概率统计Python计算:单个正态总体均值双侧假设的Z检验
用p值法计算假设H0H_0H0的双侧检验,设aaa,bbb分别是检验统计量分布对应显著水平α\alphaα的左、右分位点,F(x)F(x)F(x)和S(x)S(x)S(x)分别为检验统计量的分布函数和残存函数。若检验统计量观测值γ\gammaγ落在其分布的均值右边(见下图),且S(γ)≥S(a)=α/2S(\gamma)\geq S(a)=\alpha/2S(γ)≥S(a)=α/2(若令p=2S(γ)p=2S(\gamma)p=2S(γ),则此时p≥αp\geq\alphap≥α),γ\gammaγ必落在H0H_0H0的非拒绝域中,否则落入拒绝域中(如下图中ζ\zetaζ)。相仿地,当检验统计量观测值落在其分布的均值左边(如下图中的γ′\gamma^{\prime}γ′或ζ′\zeta^{\prime}ζ′),则p=2F(γ′)≥αp=2F(\gamma^{\prime})\geq\alphap=2F(γ′)≥α时接受假设,否则拒绝假设。
对单个正态总体均值μ\muμ的双侧检验,检验统计量Z=X‾−μ0σ/nZ=\frac{\overline{X}-\mu_0}{\sigma/\sqrt{n}}Z=σ/nX−μ0~N(0,1)N(0, 1)N(0,1),其p值检验法写成Python函数如下:
from scipy.stats import norm #导入norm
def ztest2(z, alpha): #双侧检验函数if z>=0: #统计量值位于分布的右边p=2*norm.sf(z)else: #统计量值位于分布的左边p=2*norm.cdf(z)return p>=alpha
第3~6行的if-else语句根据位于0(标准正态分布的均值)的两侧计算p值:z≥0z\geq0z≥0则设p=2S(z)p=2S(z)p=2S(z)(第4行),否则设p=2F(z)p=2F(z)p=2F(z)(第6行)。第7行返回检验结果p≥αp\geq\alphap≥α。顺便提请注意,根据标准正态分布密度函数的对称性,第3~6行的if-else语句可简化为
p=2*norm.sf(abs(z))\text{p=2*norm.sf(abs(z))}p=2*norm.sf(abs(z))
即ppp值设置为2S(∣x∣)2S(|x|)2S(∣x∣)。
例1 某市高三学生毕业会考,数学成绩的平均分为70分。现随机抽取10名女生的会考成绩如下:
65,72,89,56,79,63,92,48,75,8165, 72, 89, 56, 79, 63, 92, 48, 75, 8165,72,89,56,79,63,92,48,75,81
若已知女生的会考成绩服从正态分布N(μ,σ2)N(\mu, \sigma^2)N(μ,σ2),其中σ=10\sigma=10σ=10,问女生的会考平均成绩μ\muμ是否为70分(显著水平α=0.05\alpha=0.05α=0.05)。
解: 本题中,假设H0:μ=70,H1:μ≠70H_0:\mu=70, H_1: \mu\not=70H0:μ=70,H1:μ=70。已知正态总体均方差σ=10\sigma=10σ=10,采用ZZZ检验法。下列代码完成本例计算。
import numpy as np #导入numpy
x=np.array([65, 72, 89, 56, 79, 63, 92, 48, 75, 81])#样本数据
xmean=x.mean() #样本均值
n=x.size #样本容量
s0=10 #总体均方差
mu0=70 #总体均值假设值
alpha=0.05 #显著水平
z=(xmean-mu0)/(s0/np.sqrt(n)) #检验统计量
accept=ztest2(z, alpha) #双侧检验
print('mu=%d is %s.'%(mu0, accept))
第2~7行按题面设置各项数据。第8行计算检验统计量观测值x‾−μ0σ/n\frac{\overline{x}-\mu_0}{\sigma/\sqrt{n}}σ/nx−μ0,第9行调用函数ztest2,对假设H0:μ=μ0H_0:\mu=\mu_0H0:μ=μ0作双侧检验。运行程序,输出
mu=70 is True.
