正态总体的方差
σ
2
\sigma^2
σ2未知的情况下,对总体均值
μ
≤
μ
0
\mu\leq\mu_0
μ≤μ0(或
μ
≥
μ
0
\mu\geq\mu_0
μ≥μ0)进行显著水平
α
\alpha
α下的假设检验,检验统计量
X
‾
−
μ
0
S
/
n
\frac{\overline{X}-\mu_0}{S/\sqrt{n}}
S/nX−μ0~
t
(
n
−
1
)
t(n-1)
t(n−1)。其中
X
‾
\overline{X}
X和
S
S
S分别为样本均值和样本标准差。用p值法的计算函数定义如下。
from scipy.stats import t #导入t
def ttestR(T, df, alpha): #右侧检验函数
p=t.sf(T, df)
return p>=alpha
def ttestL(T, df, alpha): #左侧检验函数
p=t.cdf(T, df)
return p>=alpha
程序的第2~4行定义T方法右侧检验函数ttestR,第5~7行定义左侧检验函数ttestL。两个函数函数的参数T、df和alpha分别表示检测统计量观测值
x
‾
−
μ
0
s
/
n
\frac{\overline{x}-\mu_0}{s/\sqrt{n}}
s/nx−μ0、
t
t
t分布的自由度
n
−
1
n-1
n−1和显著水平
α
\alpha
α。对于右侧检验函数ttestR,第3行计算p值为
t
(
n
−
1
)
t(n-1)
t(n−1)分布的残存函数在统计量值T处的函数值。而对于左侧检验函数ttestL,第6行计算p值为
t
(
n
−
1
)
t(n-1)
t(n−1)分布的累积分布函数在统计量值T处的函数值。返回的布尔值p>=alpha为True,则接受假设
H
0
:
μ
≤
μ
0
H_0:\mu\leq\mu_0
H0:μ≤μ0(或
μ
≥
μ
0
\mu\geq\mu_0
μ≥μ0),否则拒绝
H
0
H_0
H0。
例1 某种元件的寿命
X
X
X(以h计)服从正态分布
N
(
μ
,
σ
2
)
N(\mu, \sigma^2)
N(μ,σ2)。
μ
\mu
μ和
σ
2
\sigma^2
σ2均未知。现测得16只元件的寿命如下:
159
,
280
,
101
,
212
,
224
,
379
,
179
,
264
,
222
,
362
,
168
,
250
,
149
,
260
,
485
,
170
159, 280, 101, 212, 224, 379, 179, 264,222, 362, 168, 250, 149, 260, 485, 170
159,280,101,212,224,379,179,264,222,362,168,250,149,260,485,170
问是否有理由认为元件的寿命大于225h?
解: 按题意需对假设
H
0
:
μ
≥
225
,
H
1
:
μ
<
225.
H_0:\mu\geq225, H_1:\mu<225.
H0:μ≥225,H1:μ<225.
作左侧检验,下列代码完成本例计算。
import numpy as np #导入numpy
x=np.array([159, 280, 101, 212, 224, 379, 179, 264, #样本数据
222, 362, 168, 250, 149, 260, 485, 170])
xmean=x.mean() #样本均值
s=x.std(ddof=1) #样本均方差
n=x.size #样本容量
mu0=225 #总体均值假设值
alpha=0.05 #显著水平
T=(xmean-mu0)/(s/np.sqrt(n)) #检验统计量值
accept=ttestL(T, n-1, alpha) #计算左侧检验
print('mu>=%d is %s.'%(mu0, accept))
第2~8行根据题面设置已知数据,第9行计算检验统计量值 x ‾ − μ 0 s / n \frac{\overline{x}-\mu_0}{s/\sqrt{n}} s/nx−μ0为T,第10行调用ttestL函数完成左侧检验。运行程序,输出
mu>=225 is True.
表示接受假设
H
0
:
μ
≥
μ
0
=
225
H_0:\mu\geq\mu_0=225
H0:μ≥μ0=225,即有理由认为元件的寿命大于225h。
例2 下面列出的是某工厂随机选取的20只部件的装配时间(min):
9.8
,
10.4
,
10.6
,
9.6
,
9.7
,
9.9
,
10.9
,
11.1
,
9.6
,
10.2
,
10.3
,
9.6
,
9.9
,
11.2
,
10.6
,
9.8
,
10.5
,
10.1
,
10.5
,
9.7
9.8, 10.4, 10.6, 9.6, 9.7, 9.9, 10.9, 11.1, 9.6, 10.2, \\10.3, 9.6, 9.9, 11.2, 10.6, 9.8, 10.5, 10.1, 10.5, 9.7
9.8,10.4,10.6,9.6,9.7,9.9,10.9,11.1,9.6,10.2,10.3,9.6,9.9,11.2,10.6,9.8,10.5,10.1,10.5,9.7
设装配时间的总体服从正态分布
N
(
μ
,
σ
2
)
N(\mu, \sigma^2)
N(μ,σ2),
μ
\mu
μ和
σ
2
\sigma^2
σ2均未知。是否可以认为装配时间的均值
μ
\mu
μ大于10(取
α
=
0.05
\alpha=0.05
α=0.05)?
解: 按题意需对假设
H
0
:
μ
>
10
H_0:\mu>10
H0:μ>10作左侧检验。下列代码完成本例计算。
import numpy as np #导入numpy
x=np.array([9.8, 10.4, 10.6, 9.6, 9.7, #样本数据
9.9, 10.9, 11.1, 9.6, 10.2,
10.3, 9.6, 9.9, 11.2, 10.6,
9.8, 10.5, 10.1, 10.5, 9.7])
xmean=x.mean() #样本均值
s=x.std(ddof=1) #样本均方差
n=x.size #样本容量
mu0=10 #假设总体均值
alpha=0.05 #显著水平
T=(xmean-mu0)/(s/np.sqrt(n)) #检测统计量值
accept=ttestL(T, n-1, alpha) #计算检验
print('mu>=%d is %s.'%(mu0, accept))
运行程序,输出
mu>=10 is True.
表示接受假设
H
0
H_0
H0,即装配时间的均值大于10。
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》