一、区间估计：使用Python进行单个正态总体均值的区间估计

单个正态总体均值的区间估计

一. 预备知识

该实验涉及Numpy库和scipy库的使用，下面仅就这两个库中使用到的函数或方法加以介绍。

1.1 numpy库

numpy库是一个多维数组库，这里涉及数组对象的初始化，求均值，标准差的方法。

• import numpy as np 导入numpy，并且起名为np
• data = np.array([101.3, 96.6, 100.4, 98.8, 94.6, 103.1, 102.3, 97.5, 105.4, 100.2]) 使用列表初始化一个一维数组
• xb=np.mean(data) 求一组数据的平均值
• s=np.std(data,ddof=1) 求一组数据的标准差

1.2 scipy库

scipy.stats库包含了各种离散型和连续性随机变量的分布。各种分布公共的函数如下：

• rvs: Random Variates
• pdf: Probability Density Function
• cdf: Cumulative Distribution Function
• sf: Survival Function (1-CDF)
• ppf: Percent Point Function (Inverse of CDF)
• isf: Inverse Survival Function (Inverse of SF)

使用各种分布时，通常先要冻结该分布，比如：

• Z=stats.norm(loc=0,scale=1) 冻结一个正态分布为标准正态
• T=stats.t(df=3) 冻结一个自由度为3的T分布。

二. 区间估计

单个正态总体的均值的区间估计可以分为两类：方差已知和方差未知。

2.1 方差已知

1. 枢轴量为$\frac{\overline{x}-\mu }{\sigma /\sqrt{n}}\sim N(0,1)$
2. 其置信水平为$1-\alpha$的双侧置信区间为：
   $$(\overline{x}-\frac{\sigma }{\sqrt{n}}{Z}_{\frac{\alpha }{2}},\overline{x}+\frac{\sigma }{\sqrt{n}}{Z}_{\frac{\alpha }{2}})$$
3. 其置信水平为$1-\alpha$的单侧置信下限为：
   $$\overline{x}-\frac{\sigma }{\sqrt{n}}{Z}_{\alpha }$$
4. 其置信水平为$1-\alpha$的单侧置信上限为：
   $$\overline{x}+\frac{\sigma }{\sqrt{n}}{Z}_{\alpha }$$

2.2 方差未知

1. 枢轴量为$\frac{\overline{x}-\mu }{s/\sqrt{n}}\sim T(n-1)$
2. 其置信水平为$1-\alpha$的双侧置信区间为：
   $$(\overline{x}-\frac{\sigma }{\sqrt{n}}{T}_{\frac{\alpha }{2}},\overline{x}+\frac{\sigma }{\sqrt{n}}{T}_{\frac{\alpha }{2}})$$
3. 其置信水平为$1-\alpha$的单侧置信下限为：
   $$\overline{x}-\frac{\sigma }{\sqrt{n}}{T}_{\alpha }$$
4. 其置信水平为$1-\alpha$的单侧置信上限为：
   $$\overline{x}+\frac{\sigma }{\sqrt{n}}{T}_{\alpha }$$

三. Python实现求解

import numpy as np
from scipy import stats
def confidence_interval_u(data, sigma=-1, alpha=0.05, side_both=True):
    xb = np.mean(data)
    s = np.std(data, ddof=1)
    if  sigma > 0: # sigma已知，枢轴量服从标准正态分布
        Z = stats.norm(loc=0, scale=1.)
        if side_both: # 求双侧置信区间
            tmp = sigma/np.sqrt(len(data))*Z.ppf(1-alpha/2)
            return (xb-tmp, xb+tmp)
        else: # 单侧置信下限或单侧置信上限
            tmp= sigma/np.sqrt(len(data))*Z.ppf(1-alpha)
            return {'bottom_limit': xb-tmp, 'top_limit': xb+tmp}
    else: # sigma未知，枢轴量服从自由度为n-1的t分布
        T = stats.t(df=len(data)-1)
        if side_both:
            tmp = s/np.sqrt(len(data))* T.ppf(1-alpha/2)
            return (xb-tmp, xb+tmp)
        else:
            tmp = s/np.sqrt(len(data))* T.ppf(1-alpha)
            return {'bottom_limit': xb-tmp, 'top_limit': xb+tmp}

例题

1. 某袋装食品重量（单位：克）$X\sim N(\mu ,{\sigma }^2)$ . 现从一大批该产品中随机抽取10件，称的重量为：
   101.3, 96.6, 100.4, 98.8, 94.6, 103.1, 102.3, 97.5, 105.4, 100.2
   (1) $\sigma =3$, (2) $\sigma$未知, 求(1)(2)两种情况下$\mu$的置信水平为95%的双侧置信区间.
   解：(1) $\sigma =3$

data = np.array([101.3, 96.6, 100.4, 98.8, 94.6, 103.1, 102.3, 97.5, 105.4, 100.2])
confidence_interval_u(data,3)

结果为：
$$(98.160614903086312,101.87938509691368)$$
(2) $\sigma$ 未知

data = np.array([101.3, 96.6, 100.4, 98.8, 94.6, 103.1, 102.3, 97.5, 105.4, 100.2])
confidence_interval_u(data)

结果为：
$$(97.703745477642599,102.33625452235739)$$

参考文献

• 《概率论与数理统计》浙大
• python scipy document