p p 维正态总体 的均值向量检验, X1,X2,⋯,Xn X 1 , X 2 , ⋯ , X n 是来自正态总体的样本:
1. ∑ ∑ 已知时单个总体均值向量的检验:
具体步骤:
- 作统计假设: H0:μ=μ0,H1:μ≠μ0 H 0 : μ = μ 0 , H 1 : μ ≠ μ 0
- 计算样本的均值
- 计算统计量的具体值:
{ U=X¯−μ0σn−−√T02=n(X¯−μ0)′∑−1(X¯−μ0) if p=1 if p>1 { U = X ¯ − μ 0 σ n if p = 1 T 0 2 = n ( X ¯ − μ 0 ) ′ ∑ − 1 ( X ¯ − μ 0 ) if p > 1 - 按规定的小概率标准 α α ,查 χ2 χ 2 分布表,得临界值 χ2α(p) χ α 2 ( p ) ,并做出判断:
-当 T02⩽χ2α(p) T 0 2 ⩽ χ α 2 ( p ) ,接受原假设,即认为没有显著差异
-当 T02>χ2α(p) T 0 2 > χ α 2 ( p ) ,拒绝原假设,即认为有显著差异
*R实现:
mu.test.known=function(data, mu0, Sigma0, alpha=0.05)
###############################################################
## H0: mu=mu0 when Sigma0 is known
## this is a Chisq testing
############## Input ########################################
## data = design matrix with the ith sample in the ith line
## mu0 = mu0 for null hypothesis
## Sigma0= the known variance matrix
## alpha = the significant level, default value = 0.05
############## Output ########################################
## Reject.area = reject region
## p.value = p value
###############################################################
{
data=as.matrix(data) #将数据框转化为矩阵#
n=nrow(data) #n行#
p=ncol(data) #p列#
X.bar=apply(data, 2, mean) #按列求均值#
T1=n*t(X.bar-mu0)%*%solve(Sigma0)%*%(X.bar-mu0)
a2=qchisq(1-alpha, p) #求下侧分位点,上侧:lower.tail = FALSE#
reject=matrix(c(T1, a2), nrow=1) #按行排#
rownames(reject)=c("Reject") #行名#
colnames(reject)=c("Obs", ">1-alpha") #列名#
pv=1-pchisq(T1, p) #右半累积概率,T越大,P越小,越拒绝#
return(list(Reject.area=reject, p.value=pv))
}
2. ∑ ∑ 未知时单个总体均值向量的检验:
具体步骤:
- 作统计假设: H0:μ=μ0,H1:μ≠μ0 H 0 : μ = μ 0 , H 1 : μ ≠ μ 0
- 计算样本的均值 X¯ X ¯ 和样本协方差 V=1n−1∑ni=1(Xi−X¯)(Xi−X¯