假设检验 正态总体方差的假设检验

最新推荐文章于 2024-06-01 00:07:31 发布
最新推荐文章于 2024-06-01 00:07:31 发布
阅读量1.8k 收藏 6
点赞数 1
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/119539983
版权

前言：

      目前 假设检验 主要 讨论的服从正态分布的对象

     均值 和方差的情况。

     分为 单个总体 和 两个总体的情况

   例子 来自 《概率论与数理统计》第八章

 目录：

     一  单个总体方差的情况

    二   两个总体的情况

   三   代码 以及 例子

一  单个总体方差的情况

      单个总体 均值 未知

  1.1  原假设假设：

         \sigma^2\leq \sigma_0^2  右边检验

         \sigma^2\geq \sigma_0^2  左边检验

          \sigma^2=\sigma_0^2 双边检验

   1.2 统计量

             Z = \frac{(n-1)S^2}{\sigma_0^2} \sim \chi (n-1)

   应用见例8

二  两个总体的情况

        X_1,X_2,....X_n 来自总体的样本N(u_1,\sigma_1^2)

        Y_1,Y_2,....,Y_n 来自总体的样本N(u_2,\sigma_2^2)

        样本方差S_1^2,S_2^2,且总体均值,方差未知

    则统计量为

   Z= \frac{s_1^2}{s_2^2} \geq F(n_1-1,n_2-1)

   见例9 

三  例子

​​​​​​

# -*- coding: utf-8 -*-
"""
Created on Fri Aug  6 17:37:24 2021

@author: chengxf2
假设检验

"""
import numpy as np
from scipy.stats import chi2  # 卡方分布
from scipy.stats import norm
from scipy.stats import t
from scipy.stats import f
import matplotlib.pyplot as plt
class hypothesis :
    
    
    def Draw(self):
        
        fig, ax = plt.subplots(1, 1)
        x = np.linspace(norm.ppf(0.01), norm.ppf(0.99), 100)
        ax.plot(x, norm.pdf(x), 'r-', lw=5, alpha=0.6, label='norm pdf')
        
    '''
    随机变量服从正太分布,方差均值已知情况
    Args
       H0 假设样本均值和总体无偏差
       已知参数：
          总体均值，总体方差，
          样本均值，样本个数
     return 
         样本均值和总体均值的拟合情况
    '''
    def example_1(self):
        u = 0.5
        sigma = 0.015
        alpha = 0.05
        
        x = [0.497, 0.506, 0.518, 0.524, 0.498, 0.511, 0.520, 0.515, 0.512]
        x_bar = np.mean(x)
        n = len(x)

        
        print("\n step1 H0 假设样本均值和总体无偏差")
        z = (x_bar-u)/(sigma/np.sqrt(n))
        
        print("\n step2 统计量 %5.2f"%z,"\t 样本个数 ",n)
        w =  norm.ppf(alpha/2)  #
        w1 = norm.ppf(1-alpha/2)
        
        print("\n step3 : 拒绝区域  [-, %5.2f] [ %5.2f ,+]"%(w,w1))
        
        if z> w and z<w1:
            print("\n step4: 结论： 假设H0 成立")
        else:
            print("\n step4: 结论 假设H1 成立")
    
    '''
    右边检验：
    Args
       牛奶的例子
    return
       
    '''
    def example_2(self):
        
        #已知条件
        u = -0.545 #总体均值
        sigma = 0.008     #总体方差
        n = 5 #样本个数
        x_bar = -0.535 #样本均值
        alpha = 0.05 #置信度
        
        print("\n step1 H0 牛奶无掺水 u<u0 ")
        z = (x_bar-u)/(sigma/np.sqrt(n))
        print("\n step2 统计量 %5.2f"%z,"\t 样本个数 ",n)
        
        w = norm.ppf(1-alpha)
        print("\n step3 : 拒绝区域  [ %5.2f ,+]"%w)
        
        if z>w:
           print("\n step1 4 拒绝H0 牛奶掺水  ")
        else:
           print("\n step1 4 接受H0 牛奶无掺水  ")
           
           
    '''
    总体服从正态分布，均值方差未知，样本均值，方差已知
    Args
       样本的均值
    return
       
    '''
    def example_3(self):
        
        #已知条件
        u = -0.545 #总体均值
        sigma = 0.008     #总体方差
        n = 5 #样本个数
        x_bar = -0.535 #样本均值
        alpha = 0.05 #置信度
        
        print("\n step1 H0 牛奶无掺水 u<u0 ")
        z = (x_bar-u)/(sigma/np.sqrt(n))
        print("\n step2 统计量 %5.2f"%z,"\t 样本个数 ",n)
        
        w = norm.ppf(1-alpha)
        print("\n step3 : 拒绝区域  [ %5.2f ,+]"%w)
        
        if z>w:
           print("\n step1 4 拒绝H0 牛奶掺水  ")
        else:
           print("\n step1 4 接受H0 牛奶无掺水  ")
           
