numpy.random.Generator.noncentral_f#
方法
- random.Generator.noncentral_f(dfnum, dfden, nonc, size=None)#
从非中心 F 分布中抽取样本。
样本从具有指定参数 F 分布中抽取，其中 dfnum（分子自由度）和 dfden（分母自由度）都大于 1。nonc 是非中心性参数。
- 参数:
- dfnum浮点数或浮点数数组
分子自由度，必须 > 0。
- dfden浮点数或浮点数数组
分母自由度，必须 > 0。
- nonc浮点数或浮点数数组
非中心性参数，分子均方和，必须 >= 0。
- size整数或整数元组，可选
输出形状。例如，如果给定形状为
(m, n, k)，则会抽取m * n * k个样本。如果 size 为None(默认值)，则当dfnum、dfden和nonc都是标量时，返回单个值。否则，将抽取np.broadcast(dfnum, dfden, nonc).size个样本。
- 返回:
- outndarray 或标量
从参数化非中心 Fisher 分布中抽取的样本。
注意
在计算实验功效（功效 = 当特定备择假设为真时拒绝零假设的概率）时，非中心 F 统计量变得很重要。当零假设为真时，F 统计量遵循中心 F 分布。当零假设不为真时，它遵循非中心 F 统计量。
参考资料
[1]Weisstein, Eric W. “非中心 F 分布。”来自 MathWorld–A Wolfram Web Resource。https://mathworld.net.cn/NoncentralF-Distribution.html
[2]维基百科，“非中心 F 分布”，https://en.wikipedia.org/wiki/Noncentral_F-distribution
示例
在一项研究中，检验零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出零假设 F 分布值的部分面积。我们将绘制这两个概率分布进行比较。
>>> rng = np.random.default_rng() >>> dfnum = 3 # between group deg of freedom >>> dfden = 20 # within groups degrees of freedom >>> nonc = 3.0 >>> nc_vals = rng.noncentral_f(dfnum, dfden, nonc, 1000000) >>> NF = np.histogram(nc_vals, bins=50, density=True) >>> c_vals = rng.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()
