概率统计Python计算：单个正态总体均值的双侧区间估计

我们知道，计算单个总体$X$~$N(\mu ,{\sigma }^2)$的参数$\mu$对给定置信水平$1-\alpha$的置信区间，除了置信水平外，还需要如下几个要素：样本均值$\overline{x}$，样本方差$s^2$或总体方差${\sigma }^2$，样本容量n。虽然要根据总体${\sigma }^2$是否已知分两种情况计算，但计算步骤几乎是一样的：

1. 计算枢轴量分布（已知${\sigma }^2$为$N(0,1)$，未知${\sigma }^2$为$t(n-1)$）概率为置信度$1-\alpha$的双侧分位数$a$，$b$；
2. 计算增量因子$d$（已知${\sigma }^2$为$\sqrt{\frac{{\sigma }^2}{n}}$，未知${\sigma }^2$为$\sqrt{\frac{s^2}{n}}$）；
3. 计算置信下限$\overline{x}-a\times d$和置信上限$\overline{x}+a\times d$。

根据这些计算步骤（算法），我们定义以下Python函数

from scipy.stats import norm, t                     #导入norm和t分布
import numpy as np                                  #导入numpy
def muBounds(mean, d, confidence, df=0):            #函数定义
    if df==0:                                       #已知总体方差
        a, b=norm.interval(confidence)              #计算正态双侧分位点
    else:                                           #未知总体方差
        a, b=t.interval(confidence, df)             #计算t分布双侧分位点
    return mean+a*d, mean+b*d                       #计算置信上下限

程序的第3~8行定义的函数muBounds计算正态总体位置参数$\mu$对给定置信度的双侧置信区间。参数mean，d, 和confidence分别表示样本均值$\overline{x}$，置信区间增量因子（$\sigma /\sqrt{n}$或$s/\sqrt{n}$），和置信水平$1-\alpha$。参数df为缺省值0表示为已知总体方差${\sigma }^2$，无自由度。而当总体方差${\sigma }^2$未知时，df传递表示$t$分布的自由度。
程序的第4~7行的if-else语句，根据参数df的值，计算枢轴量分布相对置信度$1-\alpha$的分位点a和b：df为0则计算$N(0,1)$的分位点，否则计算$t(n-1)$的分位点（详见博文《标准正态分布分位点计算》和《学生分布分位点计算》）。第8行计算$\mu$的置信水平为$1-\alpha$的双侧置信下限和上限，并作为返回值返回。
例1 某饲料厂用自动打包机包装一种混合饲料，设每包的质量$X$服从标准差为$\sigma =1.5$（kg）的正态分布。某日开工后随即抽取9包，测得质量如下：
$$99.3,104.7,100.5,101.2,99.7,98.5,102.8,103.3,100.0$$
计算总体$X$的均值$\mu$的置信度为$1-\alpha =0.95$的双侧置信区间。
解： 下列代码完成本例的计算。

import numpy as np                                  #导入numpy
x=np.array([99.3, 104.7, 100.5, 101.2,              #样本观测值
            99.7, 98.5, 102.8, 103.3, 100.0])
mean=x.mean()                                       #样本均值
sigma=1.5                                           #已知总体均方差
n=x.size                                            #样本容量
d=sigma/np.sqrt(n)                                  #置信区间增量因子
confidence=0.95                                     #置信水平
a, b=muBounds(mean, d, confidence)                  #计算总体均值的置信区间
print('(%.3f, %.3f)'%(a, b))

程序的第2~3行，设置样本观测值数组x，第4~8行设置样本均值mean（$\overline{x}$），总体均方差sigma（$\sigma$），样本容量n（$n$），置信水平confidence（$1-\alpha$）和置信区间增量因子d（$\sigma /\sqrt{n}$）。第9行调用上列程序定义的函数muBounds，传递参数mean、d和confidence，计算总体均值$\mu$置信度为0.95的双侧置信区间。注意，由于总体方差${\sigma }^2$已知为$1.5^2$，故调用muBounds函数时，使用df参数的默认值0。运行程序，输出

(100.131, 102.091)

为本例中总体均值$\mu$的置信水平为0.95的双侧置信区间。
例2 从某厂生产的滚珠中随机抽取10个，测得滚珠的直径（单位：mm）如下：
$$14.6,15.0,14.7,15.1,14.9,14.8,15.0,15.1,15.2,14.8$$
若滚珠直径服$X$~$N(\mu ,{\sigma }^2)$，其中${\sigma }^2$未知。试计算滚珠直径均值$\mu$的置信水平为$95\%$的置信区间。
解： 下列代码完成本例计算。

import numpy as np                                      #导入numpy
x=np.array([14.6, 15.0, 14.7, 15.1, 14.9,               #样本观测值
            14.8, 15.0, 15.1, 15.2, 14.8])
mean=x.mean()                                           #样本均值
s=x.std(ddof=1)                                     	#样本均方差
n=x.size                                                #样本容量
d=s/np.sqrt(n)                                      	#置信区间增量因子
confidence=0.95                                         #置信度
a, b=muBounds(mean, d, confidence, df=n-1)              #计算置信区间
print('(%.3f, %.3f)'%(a, b))

由于本例中计算的是总体方差${\sigma }^2$未知情形下的$\mu$的置信区间，故第5行计算样本均方差$s$。第8行计算置信区间增量因子$s/\sqrt{n}$。注意，第9行调用函数muBounds时，向参数df传递$t$分布的自由度n-1，对应未知总体方差的情形。运行程序，输出

(14.782, 15.058)

为本例中总体均值$\mu$的置信水平为0.95的双侧置信区间。
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！
代码诚可贵，原理价更高。若为AI学，读正版书好。
返回《导引》