概率统计Python计算：双正态总体方差比的双侧区间估计

计算两个正态总体方差比的区间估计涉及样本方差$s_1^2$，$s_2^2$，样本容量$n_1$，$n_2$和置信度$1-\alpha$等因素。双侧置信区间计算的具体算法如下

1. 计算$F(n_1-1,n_2-1)$分布的以置信度$1-\alpha$为概率的双侧分位点$a=F_{1-\alpha /2}(n_1-1)$, $b=F_{\alpha /2}(n_1-1,n_2-1)$；
2. 计算样本方差比$s=s_1^2/s_2^2$；
3. 计算置信下限$s/b$和置信上限$s/a$。

$F$分布的分位点计算见博文《F分布分位点计算》。根据算法，定义计算总体方差比的双侧置信区间的Python函数如下

from scipy.stats import f                           #导入f分布
def sigma2RatioBounds(d, dfn, dfd, confidence):     #函数定义
    (a,b)=f.interval(confidence, dfn, dfd)          #计算f分布的双侧分位点
    return d/b, d/a                                 #计算置信下限和上限

函数sigma2RatioBounds的各参数意义分别为：d表示样本方差比$s_1^2/s_2^2$，dfn和 dfd,分别表示$F$分布的自由度$n_1-1$和$n_2-1$，confidence表示置信水平$1-\alpha$。函数体内的计算很简单，此不赘述。
例1 研究由机器A和机器B生产的钢管的内径（单位：mm）$X$~$N({\mu }_1,{\sigma }_1^2)$和$Y$~$N({\mu }_2,{\sigma }_2^2)$。随机抽取机器A生产的管子18根，测得样本方差$s_1^2=0.34$；抽取机器B生产的管子13根，测得样本方差为$s_2^2=0.29$，且两个样本相互独立。计算${\sigma }_1^2/{\sigma }_2^2$置信度为0.9的置信区间。
解： 下列代码完成本例计算。

s1=0.34                                      	 #样本方差1
s2=0.29                                      	 #样本方差2
n1=18                                            #样本容量1
n2=13                                            #样本容量2
d=s1/s2                                          #样本方差比
confidence=0.9                                   #置信水平
a, b=sigma2RatioBounds(d, n1-1, n2-1, confidence)#计算双侧置信区间
print('(%.4f, %.4f)'%(a, b))

运行程序，输出

(0.4539, 2.7911)

由于$1\in (0.4539,2.7911)$，故以0.9的置信水平认为机器A与机器B生产的钢管内径方差没有显著差别。
例2 设两位化验员A，B独立地对某聚合物含氯量用相同的方法各做10次测定。其测定值的样本方差分别为$s_A^2=0.5419$，$s_B^2=0.6065$。设${\sigma }_A^2,{\sigma }_B^2$分别为A、B所测定的测定值总体的方差。设总体均为正态的，且两个样本相互独立。计算方差比${\sigma }_A^2/{\sigma }_B^2$的置信度为0.95的置信区间。
解： 下列代码完成本例计算。

s1=0.5419											#样本方差1
s2=0.6065											#样本方差2
n1=10												#样本容量1
n2=10												#样本容量2
d=s1/s2												#样本方差比
confidence=0.95										#置信水平
a, b=sigma2RatioBounds(d, n1-1, n2-1, confidence)	#计算双侧置信区间
print('(%.4f, %.4f)'%(a, b))

运行程序，输出

(0.2219, 3.5972)

由于$1\in (0.2219,3.5972)$，故以0.95的置信水平认为两位化验员所测含氯量方差没有显著差别。
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》