概率统计Python计算：双正态总体未知总体方差总体均值差双侧假设的T检验

对两个独立正态总体$X$~$N({\mu }_1,{\sigma }^2)$及$Y$~$N({\mu }_2,{\sigma }^2)$，其中${\sigma }^2$未知而要对双侧假设$$H_0:{\mu }_1-{\mu }_2=\delta ,H_1:{\mu }_1-{\mu }_2\ne \delta$$进行检验，由于检验统计量为$\frac{\overline{X}-\overline{Y}-\delta }{S_w\sqrt{1/n_1+1/n2}}$~$t(n_1+n_2-2)$（其中$S_w=\sqrt{\frac{(n_1-1)S_1^2+(n_2-1)S^2}{n_1+n_2-2}}$，$S_1^2$和$S_2^2$分别为来自$X$、$Y$的样本方差，$n_1$，$n_2$为样本容量），故可用T方法检验假设，这只需要调用ttest2函数即可完成计算。
例1 设有种植玉米的甲、乙两个农业试验区，各分为10个小试验区，各小区的面积相同。除甲区内的各小区增施磷肥外，其他试验条件均相同。两个试验区的玉米产量（单位：kg）如下（假设玉米产量服从正态分布，且有相同方差）：
$$\begin{gathered} \text{甲区：}65,60,62,57,58,63,60,57,60,58 \\ \text{乙区：}59,56,56,58,57,57,55,60,57,55 \end{gathered}$$
试统计推断，增施磷肥对玉米产量是否有显著影响（取显著水平$\alpha =0.05$）?
解： 按题意，设甲区产量$X$~$N({\mu }_1,{\sigma }^2)$，乙区产量$Y$~$N({\mu }_2,{\sigma }^2)$。需检验假设
$$H_0:{\mu }_1-{\mu }_2=0,H_1:{\mu }_1-{\mu }_2\ne 0.$$
由于未知相同的总体方差${\sigma }^2$，故运用t检验法。下列代码完成本例的计算。

import numpy as np                                  #导入numpy
x=np.array([65, 60, 62, 57, 58, 63, 60, 57, 60, 58])#样本数据
y=np.array([59, 56, 56, 58, 57, 57, 55, 60, 57, 55])#样本数据
xmean=x.mean()                                      #样本均值
ymean=y.mean()                                      #样本均值
s12=x.var(ddof=1)                                   #样本方差
s22=y.var(ddof=1)                                   #样本方差
n1=x.size                                           #样本容量
n2=y.size                                           #样本容量
alpha=0.05                                          #显著水平
sw=np.sqrt(((n1-1)*s12+(n2-1)*s22)/(n1+n2-2))       #计算sw
T=(xmean-ymean)/(sw*np.sqrt(1/n1+1/n2))             #检验统计量值
accept=ttest2(T, n1+n2-2)                           #计算双测假设的检测
print('mu1-mu2=0 is %s.'%accept)

第2~10行按题面设置各项数据。第11行计算$s_w=\sqrt{\frac{(n_1-1)S_1^2+(n_2-1)S^2}{n_1+n_2-2}}$，第12行计算检验统计量值$\frac{\overline{x}-\overline{y}-\delta }{s_w\sqrt{1/n_1+1/n2}}$为T（注意，本例中$\delta =0$）。第13行调用函数ttest2计算双侧假设$H_0:{\mu }_1-{\mu }_2=\delta$的检验。运行程序，输出

mu1-mu2=0 is False.

表示拒绝假设$H_0:{\mu }_1-{\mu }_2=0$，即增施磷肥对玉米产量有显著影响。
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》