基于正态分布的抽样分布-卡方分布

燕北茶

已于 2022-02-16 21:02:17 修改

阅读量2k

点赞数

分类专栏：数据分析文章标签：概率论机器学习人工智能

于 2022-02-16 20:43:03 首次发布

本文链接：https://blog.csdn.net/Zohn_Sun/article/details/122970784

版权

数据分析专栏收录该内容

6 篇文章 0 订阅

订阅专栏

本文介绍了卡方分布的概念，包括其自由度和推论性质。通过Python的scipy库展示了不同自由度下卡方分布的概率密度函数图形，并指出随着自由度增加，分布趋向对称，当自由度趋于无穷时，卡方分布逼近正态分布。同时，提供了计算卡方分布累积分布函数、概率密度函数和逆生存函数的代码示例。

摘要由CSDN通过智能技术生成

卡方分布：

n个观测值 $y_{1},y_{2},y_{3},...y_{n}$ 来自一个符合正态分布的总体，正态总体的均值是 $\mu$ ，方差是 $\sigma ^{2}$

则有：

$\chi ^{2}=\frac{(n-1)s^{2}}{\sigma ^{2}}$ 自由度 $\upsilon = \left ( n-1 \right )$

其中 $s^{2}$ 是样本 $y_{1},y_{2},y_{3},...y_{n}$ 的方差；

推论性质：

当 ${\chi_{1}}^{2}$ 和 ${\chi_{2}}^{2}$ 相互独立则 $({\chi_{2}}^{2}+{\chi_{2}}^{2})$ 也符合卡方分布，且自由度为 $(\nu _{1}+\nu _{2})$ ；可以推算n个卡方分布同理。

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

x = np.linspace(0, 100, 100000) # 在0和100之间返回均匀间隔的数据，数据量为100000
color = ["blue", "green", "darkgrey", "darkblue", "orange"]
for i in range(10, 51, 10):
    y = stats.chi2.pdf(x, df=i)
    plt.plot(x, y, c=color[int((i - 10) / 10)])
plt.title("卡方分布图")
plt.tight_layout()
plt.show()

随着自由度的增加，卡方分布的概率密度曲线趋于对称。当自由度n -> +∞的时候，卡方分布的极限分布就是正态分布。

from scipy import stats

# 卡方分布
stats.chi2
#分布函数值
stats.chi2.cdf(α,自由度)；
# 概率密度函数
stats.chi2.pdf(α,自由度)；
# 右分位点，若取95%置信系数，则α=（1-0.95）/2
stats.chi2.isf(α,自由度)；