    '''
    原件寿命的例子,右边检验
    单个总体服从标准正态分布，方差，均值未知
    样本均值，方差已知，统计量服从t分布
    '''
    def example_4(self):
        X = np.array([159, 280, 101, 212, 224, 379, 179 ,264,
                      222, 362, 168, 250, 149, 260, 485, 170 ])
    
        alpha = 0.05
    
        x_bar = np.mean(X)
        s = np.std(X,ddof=1)#样本差，必须使ddof=1：
        n = len(X)
        
        z =(x_bar-225)/(s/np.sqrt(n))
        
        print("\n step2: 统计量 %5.2f  样本方差 %5.2f"%(z,s))
        
        w = t.ppf(1-alpha,df=n-1)
        print("\n step3 : 拒绝区域  [ %5.2f ,+]"%w)
        
        
        if z>w:
           print("\n step1 4 拒绝H0 寿命大于225h  ")
        else:
           print("\n step1 4 接受H0 寿命小于等于225h  ")
           
    '''
    两个正态分布差值的检验,方差相等符合t分布。如果方差不等，但是已知,符合正太分布
    测定冰的例子，右边检验
    Args
      方差相等
      样本方差,均值已知
      跟例题结果有点偏差是因为 小数点精度不一致导致的。
      
    '''
    def example_5(self):
        
        x_A = np.array([79.98, 80.04, 80.02, 80.04, 80.03, 80.03, 80.04,
                        79.97, 80.05, 80.03, 80.02, 80.00, 80.02])
        x_B = np.array([80.02, 79.94, 79.98, 79.97, 79.97, 80.03, 79.95, 79.97])
        
        x_barA = np.mean(x_A)
        x_barB = np.mean(x_B)
        
        print("\n xa %5.2f  xb %5.2f"%(x_barA,x_barB))
        
        x_bar = x_barA-x_barB
        n1 = len(x_A)
        n2 = len(x_B)
        sa = np.std(x_A,ddof=1)
        sb = np.std(x_B,ddof=1)
        
        saa = np.power(sa,2)
        sbb = np.power(sb,2)

        s = (n1-1)*saa+(n2-1)*sbb
        
        print("\n sa  %8.7f  sb:  %8.7f"%(sa,sb))
        print("\n n1 %d n2 %d"%(n1,n2))
        sww= s/(n1+n2-2)
        #sww = 0.0007178
        print("\n sww %8.7f  "%sww)
        
        z = (x_bar)/(np.sqrt(sww)*np.sqrt(1/n1+1/n2))
        print("\n step2: 统计量:  %5.3f  "%z)
        
        df = n1+n2-2
        alpha = 0.05 #置信度
        w = t.ppf(1-alpha,df)
     
        print("\n step3 : 拒绝区域  [ %5.3f ,+]"%w)
        
        
        if z>w:
           print("\n step1 4 拒绝H0  方法A 比方法B测得的融化热要大  ")
        else:
           print("\n step1 4 接受H0   方法A 测得的温度小于等于方法B   ")
           
    '''
    成对数据的检验，逐对比较法, t 分布,双边检验
    Args
       在同样的方法下得到成对数的观测值
       其差值假设服从正太分布
       样本的均值，方差已知
       
    '''
    def example_6(self):
        x = np.array([0.20, 0.30, 0.40, 0.50, 0.60, 0.70, 0.80, 0.90, 1.00])
        y = np.array([0.10, 0.21, 0.52, 0.32, 0.78, 0.59, 0.68, 0.77, 0.89])
        
        d = x-y
        n = len(d)
        x_bar = np.mean(d)
        sd = np.std(d, ddof=1)
        
        z = x_bar/(sd/np.sqrt(n))
        
        print("\n 统计量 %5.3f"%z)
        
        
        alpha = 0.01
        df = n-1
        w = t.ppf(alpha/2, df)
        
        print("\n step3 : 拒绝区域  [ %5.3f ,+]"%w)
        
        
        if np.abs(z)>np.abs(w):
           print("\n step1 4 拒绝H0  两台仪器测量有差异  ")
        else:
           print("\n step1 4 接受H0   两台仪器测量无差异   ")
           
    
    '''
    成对数据的检验，逐对比较法, t 分布,左边检验
    Args
       在同样的方法下得到成对数的观测值
       其差值假设服从正太分布
       样本的均值，方差已知
       
