python卡方检验计算pvalue值_Python中的Chisquared拟合优度测试：pvalue太低，但拟合函数是...

尽管我已经找了两天的相关问题，我还没有真正找到这个问题的答案。。。在

在下面的代码中，我生成n个正态分布的随机变量，然后用直方图表示：import numpy as np

import matplotlib.pyplot as plt

n = 10000 # number of generated random variables

x = np.random.normal(0,1,n) # generate n random variables

# plot this in a non-normalized histogram:

plt.hist(x, bins='auto', normed=False)

# get the arrays containing the bin counts and the bin edges:

histo, bin_edges = np.histogram(x, bins='auto', normed=False)

number_of_bins = len(bin_edges)-1

在此基础上，建立了曲线拟合函数及其参数。

它与参数a1和b1正态分布，并用比例因子缩放，以满足样本不正态化的事实。

它确实非常符合柱状图：

^{pr2}$

之后，我想用卡方检验来测试这个函数与直方图的匹配程度。

本测试使用这些点的观察值和期望值。为了计算期望值，我首先计算每个箱子中间的位置，这个信息包含在数组x\u middle中。然后计算每个bin的中间点处拟合函数的值，得到期望的_值数组：observed_values = histo

bin_width = bin_edges[1] - bin_edges[0]

# array containing the middle point of each bin:

x_middle = np.linspace( bin_edges[0] + 0.5*bin_width,

bin_edges[0] + (0.5 + number_of_bins)*bin_width,

num = number_of_bins)

expected_values = scaling_factor*sp.stats.norm.pdf(x_middle,a1,b1)

将其插入Scipy的chisquare函数，得到的p值大约为e-5到e-15个数量级，这说明拟合函数没有描述直方图：print(sp.stats.chisquare(observed_values,expected_values,ddof=2))

但这不是真的，这个函数很适合直方图！在

有人知道我在哪里犯了错误吗？在

非常感谢！！

查尔斯

注：我将delta自由度的数量设置为2，因为这两个参数a1和b1是从样本中估计出来的。我尝试使用其他ddof，但结果仍然很差！在