadcast(dfnum, dfden, nonc).size 个样本。

  • chunk_size (int or tuple of int or tuple of ints, optional) -- 每个维度上期望的块大小

  • gpu (bool, optional) -- 如果为 True，则将张量分配到 GPU 上，默认为 False

  • dtype (data-type, optional) -- 返回张量的数据类型。

返回:

out -- 从参数化的非中心 Fisher 分布中抽取的样本。

返回类型:

Tensor or scalar

备注

在计算实验功效（功效 = 当特定备择假设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 统计量服从中心 F 分布。当原假设不成立时，则服从非中心 F 分布。

引用

示例

在一项研究中，检验相对于原假设的特定备择假设需要使用非中心 F 分布。我们需要计算分布尾部超过原假设下 F 分布值的区域。我们将绘制两个概率分布进行比较。

>>> import maxframe.tensor as mt
>>> import matplotlib.pyplot as plt

>>> dfnum = 3 # between group deg of freedom
>>> dfden = 20 # within groups degrees of freedom
>>> nonc = 3.0
>>> nc_vals = mt.random.noncentral_f(dfnum, dfden, nonc, 1000000)
>>> NF = np.histogram(nc_vals.execute(), bins=50, normed=True)
>>> c_vals = mt.random.f(dfnum, dfden, 1000000)
>>> F = np.histogram(c_vals.execute(), bins=50, normed=True)
>>> plt.plot(F[1][1:], F[0])
>>> plt.plot(NF[1][1:], NF[0])
>>> plt.show()