    '''
    def example_7(self):
        x = np.array([0.30, 0.23, 0.41, 0.53, 0.24, 0.36, 0.38, 0.51])
        y = np.array([0.43, 0.32, 0.58, 0.46, 0.27, 0.41, 0.38, 0.61])
        
        d = x-y
        n = len(d)
        x_bar = np.mean(d)
        sd = np.std(d, ddof=1)
        
        z = x_bar/(sd/np.sqrt(n))
        
        print("\n 统计量 %5.3f"%z)
        
        
        alpha = 0.05
        df = n-1
        w = t.ppf(alpha, df)
        
        print("\n step3 : 拒绝区域  [-, %5.3f]"%w)
        
        
        if z<w:
           print("\n step1 4 拒绝H0  红光反应时间小于绿光  ")
        else:
           print("\n step1 4 接受H0   红绿光反应的时间相等   ")
           
        
        
    '''
    单个总体情况
    样本服从标准正太分布,均值未知
    Args
       统计量服从卡方分布
    
    '''    
    def  example_8(self):
        sigma = 5000
        n = 26
        alpha = 0.02
        s= 9200
        
        z = (n-1)*s/sigma
        print("\n 统计量 %5.3f"%z)
        
        df = n-1
        wLeft = chi2.ppf(alpha/2,df)
        wRight = chi2.ppf(1-alpha/2,df)
        
        print("\n step3 : 拒绝区域  [-, %5.3f] [%5.3f +]"%(wLeft,wRight))
        
        
        if z<wLeft or z>wRight:
            print("\n 拒绝H0 有显著的波动")
        else:
            print("\n 接受H0 无显著差异")

    '''
    单个总体情况
    样本服从标准正太分布,均值未知
    Args
       统计量服从卡方分布
    
    '''    
    def  example_9(self):
        
        n1 = 13
        n2 = 8
        alpha = 0.01
        s1 = 0.024**2
        s2 = 0.031**2
        
        
        z= s1/s2
        print("\n 统计量 %5.3f"%z)
        
        df1 = n1-1
        df2 = n2-1
        wLeft = f.ppf(alpha/2,df1,df2)
        wRight = f.ppf(1-alpha/2,df1,df2)
        
        print("\n step3 : 拒绝区域  [-, %5.3f] [%5.3f +]"%(wLeft,wRight))
        
        
        if z<wLeft or z>wRight:
            print("\n 拒绝H0 有显著的波动")
        else:
            print("\n 接受H0 无显著差异")
        
        
        


        
        
        
            
            
        
    def __init__(self):
        pass 
    
if __name__ =="__main__":
    
    hy =hypothesis()
    
    hy.example_9()

     

     

