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。

从具有指定参数 dfnum（分子自由度）和 dfden（分母自由度）的 F 分布中抽取样本，其中两个参数都 > 1。 nonc 是非中心参数。

参数:

dfnumfloat 或 array_like of floats

分子自由度，必须 > 0。

在 1.14.0 版本中变更: 早期 NumPy 版本要求 dfnum > 1。

dfdenfloat 或 array_like of floats

分母自由度，必须 > 0。

noncfloat 或 array_like of floats

非中心参数，分子均方和，必须 >= 0。

sizeint 或 int 元组，可选

输出形状。如果给定的形状为，例如，(m, n, k)，则会抽取 m * n * k 个样本。如果 size 为 None（默认值），则如果 dfnum、dfden 和 nonc 都是标量，则返回单个值。否则，将抽取 np.broadcast(dfnum, dfden, nonc).size 个样本。

返回值:

outndarray 或标量

从参数化的非中心 Fisher 分布中抽取的样本。

注释

在计算实验功效（功效 = 在特定备择假设为真的情况下拒绝零假设的概率）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。

参考文献

[1]

Weisstein，Eric W. “非中心 F 分布”。来自 MathWorld - Wolfram 网页资源。 https://mathworld.wolfram.com/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，测试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中超过零假设 F 分布值的面积。我们将绘制两个概率分布以进行比较。

>>> 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()