概率统计Python计算：单个正态总体均值的单侧区间估计

计算单个总体$X$~$N(\mu ,{\sigma }^2)$的参数$\mu$对给定置信水平$1-\alpha$的单侧置信区间，方法与计算双侧置信区间大同小异。

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$1-\alpha$的单侧分位数$a$或$b$；
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$\overline{x}-a\times d$或置信上限$\overline{x}+a\times d$。

下列代码定义计算总体均值$\mu$的单侧置信区间的函数

from scipy.stats import norm, t                 #导入norm和t分布
import numpy as np                              #导入numpy
def muBound(mean, d, confidence, df=0, low=True):
    alpha=1-confidence                          #计算置信度1-alpha中的alpha
    if df==0:                                   #已知总体方差
        b=norm.isf(alpha)                       #正态右分位点
    else:                                       #未知总体方差
        b=t.isf(alpha, df)                      #t分布右分位点
    if low:                                     #下限
        return mean-b*d
    return mean+b*d								#上限

在计算总体参数$\mu$的单侧置信区间的函数muBound定义中，参数mean，d，confidence和df的意义与函数muBounds（详见博文《单个正态总体均值的双侧区间估计》）的同名参数的一样，此不赘述。布尔型参数low表示计算的是否为置信下限，默认值True意为下限，若传递False则表示计算上限。为计算枢轴量服从的分布的右分位点（左分位点与之对称），第4行计算置信度$1-\alpha$中的$\alpha$。第5~8行的if-else语句根据参数df的值计算正分布态右分位点或t分布的右分位点（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9行计算增量因子。第9~10行的if语句，计算置信下限并返回，第11行计算置信上限并返回。
例1 从一批灯泡中随机地抽取5只作寿命试验，测得寿命（单位：h）为
$$1050,1100,1120,1250,1280$$
设灯泡的寿命$X$~$N(\mu ,{\sigma }^2)$，其中${\sigma }^2=10000$。试计算灯泡平均寿命置信水平为$0.95$的单侧置信下限。
解： 下列代码完成本例计算。

import numpy as np                          #导入numpy
x=np.array([1050, 1100, 1120, 1250,  1280]) #样本观测值
mean=x.mean()                               #样本均值
sigma=100                                   #总体均方差
n=x.size                                    #样本容量
d=sigma/np.sqrt(n)                          #置信下限增量
confidence=0.95                             #置信水平
a=muBound(mean, d, confidence)              #计算单侧置信下限
print('mu>=%.3f'%a)

由于例中计算的是已知总体方差${\sigma }^2=100^2$情形下$\mu$的单侧置信下限，故第8行调用muBound函数时参数df和low均各自取其默认值0和True。运行程序，输出

mu>=1086.440

例2 从一批汽车轮胎中随机地取16只做磨损试验，记录其磨坏时所行使的路程（单位：km），算得样本均值为$\overline{x}=41116$，样本标准差$s=6346$，设此样本来自正态总体$X$~$N(\mu ,{\sigma }^2)$，$\mu$和${\sigma }^2$均未知。试计算置信度为95%，$\mu$的置信下限。
解： 下列代码完成本例计算。

import numpy as np                              #导入numpy
mean=41116                                      #样本均值
s=6346                                      	#样本均方差
n=16                                            #样本容量
confidence=0.95                                 #置信度
d=sigma/np.sqrt(n)                              #置信下限因子
a=muBound(mean, d, confidence, n-1)             #计算置信下限
print('mu>=%.3f'%a)

程序中第6行计算置信下限因子$s/\sqrt{n}$，第7行调用muBound函数计算总体均值$\mu$的单侧置信下限，故参数low使用默认值True，由于未知总体方差${\sigma }^2$，故参数df传递给$t$分布的自由度n-1。运行程序，输出

mu>=38334.785

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》