python 卡方分布值_【知识】型概率分布

“ Γ型概率分布、卡方概率分布和指数概率分布的介绍”

在现实生活中，许多随机变量的取值只能是非负数，比如灯泡的使用寿命。对于这类随机变量的相对频率分布，常采用Γ型概率分布进行建模。符号“Γ”读作gamma。

01

—

Γ型概率分布

   概率密度函数

Γ型随机变量的概率密度函数包含α和β两个参数，其中α称为形状参数，β称为尺度参数。

如果α是正整数，则Γ(α)=(α-1)!

Excel软件提供了计算任意Γ(α)值的函数

GAMMA(x)

---x：形状参数α

   累积分布函数

除非α是正整数，否则Γ型随机变量没有显式的累积分布函数。使用Excel软件中的GAMMA.DIST函数，可以计算出任意Γ型随机变量的累积分布函数值，该函数的形式和参数含义如下所示：

GAMMA.DIST(x,alpha,beta,cumulative)

---x：P(Y≤y)=F(y)中的y值

---alpha：形状参数α

---beta：尺度参数β

---cumulative：等于0表示概率密度函数，等于1表示累积分布函数

   均值和方差

02

—

卡方概率分布

卡方随机变量是一种特殊的Γ型随机变量，它的形状参数α=v/2，尺度参数β=2，参数v称为卡方分布的自由度个数。

   概率密度函数

   累积分布函数

可使用Excel函数计算

CHISQ.DIST(x,deg_freedom,cumulative)

---x：P(Y≤y)=F(y)中的y值

---deg_freedom：自由度个数v

---cumulative：等于0表示概率密度函数，等于1表示累积分布函数

   均值和方差

03

—

指数概率分布

指数随机变量也是一种特殊的Γ型随机变量，特殊之处在于它的形状参数α=1。

   概率密度函数

   累积密度函数

另外，也可以使用Excel函数计算

EXPON.DIST(x,lambda,cumulative)

---x：P(Y≤y)=F(y)中的y

---lambda：等于1/β

---cumulative：等于0表示概率密度函数，等于1表示累积分布函数

   均值和方差

04

—

应用

   计算概率

如果求解的问题为事件y1≤Y≤y2的概率，那么只需求出边界点的累积分布函数值，再相减即可。

即：P(y1≤Y≤y2)=F(y2)-F(y1)

其中，F(y1)和F(y2)的值可通过累积分布函数表达式进行计算，或者查表得出，还可以使用相关软件进行计算。

   计算边界

如果已知大于或小于t值时的概率，求t的具体数值，可通过累积分布函数或相关软件进行计算。

1、当P(Y≤t)=C时(此时t是第100C百分位数)，根据F(t)=C求出t的值，或者使用Excel软件中GAMMA.INV、CHISQ.INV函数计算。

2、当P(Y≥t)=C时，先转化为P(Y≤t)=1-C，其后的计算与1相同。

   均值和方差

根据相应概率模型均值和方差的公式计算。

   统计推断

原理：稀有事件(小概率事件)在一次试验中几乎不可能发生。

例题：假设有一种零件的使用寿命Y(单位：h)服从β=2000h的指数分布，(1)求零件使用寿命在2500h到3000h的概率；(2)如果设定一个目标使用寿命t，使得实际运行中该零件的使用寿命不超过t的概率为90%，求t的值；(3)求使用寿命的均值和方差；(4)如果在一次检测中发现零件的使用寿命仅为20h，从中能够得出什么结论？

解：

(1)属于计算概率的问题

P(2500≤Y≤3000)=F(3000)-F(2500)

根据指数随机变量的累积分布函数，有

F(3000)=1-exp(-3000/2000)=0.7769

F(2500)=1-exp(-2500/2000)=0.7135

因此，得

P(2500≤Y≤3000)=0.0634

(2)属于计算边界(百分位数)的问题

P(Y≤t)=F(t)=0.9

代入累计分布函数公式，得：

1-exp(-t/2000)=0.9

因此，有：

t=4605h

(3)属于计算均值和方差的问题

根据公式，得：

均值μ=2000，方差σ^2=4000000

(4)属于统计推断问题

因为20在均值的左侧，考虑事件Y≤20的概率大小

P(Y≤20)=F(20)≈0.01

因此事件Y≤20是稀有事件。根据这个信息可以推断几种可能性：①检测到了稀有事件，但可能性不大；②对零件使用寿命Y的概率模型的假设是不合理的；③其他的问题，如记录错误、不正确的测试方式等。