参数估计4 两个正态总体的区间估计

最新推荐文章于 2022-07-29 17:18:21 发布

明朝百晓生

最新推荐文章于 2022-07-29 17:18:21 发布

阅读量2.7k

点赞数 2

分类专栏：人工智能

4AM_明朝百晓生

本文链接：https://blog.csdn.net/chengxf2/article/details/116307494

版权

人工智能专栏收录该内容

102 篇文章 3 订阅

订阅专栏

前言：

样本 $\begin{bmatrix} X_1, & X_2, & ... & X_{n_1} \end{bmatrix}$ $\begin{bmatrix} Y_1, & Y_2, & ... & Y_{n_2} \end{bmatrix}$

分别来自 $N(u_1,\sigma_1^2),N(u_2,\sigma_2^2)$ ,他们相互独立，

其样本均值和样本方差已知，置信水平为 $1-\alpha$

1： $u_1-u_2$ 的区间估计, $\sigma_1^2,\sigma_2^2$ 已知

2： $u_1-u_2$ 的区间估计, $\sigma_1^2,\sigma_2^2$ 相等未知

3： $u_1-u_2$ 的区间估计, $\sigma_1^2,\sigma_2^2$ 不等，样本n1,n2>30

4： $u_1-u_2$ 的区间估计, $\sigma_1^2,\sigma_2^2$ 不等，样本n1,n2<30

5: $\sigma_1^2/\sigma_2^2$ 区间估计， $u_1,u_2$ 未知，

一 $u_1-u_2$ 的区间估计, $\sigma_1^2,\sigma_2^2$ 已知

$Y=\frac{(\bar{X}-\bar{Y})-(u_1-u_2)}{\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}} \sim N(0,1)$

置信区间为

$(\bar{X}-\bar{Y})\pm Z_{\alpha/2}\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}$

二： $u_1-u_2$ 的区间估计, $\sigma_1^2,\sigma_2^2$ 未知, $\sigma_1^2=\sigma_2^2=\sigma^2$

解：

$\frac{(\bar{X}-\bar{Y})-(u_1-u_2)}{S_w\sqrt{1/n_1+1/n_2}} \sim t(n_1+n_2-2)$

置信区间为：

$(\bar{X}-\bar{Y})\pm t_{\alpha/2}(n_1+n_2-2)S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}$

$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}$

例1：比较两个型号的子弹枪口速度，随机选取型号1子弹10发，得到枪口速度的平均值

$\bar{X_1}=500m/s,S_1=1.10m/s$

型号2 子弹20发，得到

$\bar{X_1}=496m/s,S_2=1.2 0m/s$

总体近似可以看作正态分布，生产过程中要求方差近似相等，求 $u_1-u_2$ 的一个置信水平为0.95的置信区间

解：

服从t 分布

def GetUDiff(x1=500,x2=496,alpha=0.05,s1=1.1,s2=1.2,n1=10,n2=20):
    
    sw = np.sqrt(((n1-1)*np.power(s1,2)+(n2-1)*np.power(s2,2))/(n1+n2-2))
    print("\n sw ",sw)
    ppf1 = t.ppf(alpha/2,n1+n2-2)
    print("\n ppf1 ",ppf1)
    step = ppf1*sw*np.sqrt(1/n1+1/n2)
    print("\n step ",-step)
    Q1 = x1-x2+step
    Q2 = x1-x2-step
    
    print("\n 置信区间[ %4.2f"%Q1,"\t  %4.2f]"%Q2)
    
    
GetUDiff()

置信区间[ 3.07       4.93]

得到的置信区间下限大于0，所以 $u_1>u_2$

例2：为提高某一化学生产过程的得率，采用一种新型的催化剂进行了

$n_1=8,\bar{x_1}=91.73,s_1^2=3.89; n_2=8,\bar{x_2}=93.75,s_2^2=4.02$

求总体均值差 $u_1-u_2$ 置信水平为0.95的置信区间

解：

x1=91.73
n1=8
s1= np.sqrt(3.89)
s2= np.sqrt(4.02)
x2 = 93.75
n2= 8
alpha =0.05
GetUDiff(x1,x2,alpha,s1,s2,n1,n2)

 sw  3.955

 ppf1  -2.1447866879169277

 step  2.132688139386107

 置信区间[ -4.15      0.11]

