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()