概率统计Python计算：假设检验应用——多个总体同分布检验

设有$v$个总体$X_1,X_2,\cdots ,X_v$，从每个总体$X_j$中取得样本$X_{1j},X_{2j},\cdots ,X_{n_{j}j}$，$j=1,2,\cdots ,v$。将实数区间$(-\infty ,+\infty )$划分成$u$个区间$D_1,D_2,\cdots ,D_u$。对每个总体$X_j$的样本$X_{1j},X_{2j},\cdots ,X_{n_{j}j}$，统计落入$D_i$中的数据个数$f_{ij}$，$i=1,2,\cdots ,u,j=1,2,\cdots ,v$。得到表格

	1	$\cdots$	$j$	$\cdots$	$v$
1	$f_{11}$	$\cdots$	$f_{1j}$	$\cdots$	$f_{1v}$
$⋮$			$\cdots \cdots$
$i$	$f_{i1}$	$\cdots$	$f_{ij}$	$\cdots$	$f_{iv}$
$⋮$			$\cdots \cdots$
$u$	$f_{u1}$	$\cdots$	$f_{uj}$	$\cdots$	$f_{uv}$

希望在显著水平$\alpha$下检验假设
$$H_0:X_1,X_2,\cdots ,X_v\text{具有相同分布}(H_1:\text{诸}{X}_i\text{的分布不尽相同}).$$
记来自各总体的样本容量之和$n=\sum _{j=1}^v{n}_j$，所有落入区间$D_i$中的数据频数$f_{i\cdot }=\sum _{j=1}^v{f}_{ij}$，$i=1,2,\cdots ,u$。若$H_0$为真，设诸$X_j$所服从的共同分布落在在区间$D_i$的概率$p_i$应与数据频率$\frac{f_{i\cdot }}{n}$接近，$i=1,2,\cdots ,u$。考虑来自第$j$个总体的样本落入$D_i$个区间内的频数$f_{ij}$，应与$n_j{p}_i$相近，即在$H_0$为真的前提下与$n_j\cdot \frac{f_{i\cdot }}{n}$接近。然而，$n_j=\sum _{i=1}^u{f}_{ij}=f_{\cdot j}$。故在$H_0$为真的前提下，$f_{ij}$与$\frac{f_{i\cdot }{f}_{\cdot j}}{n}$相近。即差异平方和$\sum _{i=1}^u\sum _{j=1}^v{\left(f_{ij}-\frac{f_{i\cdot }{f}_{\cdot j}}{n}\right)}^2$很小。构造统计量
$${\chi }^2=\sum _{i=1}^u\sum _{j=1}^v\frac{{\left(f_{ij}-f_{i\cdot }{f}_{\cdot j}/n\right)}^2}{f_{i\cdot }{f}_{\cdot j}/n}$$
当$n$很大且$H_0$为真时，${\chi }^2$近似服从${\chi }^2((u-1)(v-1))$分布。于是当$n$很大时，在显著水平$\alpha$下可通过检验${\chi }^2<{\chi }_{\alpha }^2((u-1)(v-1))$是否满足来判断接受还是拒绝假设$H_0$。
由此可见，有限个总体同分布检验与联列表中相互独立性检验的应用背景不同，但数据模型是一样的，所以也可以调用scipy.stats的chisquare函数来计算假设$H_0$的检验。
例1类型相同的三艘船，在同一行线上行驶。测得各应力值范围内的波浪诱导纵向应力值的发生次数如下表所列：

应力值范围	船$A$	船$B$	船$C$
$(150,200)$	$1021$	$1073$	$1015$
$(200,250)$	$229$	$256$	$265$
$(250,350)$	$124$	$166$	$139$
$(350,500)$	$34$	$44$	$25$
$500$以上	$9$	$11$	$4$

要在显著水平$\alpha =0.05$下检验假设“这三艘船的应力服从同一分布”。
解： 下列代码完成本例计算。

from scipy.stats import chisquare       #导入chisquare
import numpy as np                      #导入numpy
alpha=0.05                              #显著水平
f=np.array([[1021, 1073, 1015],         #样本分类数据
            [229, 256, 265],
            [124, 166, 139],
            [34, 44, 25],
            [9, 11, 4]])
(u, v)=f.shape                          #分类数据表结构
n=f.sum()                               #样本容量和
fi, fj=margDist(f)                      #边缘分布
fij=fi*fj/n                             #假设频率
chiq, pvalue=chisquare(f.reshape(u*v,), #计算假设检验p值
                       fij.reshape(u*v,),
                       ddof=u+v-2)
print('H0 is %s.'%(pvalue>=alpha))

程序的第3~8行按题面设置各项数据。第9行获取联列表结构行数u和列数v。第10行获取样本容量n。第11行调用函数margDist（详见博文《离散型2-维随机向量的联合分布律及边缘分布》），计算边缘分布序列fi和fj。第12行计算假设分布概率序列fij。第13~15行调用chisqaure函数计算检验p值。注意传递给参数f_obs和f_exp的是矩阵f和fij的扁平化结果：调用各自的reshape(u*v,)，将矩阵转换成数组。运行程序，输出

H0 is True.

表示接受假设。即在显著水平$\alpha =0.05$下认为三艘船的应力服从同一分布。
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》