利用python通过拟合优度检验判别数据是否为正态分布

最新推荐文章于 2023-10-03 03:01:56 发布

胡不

最新推荐文章于 2023-10-03 03:01:56 发布

阅读量4.1k

点赞数 2

文章标签： python 数据分析概率论

本文链接：https://blog.csdn.net/qq_45019507/article/details/105842372

版权

本文介绍了如何使用Python进行拟合优度检验来判断数据是否符合正态分布。通过分步解释检验原理，包括数据区间划分、标准化、期望频率计算等，并展示了对正态和均匀分布数据的测试案例。然而，当数据量小或分组不当，测试准确性可能降低。

摘要由CSDN通过智能技术生成

简介

拟合优度检验是一类对于数据是否为正态分布没有要求的检验方法，通过这种方法可以对非正态分布的数据进行检验，同样也能对正态分布的数据进行检验。检验原理如下：
1）将得到的数据进行按区间划分。
2）得到数据按区间划分的频数分布表，并将区间标准化。
3）计算各区间按标准正态分布对于的期望频率，通过这一期望频率得到期望频数fe。
4）计算chi-square。
5）对比显著度的临界值，如果大于则确定数据不符合正态分布，如果小于则确定数据在该显著度符合正态分布。
具体步骤可按下表进行：

区间	频数	z-values	期望频率	期望	频数	chi-square

通过python编写，代码如下：

#利用频率检验数据分布是否为正态分布
def test_for_normility(data, c, sig):
    mean = data.mean()
    n = len(data)
    std = data.var()*(n/(n-1))
    data_g = data.groupby(pd.cut(data.iloc[:,0], c)).count()
    data_g.rename(columns = {
   0:'count'},inplace = True)
    data_g['left'