表示接受假设H0:μ=μ0=70H_0:\mu=\mu_0=70H0:μ=μ0=70,即在显著水平α=0.05\alpha=0.05α=0.05下认为女生的会考平均成绩为70分。
例2 如果一个矩形的宽度www和长度lll的比w/l=12(5−1)≈0.618w/l=\frac{1}{2}(\sqrt{5}-1)\approx0.618w/l=21(5−1)≈0.618,这样的矩形称为黄金矩形。这种尺寸的的矩形使人们看上去有良好的感觉。现代的建筑构件(如窗架)、工艺品(如图片镜框)、甚至司机的执照、商业的信用卡等常常都是采用黄金矩形。下面列出某工艺品工厂随机取的20个矩形的宽度和长度的比值:
0.693,0.749,0.654,0.670,0.662,0.672,0.615,0.606,0.690,0.6280.668,0.611,0.606,0.609,0.601,0.553,0.570,0.844,0.576,0.9930.693,0.749,0.654,0.670,0.662,0.672,0.615,0.606,0.690,0.628\\ 0.668,0.611,0.606,0.609,0.601,0.553,0.570,0.844,0.576,0.9930.693,0.749,0.654,0.670,0.662,0.672,0.615,0.606,0.690,0.6280.668,0.611,0.606,0.609,0.601,0.553,0.570,0.844,0.576,0.993
设这一工厂生产的矩形的宽度与长度的比值总体服从正态分布N(μ,σ2)N(\mu,\sigma^2)N(μ,σ2),其中μ\muμ未知,σ2=0.01\sigma^2=0.01σ2=0.01。试检验假设(α=0.05\alpha=0.05α=0.05)
H0:μ=0.618,H1:μ≠0.618.H_0:\mu=0.618, H_1:\mu\not=0.618.H0:μ=0.618,H1:μ=0.618.
解: 这是一个已知总体方差,计算总体均值假设双侧检验的问题。下列代码完成本例计算。
import numpy as np #导入numpy
x=np.array([0.693, 0.749, 0.654, 0.670, 0.662, #样本数据0.672, 0.615, 0.606, 0.690, 0.628,0.668, 0.611, 0.606, 0.609, 0.601,0.553, 0.570, 0.844, 0.576, 0.933])
xmean=x.mean() #样本均值
s0=0.01 #样本方差
mu0=0.618 #总体均值假设值
n=x.size #样本容量
alpha=0.05 #显著水平
z=(xmean-mu0)/np.sqrt(s0/n) #检验统计量
accept=ztest2(z, alpha) #检验假设
print('mu=%.3f is %s.'%(mu0, accept))
第2~9行按题面设置数据,第10行计算检验统计量z,第11行调用ztest2计算对假设H0:μ=μ0H_0:\mu=\mu_0H0:μ=μ0作双侧检验。运行程序,输出
mu=0.618 is True.
表示接受假设H0:μ=0.618,H1:μ≠0.618H_0:\mu=0.618, H_1:\mu\not=0.618H0:μ=0.618,H1:μ=0.618。
写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
返回《导引》
概率统计Python计算:单个正态总体均值双侧假设的Z检验相关推荐
- 概率统计Python计算:单个正态总体均值双侧假设的T检验
正态总体的方差 σ 2 \sigma^2 σ2未知的情况下,对总体均值 μ = μ 0 \mu=\mu_0 μ=μ0进行显著水平 α \alpha α下的双侧假设检验,检验统计量 X ‾ − μ 0 ...
- 概率统计Python计算:单个正态总体均值单侧假设的Z检验
对正态总体参数的单侧假设检验,可以用如下的p值法进行.设显著水平为α\alphaα,考虑假设H0H_0H0的右侧检验.首先,注意到检验统计量的分布对应显著水平α\alphaα的右分位点bbb,实际上 ...
- 概率统计Python计算:单个正态总体均值双侧假设的卡方检验
对正态总体的方差 σ 2 = σ 0 2 \sigma^2=\sigma_0^2 σ2=σ02进行显著水平 α \alpha α下的假设检验,检验统计量 n − 1 σ 0 2 S 2 \frac{ ...
