numpy.random.noncentral_f¶

numpy.random.noncentral_f(dfnum, dfden, nonc, size=None)¶

从非中心F分布绘制样本。

Samples are drawn from an F distribution with specified parameters, dfnum (degrees of freedom in numerator) and dfden (degrees of freedom in denominator), where both parameters > 1. nonc is the non-centrality parameter.

参数：	dfnum：int 参数，应> 1。 dfden：int 参数，应> 1。 nonc：float 参数，应为> = 0。 size：int或tuple的整数，可选输出形状。如果给定形状是例如`（m， n， k）`，则 `m * n * k`默认值为None，在这种情况下返回单个值。
返回：	samples：scalar或ndarray 绘制样品。

参数：

dfnum：int

参数，应> 1。

dfden：int

参数，应> 1。

nonc：float

参数，应为> = 0。

size：int或tuple的整数，可选

输出形状。如果给定形状是例如（m， n， k），则 m * n * k默认值为None，在这种情况下返回单个值。

samples：scalar或ndarray

绘制样品。

笔记

当计算实验的功率（功率=当特定替代为真时拒绝零假设的概率），非中心F统计变得重要。当零假设为真时，F统计遵循中心F分布。当零假设不为真时，则遵循非中心F统计量。

参考文献

[R247]

Weisstein，Eric W.“非中心F分布”。来自MathWorld-Wolfram Web资源。http://mathworld.wolfram.com/NoncentralF-Distribution.html

[R248]

维基百科，“非中心F分布”，http://en.wikipedia.org/wiki/Noncentral_F-distribution

例子

在一项研究中，对零假设的特定替代的测试需要使用非中心F分布。我们需要计算超过零假设的F分布值的分布尾部的面积。我们将绘制两个概率分布用于比较。

>>> 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, normed=True)
>>> c_vals = np.random.f(dfnum, dfden, 1000000)
>>> F = np.histogram(c_vals, bins=50, normed=True)
>>> plt.plot(F[1][1:], F[0])
>>> plt.plot(NF[1][1:], NF[0])
>>> plt.show()