卡方分布学习笔记

卡方分布学习笔记

卡方分布（Chi-Square Distribution）是一种概率分布，常用于假设检验、方差分析等统计推断中。在实际应用中，我们会经常遇到卡方分布，因此有必要对其进行深入了解。

基本定义

• 自由度（degree of freedom）：卡方分布的自由度表示随机变量的个数减1。

• 概率密度函数：$$f(x)=\frac{x^{\frac{m}{2}-1}{e}^{-\frac{x}{2}}}{2^{\frac{m}{2}}\Gamma (\frac{m}{2})}$$
  其中，$m$表示自由度，$\Gamma (\frac{m}{2})$表示伽玛函数，满足$\Gamma (n)=(n-1)!$。

• 分布函数：$$F(x)=\frac{\gamma (\frac{m}{2},\frac{x}{2})}{\Gamma (\frac{m}{2})}$$
  其中，$\gamma (s,x)$表示下不完全伽玛函数，定义为：
  $$\gamma (s,x)={\int }_0^x{t}^{s-1}{e}^{-t}dt$$

性质

1. 当自由度$m$很大时，卡方分布近似服从正态分布。
2. 卡方分布是非负的，且右偏。
3. 卡方分布的期望为$m$，方差为$2m$。

假设检验

卡方分布在假设检验中有着广泛应用。一般地，若要检验一个事件是否遵循某种理论分布，则可以使用卡方检验（Chi-Square Test）。具体步骤如下：

1. 根据样本数据计算出频数$f_i(i=1,2,...,k)$。
2. 计算出每个类别的期望频数$e_i$（即符合理论分布的样本数量）。
3. 计算${\chi }^2={\sum }_{i=1}^k\frac{(f_i-e_i{)}^2}{e_i}$。
4. 对于显著性水平为$\alpha$的假设检验，如果${\chi }^2>{\chi }_{1-\alpha ,k-1}^2$，则拒绝原假设；否则接受原假设。

其中，${\chi }_{1-\alpha ,k-1}^2$表示自由度为$k-1$、右侧面积为$1-\alpha$的卡方分位数。

使用示例

下面是使用Python代码生成自由度为$m$的卡方分布随机变量的示例：

import numpy as np
from scipy.stats import chi2

m = 10
rv = chi2(df=m)
x = np.linspace(0, 20, 1000)
y = rv.pdf(x)

import matplotlib.pyplot as plt
plt.plot(x, y)
plt.title("Chi-Square Distribution (m={})".format(m))
plt.xlabel("X")
plt.ylabel("Probability Density")
plt.show()

总结

本篇博客介绍了卡方分布的基本定义、性质、假设检验以及使用示例。希望可以对读者在统计推断中遇到卡方分布有所帮助。