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。

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

参数：

dfnum浮点数或浮点数的 array_like

分子自由度，必须 > 0。

dfden浮点数或浮点数的 array_like

分母自由度，必须 > 0。

nonc浮点数或浮点数的 array_like

非中心参数，分子均方和，必须 >= 0。

size整数或整数元组，可选

输出形状。如果给定的形状例如为 (m, n, k)，则将抽取 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：

outndarray 或标量

从参数化的非中心 Fisher 分布中抽取的样本。

备注

在计算实验功效（功效 = 在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，则它遵循非中心 F 统计量。

参考文献

[1]

Weisstein, Eric W. “Noncentral F-Distribution.” From MathWorld–A Wolfram Web Resource. https://mathworld.wolfram.com/NoncentralF-Distribution.html

[2]

Wikipedia, “Noncentral F-distribution”, https://en.wikipedia.org/wiki/Noncentral_F-distribution

示例

在一项研究中，测试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过零假设的 F 分布值的面积。我们将绘制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()