我已经计算是分布有1个自由度的卡方检验统计，并想找出P值，这对应于使用python。
我是一个Python和数学/统计新手，所以我想我想在这里是从SciPy的χ2的分布概率denisty功能。 然而，当我用这个像这样：
from scipy import stats
stats.chi2.pdf(3.84 , 1)
0.029846
然而，一些使用Google并讨论一些同事谁知道数学而不是蟒蛇说应该是0.05。
有任何想法吗？ 欢呼声中，戴维
Answer 1:
快速复习这里：
概率密度函数：把它看成一个点值; 如何密集的是在给定点的概率是多少？
累积分布函数：这是功能最多的概率给定点的质量; 有多大比例分配的谎言在这一点上的一面？
在你的情况，你拿了PDF，对此你有正确的答案。 如果你尝试1 - CDF：
>>> 1 - stats.chi2.cdf(3.84, 1)
0.050043521248705147
PDF CDF
Answer 2:
要计算给定chisquared和零假设，和自由度也可以调用的概率chisqprob ：
>>> from scipy.stats import chisqprob
>>> chisqprob(3.84, 1)
0.050043521248705189
注意：
chisqprob已经过时！ stats.chisqprob被弃用SciPy的0.17.0或更新; 使用stats.distributions.chi2.sf代替
Answer 3:
虽然stats.chisqprob（）和1- stats.chi2.cdf（）出现了小的卡方值相媲美，对于大的卡方值，前者是优选的。 后者不能提供比机器精度小的p值，并会给接近机器精度非常不准确的答案。 如图所示由他人，可比值产生用于与所述两种方法的小卡方值：
>>>from scipy.stats import chisqprob, chi2
>>>chisqprob(3.84,1)
0.050043521248705189
>>>1 - chi2.cdf(3.84,1)
0.050043521248705147
使用1 chi2.cdf（）在这里分解：
>>>1 - chi2.cdf(67,1)
2.2204460492503131e-16
>>>1 - chi2.cdf(68,1)
1.1102230246251565e-16
>>>1 - chi2.cdf(69,1)
1.1102230246251565e-16
>>>1 - chi2.cdf(70,1)
0.0
而chisqprob（）为您提供了一个更大范围的卡方值的准确的结果，产生p值几乎小到最小的浮动大于零，直到它也下溢：
>>>chisqprob(67,1)
2.7150713219425247e-16
>>>chisqprob(68,1)
1.6349553217245471e-16
>>>chisqprob(69,1)
9.8463440314253303e-17
>>>chisqprob(70,1)
5.9304458500824782e-17
>>>chisqprob(500,1)
9.505397766554137e-111
>>>chisqprob(1000,1)
1.7958327848007363e-219
>>>chisqprob(1424,1)
1.2799986253099803e-311
>>>chisqprob(1425,1)
0.0
更新：如前所述，chisqprob（）已经废弃了SciPy的版本0.17.0或更新开始。 高精确度的卡方值现在可以通过scipy.stats.distributions.chi2.sf（）获得的，例如：
>>>from scipy.stats.distributions import chi2
>>>chi2.sf(3.84,1)
0.050043521248705189
>>>chi2.sf(1424,1)
1.2799986253099803e-311
Answer 4:
你的意思做：
>>> 1 - stats.chi2.cdf(3.84, 1)
0.050043521248705147
Answer 5:
其他一些解决方案已被弃用。 使用scipy.stats.chi2生存函数。 这是一样的1 - cdf(chi_statistic, df)
例：
from scipy.stats import chi2
p_value = chi2.sf(chi_statistic, df)
Answer 6:
如果您想了解数学，样品的p值，X（固定的），是
P [P（X）<= P（X）] = P [M（X）> = M（X）] = 1 - G（M（X）^ 2）
哪里，
- P是的概率（比如K-变量）正态分布瓦特/已知的协方差（COV）和平均，
- X是与正常分布的随机变量，
- M（X）是马哈拉诺比斯距离= SQRT（<COV ^ { - 1}（X-平均值），X平均值>注意，在1-d，这仅仅是z得分的绝对值。
- G是智^ 2分布W / K自由度的CDF。
因此，如果你的计算的固定观察的p值，x，那么您计算M（X）（广义Z值）和1-G（M（X）^ 2）。
例如，它的公知的是如果X是从一个单变量取样（K = 1）的正态分布，并且具有Z值= 2（它是从所述平均值2点标准差），则p值是约0.046（参照z分数表）
In [7]: from scipy.stats import chi2
In [8]: k = 1
In [9]: z = 2
In [10]: 1-chi2.cdf(z**2, k)
Out[10]: 0.045500263896358528
文章来源: P-value from Chi sq test statistic in Python
