小编Cha*_* M.的帖子

尽管搜索了两天的相关问题，但我尚未真正找到该问题的答案...

在下面的代码中，我生成了n个正态分布的随机变量，然后将其表示为直方图：

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

之后，找到曲线拟合函数及其参数。它通常使用参数a1和b1进行分布，并使用scale_factor进行缩放，以满足样本未标准化的事实。它确实非常适合直方图：

import scipy as sp

a1, b1 = sp.stats.norm.fit(x)

scaling_factor = n*(x.max()-x.min())/number_of_bins

plt.plot(x_achse,scaling_factor*sp.stats.norm.pdf(x_achse,a1,b1),'b')

这是带有拟合功能的红色直方图。

在那之后，我想使用卡方检验来测试此函数对直方图的拟合程度。该测试使用这些点的观测值和预期值。为了计算期望值，我首先计算每个bin中间的位置，此信息包含在数组x_middle中。然后，我在每个bin的中间点计算拟合函数的值，从而得到了Expected_value数组：

observed_values = histo

bin_width = bin_edges[1] - …