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的 F 分布中抽取，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。

注意

新代码应使用 noncentral_f 方法，该方法是 Generator 实例的方法；请参阅 快速入门。

参数:

dfnumfloat 或 floats 的类数组

分子自由度，必须 > 0。

dfdenfloat 或 floats 的类数组

分母自由度，必须 > 0。

noncfloat 或 floats 的类数组

非中心参数，即分子均值的平方和，必须 >= 0。

sizeint 或 ints 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)，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:

outndarray 或标量

从参数化的非中心费舍尔分布中抽取的样本。

另请参阅

random.Generator.noncentral_f

新代码应使用该方法。

备注

在计算实验功效时（功效 = 当特定备择假设为真时拒绝原假设的概率），非中心 F 统计量变得重要。当原假设为真时，F 统计量服从中心 F 分布。当原假设不为真时，则服从非中心 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，检验原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原假设的 F 分布值的面积。我们将绘制两个概率分布进行比较。

>>> 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()