外觀
Statistics › 機率與分配 › 連續分配
連續分配 (Continuous Distributions)
連續隨機變數的機率是 PDF 曲線下的面積。常態分配是核心,t、χ²、F 都由它衍生,也是 t 檢定、卡方檢定、ANOVA 的基礎。
選擇指南
| 分配 | 形狀 | 範圍 | 參數 | 主要用途 |
|---|---|---|---|---|
| Normal 常態 | 對稱鐘形 | (−∞, ∞) | μ, σ | 量測誤差、多數檢定的基礎 |
| t | 對稱、厚尾 | (−∞, ∞) | df | σ 未知時的平均數推論 |
| χ² 卡方 | 右偏 | [0, ∞) | df | 變異數檢定、適合度、獨立性檢定 |
| F | 右偏 | [0, ∞) | df₁, df₂ | 變異數比較、ANOVA、迴歸 F 檢定 |
| Exponential 指數 | 右偏、遞減 | [0, ∞) | λ | 事件間等待時間、壽命 |
| Log-normal 對數常態 | 右偏 | (0, ∞) | μ, σ(log 尺度) | 濃度、表現量、收入 |
| Beta | 彈性 | [0, 1] | α, β | 比例 / 機率本身的分配、貝氏先驗 |
| Uniform 均勻 | 平坦 | [a, b] | a, b | 亂數產生、無資訊先驗 |
分配之間的關係
text
N(0,1) ──平方──▶ χ²(1) ──k 個相加──▶ χ²(k) ──兩個 χ² 相除──▶ F(df₁, df₂)
N(0,1) ÷ √(χ²(k)/k) ──▶ t(k) t(k)² = F(1, k)
Poisson 的事件間隔 ──▶ Exponential log(X) ~ Normal ⇔ X ~ Log-normal常態分配 (Normal)
- 對稱:平均 = 中位數 = 眾數;完全由 μ、σ 決定
- 經驗法則:±1σ ≈ 68%、±2σ ≈ 95%、±3σ ≈ 99.7%
- z-score
把任何常態轉為標準常態 N(0, 1),表示「離平均幾個標準差」
python
from scipy.stats import norm
mu, sigma = 170, 6 # 身高:平均 170 cm、SD 6 cm
norm.cdf(175, mu, sigma) # P(X < 175)
norm.cdf(180, mu, sigma) - norm.cdf(160, mu, sigma) # P(160 < X < 180)
norm.sf(180, mu, sigma) # P(X > 180)
norm.ppf(0.95, mu, sigma) # 第 95 百分位數
t 分配 (t-Distribution)
形狀像常態,但尾巴較厚,反映「用樣本 s 估計 σ」所多出的不確定性。
python
from scipy.stats import t
for df in [5, 10, 30, 100]:
print(df, round(t.ppf(0.975, df), 3)) # 2.571, 2.228, 2.042, 1.984 → 趨近 1.96
卡方分配 (Chi-square, χ²)
| 應用 | 說明 |
|---|---|
| 變異數檢定 | 母體變異數是否等於某值? |
| 適合度檢定 (goodness-of-fit) | 觀察次數是否符合期望分配? |
| 獨立性檢定 | 兩個類別變數是否獨立?見 卡方檢定 |
| 概似比檢定 (likelihood ratio test) | 巢狀模型比較,見 最大概似估計 |
python
from scipy.stats import chi2
chi2.ppf(0.95, df=10) # 右尾 α = 0.05 臨界值
F 分配 (F-Distribution)
兩個獨立 χ² 各除以自由度後的比值:
| 應用 | 說明 |
|---|---|
| 兩變異數比較 | σ₁² = σ₂²? |
| ANOVA | F = 組間變異 / 組內變異 |
| 迴歸整體 F 檢定 | 模型整體是否顯著?見 多元線性迴歸 |
python
from scipy.stats import f
f.ppf(0.95, dfn=5, dfd=20)
指數分配 (Exponential)
Poisson 事件之間的等待時間。Poisson 數「單位時間幾次」;Exponential 量「下一次要等多久」。
- 無記憶性:
。用了 1,000 小時的燈泡,再撐 500 小時的機率和新燈泡一樣。 - 等同於「風險率 (hazard) 固定」,是 存活分析參數模型 最簡單的情況。
python
from scipy.stats import expon
lam = 2
expon.cdf(0.5, scale=1/lam) # scipy 用 scale = 1/λ,注意!
對數常態分配 (Log-normal)
若
- 實務上:右偏的正值資料先取 log,常會變得近似常態 → 再用常態方法分析,見 資料轉換
- log 尺度上的平均取 exp = 原尺度的幾何平均數
python
from scipy.stats import lognorm
import numpy as np
mu, sigma = 1.0, 0.5
dist = lognorm(s=sigma, scale=np.exp(mu)) # scipy 參數化:s = σ、scale = e^μ
dist.mean(), dist.median() # 平均 > 中位數(右偏)
Beta 分配
定義在 [0, 1],適合描述「比例或機率本身」的不確定性。
- Beta(1, 1) = Uniform(0, 1)
- 平均 = α / (α + β);α、β 越大越集中
- 是 Binomial 的共軛先驗 (conjugate prior):先驗 Beta(α, β) + 觀察 k 成功 / n 次 → 後驗 Beta(α+k, β+n−k),見 概似與共軛
python
from scipy.stats import beta
beta(2, 8).mean() # 0.2
beta(2, 8).interval(0.95) # 95% 區間
均勻分配 (Uniform)
[a, b] 內每個值等可能:
用途:亂數產生、蒙地卡羅模擬、無資訊先驗。另外,虛無假設為真時,p 值服從 Uniform(0, 1),這是 多重檢定 中檢查 p 值直方圖的依據。
python
from scipy.stats import uniform
uniform.cdf(7, loc=0, scale=10) - uniform.cdf(3, loc=0, scale=10) # P(3 ≤ X ≤ 7) = 0.4