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{n-1}{\sigma_0^2}S^2 σ02n−1S2~ χ 2 ( n − 1 ) \chi^2(n-1) χ2(n−1)。其中, S 2 S^2 S2为样本方差。用p值法的双侧检验计算函数定义如下。
from scipy.stats import chi2 #导入chi2
def chi2test2(X, df, alpha): #双侧检验函数if X>2*df: #检验统计量值大于卡方分布均值p=2*chi2.sf(X, df)else: #检验统计量值不超过卡方分布均值p=2*chi2.cdf(X, df)return p>=alpha
双侧检验函数chi2test2的参数X,df和alpha的意义分别为检验统计量值 n − 1 σ 0 2 s 2 \frac{n-1}{\sigma_0^2}s^2 σ02n−1s2, χ 2 ( n − 1 ) \chi^2(n-1) χ2(n−1)分布自由度 n − 1 n-1 n−1和显著水平 α \alpha α。第3~6行的if-else语句根据检验统计量值X位于 χ 2 ( n − 1 ) \chi^2(n-1) χ2(n−1)的均值 n − 1 n-1 n−1左、右方来计算p值:若X>df(即 n − 1 n-1 n−1)p置为2*chi2.sf(X, df)(第4行),否则p置为2*chi2.cdf(X, df)(第6行)。
例1 某产品的强度服从正态分布 N ( 52.8 , 1. 6 2 ) N(52.8, 1.6^2) N(52.8,1.62)。为降低生产成本,决定更换部分原材料。现从新产品中随机抽取容量为9的样本,测得强度(单位: k g f / m m 2 kgf/mm^2 kgf/mm2)分别为
51.9 , 53.0 , 52.7 , 54.1 , 53.2 , 52.3 , 52.5 , 51.1 , 54.7 51.9, 53.0, 52.7, 54.1, 53.2, 52.3, 52.5, 51.1, 54.7 51.9,53.0,52.7,54.1,53.2,52.3,52.5,51.1,54.7
问新产品的强度是否发生了变化?
解: 要回答“新产品的强度是否发生了变化”,需要考察新产品的强度均值 μ \mu μ是否依然为 52.8 52.8 52.8,及强度方差 σ 2 \sigma^2 σ2是依然否为 1. 6 2 1.6^2 1.62。先检验假设
H 0 : σ 2 = 1. 6 2 , H 1 : σ 2 ≠ 1. 6 2 . H_0:\sigma^2=1.6^2, H_1:\sigma^2\not=1.6^2. H0:σ2=1.62,H1:σ2=1.62.
若检验结果接受对 σ 2 = 1. 6 2 \sigma^2=1.6^2 σ2=1.62的假设,则可以用Z检验法检验假设
H 0 : μ = 52.8 , H 1 : μ ≠ 52.8 H_0:\mu=52.8, H_1:\mu\not=52.8 H0:μ=52.8,H1:μ=52.8
否则用T检验法检验上述总体均值的双侧假设 H 0 H_0 H0。下列代码完成本例计算。
import numpy as np #导入numpy
x=np.array([51.9, 53.0, 52.7, 54.1, 53.2, #样本数据52.3, 52.5, 51.1, 54.7])
xmean=x.mean() #样本均值
n=x.size #样本容量
s2=x.var(ddof=1) #样本方差
sigma0=1.6 #总体均方差假设值
mu0=52.8 #总体均值假设值
alpha=0.1 #显著水平
X=(n-1)*s2/sigma0**2 #总体方差检验统计量值
accepts2=chi2test(X, n-1) #总体方差双侧检验
print('sigma^2=%.1f^2 is %s.'%(sigma0, accepts2))
if accepts2: #总体均值双侧Z检验Z=(xmean-mu0)/(np.sqrt(s2/n))acceptmu=ztest2(Z, alpha)
else: #总体均值双侧T检验T=(xmean-mu0)/(sigma0/np.sqrt(n))acceptmu=ttest2(T, alpha)
print('mu=%.1f is %s'%(mu0, acceptmu))
程序中第2~9行按题面设置各项数据。第10行计算关于假设 H 0 : σ 2 = 1. 6 2 H_0:\sigma^2=1.6^2 H0:σ2=1.62的检验统计量 n − 1 σ 0 2 s 2 \frac{n-1}{\sigma_0^2}s^2 σ02n−1s2为X,第11行调用函数chi2test2检验该假设 H 0 H_0 H0。第13~18行的if-else语句根据对假设 H 0 : σ 2 = 1. 6 2 H_0:\sigma^2=1.6^2 H0:σ2=1.62的检验结果accepts2的值,计算假设 H 0 : μ = 52.8 H_0:\mu=52.8 H0:μ=52.8的双侧检验:若accepts2为True( σ 2 = 1. 6 2 \sigma^2=1.6^2 σ2=1.62),则调用ztest2函数检验假设 H 0 : μ = 52.8 H_0:\mu=52.8 H0:μ=52.8(第14~15行)。否则,调用ttest2函数对 H 0 : μ = 52.8 H_0:\mu=52.8 H0:μ=52.8做检验(第17~18行)。运行程序,输出
sigma^2=1.60^2 is True.
mu=52.8 is True.
表示既接受假设 H 0 : σ 2 = 1. 6 2 H_0:\sigma^2=1.6^2 H0:σ2=1.62,又接受假设 H 0 : μ = 52.8 H_0:\mu=52.8 H0:μ=52.8。即新产品的强度没有发生变化。
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卡方检验相关推荐
- 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 ...
- 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: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
- 解决报错: MobaXterm X11 proxy: Unsupported authorisation protocol
- SAP EWM - 包装主数据 - 包装明细 -2
- Exchange2010各角色对软件环境的前提条件
- [转]Docker学习之四:使用docker安装mysql
- 【年度技术观点合集】计算机视觉,自然语言,机器学习…看看顶级科学家们怎么说
- linux rm命令
- Javascript弹出对话框 确定取消转到不同页面
- 【Django】认证系统
- mysql 备份 master_如何配置MYSQL的MASTER---SLAVE复制备份?
- 床笠行业调研报告 - 市场现状分析与发展前景预测(2021-2027年)
- matlab 声纹识别,识别模型论文,关于基于MATLAB的声纹识别系统软件的设计相关参考文献资料-免费论文范文...
- 计算机专业sci二区论文难吗,二区SCI论文要求比国内核心高吗
- 第八天 字符串 流程控制(二)
- 华为数通笔记-MPLS BGP跨域
- Python秒杀脚本丨淘宝或京东平台定时自动秒杀抢购脚本
- packet tracer 下载及简介
- 『 kaggle』kaggle-DATA-SCIENCE-BOWL-2018(U-net方法)
- 计算机原理-浮点数存储
- 思考:苟日新,日日新,又日新
- 高级软件工程第六次作业:“希希敬敬对”团队作业-3
热门文章
- Andriod studio 学习 之 高德地图的导航功能
- Multi-AP Specification V2.0 中文翻译 第8章
- 2020年12月CFA一级二级三级百题预测
- 亚马逊ERP我们该怎么选择?
- 基于Verilog下的串口通信实验_Devin_新浪博客
- HTML5期末大作业:音乐网站设计——风车乐栈在线音乐播放HTML+CSS
- 中点物联网_浅谈物联网所面临的六大挑战分析
- Android自己定义控件2-简单的写字板控件
- weex java_weex开发
- Guitar Pro 中圆滑音和连结音的区别在哪里?