scipy.stats.chi2

scipy.stats.chi2（* args，** kwds ）= <scipy.stats._continuous_distns.chi2_gen object>源码
卡方分布连续随机变量。

作为rv_continuous类的实例，chi2继承了这个类的一切通用方法（请参见下面的完整列表），并使用此分布的公式来完善它们。

笔记

chi2的概率密度函数为：
$$f(x,k)=\frac{1}{2^{\frac{k}{2}}\Gamma (\frac{k}{2})}{x}^{\frac{k}{2}-1}{e}^{-\frac{x}{2}}$$

x>0,k>0。
chi2采取df作为形状参数。

以上的概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用loc和scale参数。具体而言，chi2.pdf(x, c, loc, scale)相当于用chi2.pdf(y, c) / scale，其中y = (x - loc) / scale

例子

>>> from scipy.stats import chi2
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

首先计算一下：

>>> df = 55
>>> mean, var, skew, kurt = chi2.stats(df, moments='mvsk')

绘制概率密度函数（pdf）：

>>> x = np.linspace(chi2.ppf(0.01, df),
...                 chi2.ppf(0.99, df), 100)
>>> ax.plot(x, chi2.pdf(x, df),
...        'r-', lw=5, alpha=0.6, label='chi2 pdf')

或者，可以调用分布对象（作为函数）以固定形状、位置和比例参数。这将返回一个“冻结的” RV对象，该对象固定了给定的参数。

冻结分布并显示冻结的分布的pdf如下：

>>> rv = chi2(df)
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

检查cdf和的准确性ppf：

>>> vals = chi2.ppf([0.001, 0.5, 0.999], df)
>>> np.allclose([0.001, 0.5, 0.999], chi2.cdf(vals, df))
True

生成随机数：

>>> r = chi2.rvs(df, size=1000)

并比较直方图：

>>> ax.hist(r, density=True, histtype='stepfilled', alpha=0.2)
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()

方法