numpy.random.noncentral_f#
- random.noncentral_f(dfnum, dfden, nonc, size=None)#
从非中心 F 分布中抽取样本。
样本从具有指定参数 dfnum（分子自由度）和 dfden（分母自由度）的 F 分布中抽取，其中两个参数都 > 1。nonc 是非中心参数。
注意
新代码应改用
noncentral_f的Generator实例方法；请参阅快速入门。- 参数:
- dfnumfloat 或 float 数组形对象
分子自由度，必须 > 0。
- dfdenfloat 或 float 数组形对象
分母自由度，必须 > 0。
- noncfloat 或 float 数组形对象
非中心参数，即分子均值平方和，必须 >= 0。
- sizeint 或 int 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），则如果dfnum、dfden和nonc都是标量，则返回单个值。否则，抽取np.broadcast(dfnum, dfden, nonc).size个样本。
- 返回值:
- outndarray 或 scalar
从参数化的非中心 Fisher 分布中抽取的样本。
另请参阅
random.Generator.noncentral_f新代码应该使用此方法。
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 统计量服从中心 F 分布。当零假设不为真时，则服从非中心 F 统计量。
参考
[1]Weisstein, Eric W. “非中心 F 分布。” 摘自 MathWorld–A Wolfram Web Resource. https://mathworld.net.cn/NoncentralF-Distribution.html
[2]Wikipedia, “非中心 F 分布”, https://en.wikipedia.org/wiki/Noncentral_F-distribution
示例
在研究中，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 分布值的那部分面积。我们将绘制两个概率分布图进行比较。
>>> 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()
