python 方差_python统计分析总体方差检验

一个总体方差的检验

    在假设检验中，有时不仅仅需要检验正态总体的均值，还需要验证总体均值的方差。比如，在产品质量检验中，质量标准是通过不同类型的指标反应的，有些数据属于均值类型，比如尺寸、重量、抗拉强度等；有些数据属于比例类型，比如产品的合格率、废弃率等；有些数据属于方差，如尺寸的方差、重量的方差、抗拉强度的方差等等。在这里，方差反应着产品的稳定性。

我们使用书中的例子：

python代码实现

import numpy as npfrom scipy import statsdata = np.array([0.3,-0.4,-0.7,1.4,-0.6,-0.3,-1.5,0.6,-0.9,1.3,-1.3,0.7,1,-0.5,0,-0.6,0.7,-1.5,-0.2,-1.9,                -0.5,1,-0.2,-0.6,1.1])samp_var = np.var(data,ddof = 1)#ddof = 1:自由度为n-1samp_mean = data.mean()n = len(data)sigma = 1Q = ((n-1)*samp_var)/sigma p = stats.chi2(len(data)-1).cdf(Q)print('{0:0.1f}'.format(Q))print('{0:0.3f}'.format(p))20.80.348

两个总体方差比的检验

    如果要检验两个总体的方差是否相等，可以通过两个方差纸币是否等于1来进行。实际中会遇到要比较两个总体方差是否相同的问题。比如两个生产过程中的稳定性，比较两种投资方案的风险。

    事实上，在很多情况下总体方差是未知的。如果我们想要比较两个未知的总体方差，可以通过比较两个样本方差来实现。如果两个样本方差接近于1，那么总体方差也是接近于1，如果比值远离1，说明总体方差之间也有很大的差异。在两个正态分布条件下，两个方差之比服从F分布：

    在原假设条件下，两个总体方差没有差异，那么最终检验统计量：

我们使用书中的例子：

python代码实现：

import numpy as npfrom scipy import statssample1 = np.array([568,496,589,681,540,646,636,539,596,607,529,617,555,562,584])sample2 = np.array([650,637,563,723,569,628,580,651,622,706,711,569,630,617,480,709,596,624,688,632])    samp_var1 = np.var(sample1,ddof = 1)samp_var2 = np.var(sample2,ddof = 1)    fval = samp_var1/samp_var2Pval = stats.f(len(sample1)-1,len(sample2)-1).cdf(fval)print('{0:0.3f}'.format(fval))print('{0:0.3f}'.format(Pval))0.6620.218