由于区间包含0，所以均值没有显著差异

三： $u_1-u_2$ 的区间估计, $\sigma_1^2,\sigma_2^2$ 不等，样本n1,n2>30

$Y=\frac{(\bar{X}-\bar{Y})-(u_1-u_2)}{\sqrt{S_1^2/n_1+S_2^2/n_2}} \sim N(0,1)$

置信区间：

$(\bar{X}-\bar{Y})\pm Z_{\alpha/2}\sqrt{S_1^2/n_1+S_2^2/n_2}$

四： $u_1-u_2$ 的区间估计, $\sigma_1^2,\sigma_2^2$ 不等，样本n1,n2<30

$Y=\frac{(\bar{X}-\bar{Y})-(u_1-u_2)}{\sqrt{S_1^2/n_1+S_2^2/n_2}} \sim t(k)$

k = min(n1-1,n2-1)

置信区间：

$(\bar{X}-\bar{Y})\pm t_{\alpha/2}\sqrt{S_1^2/n_1+S_2^2/n_2}$

五 $\sigma_1^2/\sigma_2^2$ 区间估计， $u_1,u_2$ 未知

$\frac{S_1^2/S_2^2}{\sigma_1^2/\sigma_2^2} \sim F(n_1-1,n_2-1)$

$F_{1-\alpha/2}(n_1-1,n_2-1)<\frac{S_1^2/S_2^2}{\sigma_1^2/\sigma_2^2}<F_{\alpha/2}(n_1-1,n_2-1)$

置信区间为

$\begin{bmatrix} \frac{S_1^2}{S_2^2}\frac{1}{F_{\alpha/2}(n_1-1,n_2-1)} & , \frac{S_1^2}{S_2^2}\frac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)} \end{bmatrix}$

两个点都是上 $\alpha$ 分位数

# -*- coding: utf-8 -*-
"""
Created on Thu May  6 15:22:23 2021

@author: chengxf2
"""
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import f

import scipy.stats as stats


'''
    获得F分布的置信区间
Args:
    alpha 分位数
    n1: 自由度1
    n2: 自由度2
'''
def GetFRegion(alpha=0.1, n1=20,n2=20):
    x1 = [15, 14.8,15.2, 15.4,14.9,15.1,15.2,14.8]
    x2 = [15.2,15.0,14.8, 15.1,14.6,14.8,15.1,14.5,15.0]
    x1mean = np.mean(x1)
    n1 = len(x1)
    x2mean= np.mean(x2)
    n2 = len(x2)
    print("\n x1Mean ",x1mean,"\t x2Mean ",x2mean)
    
    
    upper = f.ppf(alpha/2,n1-1,n2-1)
    lower = f.ppf(1-alpha/2,n1-1,n2-1)
    print("\n  上alpha分位数1 ",lower,"\t 上alpha分位数2 ",upper)
    
    s1 = np.std(x1,ddof = 1) #样本差
    s2 = np.std(x2,ddof = 1)
   
    left = (s1**2/s2**2)/lower
    right =(s1**2/s2**2)/upper
    
    print("\n 置信区间为[ %5.3f  ---%5.3f ]"%(left,right))
    
    

'''
    画F 分布图
    
    pdf 概率密度函数
    cdf 分布函数
    ppf: 求分位數
    sf: 1-CDF
    args
      df: X1的自由度n1
      dn: x2的自由度n2
  
'''
def DrawF(alpha=0.05, df=20,dn=20):
    
      
    plt.figure(figsize=(10,10))
    x = np.linspace(f.ppf(0.01, df, dn), f.ppf(0.99, df, dn), 100)
    y = f.pdf(x, df, dn)
    
    plt.plot(x, f.pdf(x, df, dn), alpha=0.6, label='f')
    
    lower_bound = f.ppf(alpha, df, dn)
    upper_bound = f.ppf(1-alpha, df, dn)
    lower_Index  =0
    upper_Index = 0
    for i in range(len(x)):
        if x[i]>lower_bound:
            lower_Index = i-1
            break
    for j in range(len(x)):
        if x[j]>upper_bound:
            upper_Index = j
            break
    
    #print("\n upper_Index ",upper_Index)
    xLeft =x[0:lower_Index:1]
    xRight=x[upper_Index:-1:1]
    #print("\n lower_bound ",lower_bound,"\t upper_bound",upper_bound)
    #print("\n xLeft: ",xLeft,"\n xright ",xRight)
   
    yLeft =  f.pdf(xLeft,df,dn) #求概率密度函数
    yRight = f.pdf(xRight,df,dn) #求概率密度函數
    plt.fill_between(xLeft,yLeft,alpha=0.5,facecolor="g")
    plt.fill_between(xRight,yRight,alpha=0.5,facecolor="red")
    plt.legend(['F distribution'])
    plt.show()
    
  
'''
dfn: 自由度
'''
#@f.ppf(0.95,dfn=1,dfd=4) #dfn: degree of freedom numerator
#DrawF()
GetFRegion()

置信区间为[ 0.227 ---2.962 ]