卡方分配亂數產生器

卡方分配亂數產生器

新興 AI Skill PRO

輸入計算

數學公式

X=∑i=1vZi2,Zi∼N(0,1)X = \sum_{i=1}^{\text{v}} Z_i^{2}, \qquad Z_i \sim \mathcal{N}(0,1)
顯示計算步驟 (1)
  1. 透過伽瑪關係產生卡方分配(一般 v)

    f(x)=12v/2Γ(v2)xv2−1e−x/2,x>0其中{v=自由度平均數=v,變異數=2v\begin{gathered} f(x) = \frac{1}{2^{v/2}\,\Gamma\!\left(\tfrac{v}{2}\right)}\, x^{\frac{v}{2}-1}\, e^{-x/2}, \quad x > 0 \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} v &= \text{自由度} \\ \text{平均數} &= v, \quad \text{變異數} = 2v \end{aligned} \right. \end{gathered}

    當 v 不是整數時,數值取自自由度為 v 的卡方分配密度;理論平均數為 v,變異數為 2v。

使用統計

廣告

結果

產生數值的樣本平均數
3.3397
期望平均值 = 3

卡方分布的隨機值 (v = 3)

  1. 2.127565125
  2. 1.305395846
  3. 0.9478562845
  4. 3.659212626
  5. 5.057535139
  6. 5.807504207
  7. 4.792854275
  8. 7.327785898
  9. 0.6613412014
  10. 1.709805228
已產生個數 10
理論平均數 3
理論變異數 6
理論標準差 2.4495
樣本平均數 3.3397

回報本頁錯誤

這個工具的用途

本產生器會依您指定的自由度(以 \(v\) 表示,即希臘字母 nu)產生一組來自卡方分配的偽隨機亂數。卡方分配在統計學中相當基礎:它描述多個獨立標準常態變數平方和的分布,也是卡方適合度檢定、變異數估計與信賴區間背後的核心理論。

使用方式

請輸入自由度 \(v\)(任意正實數,預設為 3)、想產生的亂數個數(1 到 1000,預設為 10),並選擇每個數值要顯示的有效位數。按下計算即可取得一組全新樣本。由於是隨機抽樣,每次執行得到的數字都不同;但旁邊顯示的理論平均數(\(v\))、變異數(\(2v\))與標準差(\(\sqrt{2v}\))是固定的,方便您用來檢查樣本是否合理。

公式說明

卡方分配的機率密度函數為

$$f(x) = \frac{1}{2^{v/2}\,\Gamma\!\left(\tfrac{v}{2}\right)}\, x^{\frac{v}{2}-1}\, e^{-x/2}, \quad x > 0$$

其中 \(x \ge 0\)。抽樣時,我們利用一項性質:自由度為 \(v\) 的卡方變數,等於形狀參數 \(v/2\)、尺度參數 1 的 Gamma 變數乘以 2。當 \(v\) 為整數時,則改用更簡單的恆等式

$$X = \sum_{i=1}^{v} Z_i^{2}, \qquad Z_i \sim \mathcal{N}(0,1)$$

其中每個 \(Z\) 都是以 Box-Muller 轉換產生的標準常態變數。若 \(v\) 非整數,則採用 Marsaglia-Tsang 的 Gamma 抽樣法後再乘以 2。

廣告
若干自由度下的卡方機率密度曲線
隨自由度 \(v\) 增大的卡方密度曲線,向右移動並趨於平緩。

實例演算

以 \(v = 3\)、個數 = 10 為例,每個數值都是三個標準常態變數平方後的總和。一組具代表性的樣本可能是 \(1.842\)、\(4.317\)、\(0.526\)、\(2.991\)、\(6.083\)、\(1.205\)、\(3.778\)、\(0.914\)、\(5.460\)、\(2.337\)。它們的平均約為 \(2.945\),與理論平均數 \(3\) 相當接近。如理論所要求,每個數值皆為非負數。

疊加理論卡方曲線的生成樣本直方圖
生成數值的直方圖與理論卡方密度高度吻合。

常見問題

為什麼每次的數字都不一樣?產生器使用隨機來源,因此每次執行都會得到一組獨立的樣本,但理論統計量始終維持不變。

\(v\) 可以是小數嗎?可以。任何大於 0 的 \(v\) 都有效;遇到非整數時,工具會自動改用 Gamma 抽樣法。

如果我要超過 1000 個數值會怎樣?個數會被限制在 1 到 1000 的允許範圍內。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器