- 概率统计Python计算:条件概率和概率乘法公式
1. 古典概型中条件概率的计算 条件概率 P ( B ∣ A ) P(B|A) P(B∣A)是将样本空间限制在 A A A上, A ∩ B A\cap B A∩B的概率.因此,我们可以利用博文< ...
- 概率统计Python计算:双正态总体方差比的双侧区间估计
计算两个正态总体方差比的区间估计涉及样本方差 s 1 2 s_1^2 s12, s 2 2 s_2^2 s22,样本容量 n 1 n_1 n1, n 2 n_2 n2和置信度 1 − α 1- ...
- 概率统计Python计算:双正态总体未知总体方差总体均值差双侧假设的T检验
对两个独立正态总体 X X X~ N ( μ 1 , σ 2 ) N(\mu_1,\sigma^2) N(μ1,σ2)及 Y Y Y~ N ( μ 2 , σ 2 ) N(\mu_2,\sigma^ ...
- 概率统计Python计算:标准正态分布分位点计算
标准正态分布对给定显著水平的分位点.设XXX~N(0,1)N(0,1)N(0,1),显著水平为α\alphaα.为计算右侧分位点zαz_{\alpha}zα(见下图),使得 P(X≤zα)=1−αP ...
- 概率统计Python计算:F分布分位点计算
设XXX,YYY相互独立,且分别服从χ2(m)\chi^2(m)χ2(m)和χ2(n)\chi^2(n)χ2(n),则XY\frac{X}{Y}YX~F(m−1,n−1)F(m-1, n-1)F(m ...
- 概率统计Python计算:卡方分布分位点计算
nnn个相互独立,均服从N(0,1)N(0,1)N(0,1)的随机变量X1,X2⋯,XnX_1, X_2\cdots,X_nX1,X2⋯,Xn的平方和X12+X22+⋯+Xn2X_1^2+X_2 ...
最新文章
- c标签判断true false jsp_巧妙使用if(true)以及if(false)语句
- Edraw Max(亿图图示)案例:产品经理如何用亿图绘制流程图?
- 尝试优化骨骼动画计算的意外收获——使用嵌入式汇编对float转int进行优化
- 阿里云上git clone公司内网仓库遇到的错误消息 - cannot resolve host
- 快速开发后台不用太多代码的 tp5_小程序·云开发优劣简述
- 业务层勿用继承,不要为了方便舍弃了性能。TʌT不好意思我错了
- 实时数据产品实践——美团大交通战场沙盘
- 《vue2.0基础系列》目录大全,你要的都在这里
- OpenGL ES渲染管线与着色器
- mysql 启动服务1067_windows无法启动MySQL服务报错1067的解决方法
- 信息安全完全参考手册之安全策略、标准、流程和指南(第五章)
- linux ipc shmget 例子,Linux IPC之共享内存C 事例(示例代码)
- bug1-tensorflow中自定义模型的bug-input_signature
- 是不是每一个型号的单片机都要学一遍
- 编写 if 时尽量不要带 else
- cad缩放_mac有没有好用的cad看图软件?CAD迷你看图 for Mac4.4.1激活版分享给大家...
- 微服务网关——需求篇
- IDEA社区版安装与概述
- Unity发布WebGL之后读取StreamingAssets文件路径数据
- SaaS是Software-as-a-Service(软件即服务)
热门文章
- 《Python编程从入门到实践》Chapter 8练习题
- php imagick 缩略图,PHP Imagick完美实现图片裁切、生成缩略图、添加水印,
- GitHub 标星 44k!史上最全技术面试手册!
- 更改mysql端口(全程细致)
- Linux 服务器安装rancher-cli
- 【JUC并发】常见面试题:wait、sleep、park之间的区别,synchronized、ReentrantLock之间的区别,悲观锁与乐观锁
- 五万块钱买什么车好_5万左右买什么车好?选这4款没错
- Elasticsearch aggregation order by scripted_metric
- 基于最小二乘原理的Matlab曲线拟合
- [转]深入理解Kingfisher(上)