c++ 一维高斯拟合_χ2检验教案：拟合度检验与正态分布的关系

weixin_39634508

于 2020-12-28 15:46:29 发布

阅读量603

点赞数

文章标签： c++ 一维高斯拟合

本文链接：https://blog.csdn.net/weixin_39634508/article/details/112181557

版权

本文探讨了在没有个人电脑时代的二水平拟合度检验，通过正态近似解决此类问题。通过案例分析了二项分布、正态分布的拟合度检验，并对比了R和SPSS在二水平和三水平拟合度检验中的结果。强调在二水平检验中，应使用二项分布检验并报告置信区间；在多水平检验中，推荐使用多项分布检验。此外，讨论了在不同水平拟合度检验中的应用建议和统计教学价值。

摘要由CSDN通过智能技术生成

摘要：

拟合度检验富于教学内涵，没有应用意义。文中图解

拟合度检验中的正态随机向量，示以数值实例。文末给出（与全文其实无关的）应用建议和代码示例。

二水平拟合度之二项分布检验

数据：随机抛32枚硬币，22枚正面朝上^[1]。双尾虚无假设：正面朝上总体期望0.5。

Excel中的解：随机抛32枚均匀硬币，正面朝上服从二项分布。百分位数21的百分等级97.49%，本题的右尾p值为100%-97.49%。分布对称，双尾p 值为右尾p 值的两倍。

二项分布检验的Excel解答

binom.test(x = 22,n = 32)
## 
##  Exact binomial test
## 
## data:  22 and 32
## number of successes = 22, number of trials = 32, p-value = 0.0501
## alternative hypothesis: true probability of success is not equal to 0.5
## 95 percent confidence interval:
##  0.4999224 0.8388153
## sample estimates:
## probability of success 
##                 0.6875

在没有个人电脑、只能纸笔查表的年代，这类问题通过正态近似解决。题中的二项分布随机数X 近似服从的正态分布总体均值

=32×0.5=16、标准误总体参数

。下图解释了为什么要做±0.5的校正——Pr(离散的二项随机数X≥22)≈Pr(对应连续正态随机数Z>21.5)，约等号左边的22恰好取到的概率近似于Pr(22.5≥Z>21.5)。

Pr(离散的二项随机数X≥22)≈Pr(对应连续正态随机数Z&amp;amp;amp;amp;amp;amp;amp;amp;gt;21.5)

本例21.5的标准化z 值1.9445，对应的双尾p 值为0.05183。

prop.test(x = 22,n = 32)
## 
##  1-sample proportions test with continuity correction
## 
## data:  22 out of 32, null probability 0.5
## X-squared = 3.7812, df = 1, p-value = 0.05183
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
##  0.4986377 0.8325051
## sample estimates:
##      p 
## 0.6875

但如果没有作连续性校正，本例22的标准化z 值就是2.1213，对应的双尾p 值为0.03389,

=4.5000。

的右尾

p 值即对应的 z 双尾 p 值。

prop.test(x = 22,n = 32,correct = F)
## 
##  1-sample proportions test without continuity correction
## 
## data:  22 out of 32, null probability 0.5
## X-squared = 4.5, df = 1, p-value = 0.03389
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
##  0.5143332 0.8204746
## sample estimates:
##      p 
## 0.6875