明朝百晓生
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【应用统计学】总体方差的假设检验
Robin Hu的专栏
10-03 3428
《财富》(美）杂志做了一次调查，发现订阅该杂志的人拥有一辆或租用一辆车子数的方差为0.94。假设另一份杂志的订阅者拥有或租用的车辆数如下所示:2,1,2,0,3,2,2,1,2,1,0,1试问:在10%显著水平下，该杂志车辆数方差是否与《财富》的车辆数方差相同?
正态总体方差的检验
qq_45323012的博客
03-30 2209
1.单个正态总体方差的卡方检验 python实现： #备择假设sigma2>0.016 from scipy import stats def ka2(n,s2,sigma2): k_value=(n-1)*s2/sigma2 p_value=1-stats.chi2.cdf(k_value,n-1) return p_value ka2(25,0.025,0.0...
正态总体方差的假设检验
sunshine博客
05-26 1万+
假设检验学习笔记
最新发布
人无远虑，必有近忧
06-01 641
在总体分布类型已知的情况下，仅仅涉及总体分布中未知参数的统计假设，称为参数假设 在总体分布类型未知的情况下，对总体分布类型或者总体分布的某些特性提出的统计假设，称为非参数假设...
七、假设检验：使用Python进行两个正态总体方差的假设检验
qq_35125180的博客
07-03 1456
站位
总体方差的检验和推断
weixin_40620694的博客
04-21 1756
总体方差的检验和推断 需求： 实际需求：某些实际问题中，需要对方差有严格的控制，如药品。所以需要对方差进行检验 比较方法的稳定性，即多样本的方差比较 方差相等是其他检验的前提条件，所以需要方差检验 点估计 无偏估计 σ^2=s2=∑i(yi−yˉ)2n−1 \hat{\sigma}^2 = s^2= \frac{\sum_i(y_i-\bar{y})^2}{n-1} σ^2=s2=n−1∑i​...
正态总体均值及方差的假设检验表.pdf
03-21
正态总体均值及方差的假设检验表.pdf正态总体均值及方差的假设检验表.pdf正态总体均值及方差的假设检验表.pdf正态总体均值及方差的假设检验表.pdf正态总体均值及方差的假设检验表.pdf
多元正态总体的假设检验和方差分析报告.doc
09-18
"多元正态总体的假设检验和方差分析报告" 多元正态总体是统计学中的一种重要概念，它是指具有多个随机变量的总体，在实际应用中广泛存在，如社会科学、医学、金融等领域。多元正态总体的假设检验和方差分析是统计学...
《数理统计》第8章3正态总体方差的.ppt
09-17
在数理统计中，正态总体方差的假设检验是一个重要的概念，特别是在质量控制、实验设计和数据分析等领域。本节主要讨论如何在显著性水平α下对正态总体的方差进行检验，以判断样本数据是否符合预期的方差。 首先，...
方差未知的两个正态总体的假设检验问题 (1998年)
05-19
对于所见的数理统计文献，如[1]至[5]，关于方差未知，但知相等的假设检验问题进行推广，使之摆脱方差相等（齐性）的限制，而总能够进行检验。
假设检验（正态分布总体方差）20211130
4AM_明朝百晓生
12-04 1775
前言： 在机器学习中，我们在新的样本上遇到测试的偏差跟原来差距很大。 一个研究方向就是比较数据集差异，如果确实是数据集差异过大导致的，可以 保留原有的模型不变，增加一个新的模型处理新的数据。然后多个模型集合起来处理 也就是集成学习的思想。 目录 单个总体情况 两个总体情况 例子 一 单个总体情况 .1.1 原假设H0,分3种情况 ，这里都是上分位数 ...
正态分布方差检验
weixin_42141390的博客
04-19 2874
本文主要讨论了 正态分布方差检验的方法，即卡方检验、F 检验。并详细讨论了两个检验方法的应用条件、原理等。
统计学之假设检验（总体均值、总体比例、总体方差）含例题和解答
Lora青蛙的博客
06-16 3万+
开篇引例：某健身俱乐部欲根据往年的会员情况，制定2006年的会员发展营销策略。主管经理估计俱乐部会员的平均年龄是35岁，其中25～35岁的会员占总人数的70%。研究人员从2005年入会的新会员中随机抽取40人，调查得知他们的平均年龄是32岁，其中25～35岁的会员占74%。根据这份调查结果，问主管经理的对会员年龄的估计是否准确？ 统计学是通过假设检验的方法来解决上...
假设检验之T检验、方差检验
weixin_39256203的博客
10-16 4190
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录spss--差异分析一、假设检验1. 假设检验的假设2. 原假设与研究假设的关系：3. 区分两种假设4. 假设检验统计决策的原理5. 假设检验的步骤二、t检验1.单样本T检验2. 独立样本T检验3. 配对样本T检验三、方差分析1. 1方差分析1. 2方差分析的三条假设：1. 3方差分析的基本过程1. 4方差分析、T检验、卡方检验的区别2. 1单因素方差分析 spss–差异分析 差异研究的目的在于比较两组数据或多组数据之间的差异，通
统计推断——假设检验——方差分析
huangguohui_123的博客
12-31 1万+
一、概述 方差分析（analysis of variance， ANOVA）用于两个或两个以上样本均数的比较，还可分析两个或多个研究因素的交互作用以及回归方程的线性假设检验等。 注意：方差分析常用于两个及两个以上独立样本均数的比较，当用于两个均数的比较时，同一资料所得结果与检验等价，且有如下关系：。 证明： 对于另个独立样本的的均值比较来说：， ， 分子是组间的变异，分母是...
均值已知检验方差_假设检验06---两个正态总体均值的检验
weixin_39603604的博客
11-20 5910
双总体均值差的假设检验的统计量样本来自正态总体 ,样本来自正态总体检验假设: (一) 如果两个总体方差 和 已知 构造检验统计量： 当 时， z 服从 。因此，采用 z 检验。当 成立时， 则检验拒绝域为： 【例 】 某人声称一种工艺可以降低羊毛的含脂率。假设羊毛的含脂率服从正态分布， 且经该工艺处理前后的方差均为 36。现采 10 个未经工艺处理的羊毛样本，测得平均含脂率 ...
数学建模之正态分布均值的假设检验
supreme_boss的博客
06-30 5823
正态分布均值的假设检验 一，假设检验步骤 步骤一：写出原假设和备择假设 步骤二：在原假设成立的条件下，构造一个统计量，该统计量服从某一分布 步骤三：用已知的样本数据带入统计量的公式，得到一个检验值 步骤四：给定置信水平来得到一个接受域的区间，看检验值是否落在接受域中，或者用检验值和区间的临界值进行比较，来判断是否接受原假设（或者计算该检验值对应于其分布的p值，并将p值和指定的显著性水平比较从而来确定是否接受原假设） 注意:步骤二中构造的统计量分布，一般指标准正态分布，t分布，卡方分布，F分布！！
第三节 两个正态总体的假设检验
arcsin_90的博客
07-10 658
显著性水平、置信区间、假设检验与方差分析知识点总结
热门推荐
weixin_44304168的博客
12-18 3万+
显著性水平、置信区间、假设检验与方差分析相关知识点总结

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值