【数理统计实验(三)】假设检验的R实现(二)

简介: 【数理统计实验(三)】假设检验的R实现

【数理统计实验(三)】假设检验的R实现(一)+https://developer.aliyun.com/article/1506473

2.7 题目七:t检验

  对冷却到-0.72℃的样品用A,B两种测量方法测量其融化到0℃时的潜热,数据如下:

  方法A:79.98 80.04 80.02 80.04 80.03 80.03 80.04 79.97 80.05 80.03 80.02 80.00 80.02

  方法B:80.02 79.94 79.98 79.97 80.03 79.95 79.97 79.97

  假设它们服从正态分布,方差相等,试试验:两种测量方法的平均性能是否相等?(取α=0.05)。

  运行程序:

x<-c(79.98,80.04,80.02,80.04,80.03,80.03,80.04,79.97,80.05,80.03,80.02,80.00,80.02)#将使用方法A的每一个样本值弄成向量
y <- c(80.02,79.94,79.98,79.97,80.03,79.95,79.97,79.97)#将使用方法B的每一个样本值弄成向量
t.test(x,y,var.equal=TRUE)#利用t检验函数进行检验

  运行结果:

  通过t检验的运行结果可以看出t统计量的值为3.472,p值=0.00255<0.05,故拒绝原假设,两种测量方法的平均性能不相等。

2.8 题目八:t检验

  为了比较测定活水中氯气含量的两种方法,特在各种场合收集到8个污水水样,每个水样均用这两种方法测定氯气含量(单位:mg/l),具体数据如下:

  设总体为正态分布,试比较两种测定方法是否有显著差异,请写出检验的p值和结论(取α=0.05)。

  运行程序:

x <- c(-0.03, 0.51,0.8,0.57,0.66,0.63,0.18,-0.01)#将差值的到的每一个样本差值弄成向量
t.test(x,mu=0)#利用t检验函数进行检验

  运行结果:

  通过t检验的运行结果可以看出t统计量的值为3.645,p值=0.00823<0.05,故拒绝原假设,两种测量方法有显著差异。

2.9 题目九:F检验

  为比较不同季节出生的女婴体重的方差,从某年12月和6月出生的女婴中分别随机地抽取6名及10名,测其体重(单位:g)如下:

  12月:3520 2960 2560 3260 3960,

  06月:3220 3220 3760 3000 2920 3740 3060 3080 2940 3060.

  假定新生女婴体重服从正态分布,问新生女婴体重的方差是否是冬季比夏季的小(取α=0.05)?

  运行程序:

x <- c(3520,2960,2560,2960,3260,3960)#将12月份每个女婴的体重弄成向量
y <- c(3220,3220,3760,3000,2920,3740,3060,3080,2940,3060)#将6月份每个女婴的体重弄成向量
var.test(x,y)#对假设检验进行F检验

  运行结果:

  通过F检验的运行结果可以看出F统计量的值为2.572,p值=0.207>0.05,故接受原假设,即认为新生女婴体重的方差冬季不比夏季的小。

2.10 题目十:F检验

  两台车床生产同一种滚珠,滚珠直径服从正态分布。从中分别抽取8个和9个产品,测得其直径为

  甲车床:15.0 14.5 15.2 15.5 14.8 15.1 15.2 14.8;

  乙车床:15.2 15.0 14.8 15.2 15.0 15.0 14.8 15.1 14.8.

  比较两台车床生产的滚珠直径的方差是否有明显差异(取α=0.05)。

  运行程序:

x <- c(15.0,14.5,15.2,15.5,14.8,15.1,15.2,14.8)#将甲车床生产的滚珠直径样本值弄成向量
y <- c(15.2,15.0,14.8,15.2,15.0,15.0,14.8,15.1,14.8)#将乙车床生产的滚珠直径样本值弄成向量
var.test(x,y)#对假设检验进行F检验

  运行结果:

  通过F检验的运行结果可以看出F统计量的值为3.659,p值=0.0892>0.05,故接受原假设,即认为两台车床生产的滚珠直径的方差没有明显差异。

2.11 题目十一:F(t)检验

  测得两批电子器件的样品的电阻(单位:Ω)为

  A批(x):0.140 0.138 0.143 0.142 0.144 0.137;

  B批(y):0.135 0.140 0.142 0.136 0.138 0.140.

  设这两批器材的电阻值分别服从分布N(μ1,σ1²),N(μ2,σ2²),且两样本独立。

(1)试检验两个总体的方差是否相等(取α=0.05)?:F检验

  运行程序:

x <- c(0.140,0.138,0.143,0.142,0.144,0.137)#将A批样本电阻值弄成向量
y <- c(0.135,0.140,0.142,0.136,0.138,0.140)#将B批样本电阻值弄成向量
var.test(x,y)#对假设检验进行F检验

  运行结果:

  通过F检验的运行结果可以看出F统计量的值为1.108,p值=0.913>0.05,故接受原假设,即可以认为两总体的方差相等。

(2)试检验两个总体的均值是否相等(取α=0.05)?:t检验

  运行程序:

x <- c(0.140,0.138,0.143,0.142,0.144,0.137)#将A批样本电阻值弄成向量
y <- c(0.135,0.140,0.142,0.136,0.138,0.140)#将B批样本电阻值弄成向量
t.test(x,y,var.equal=TRUE)#对假设检验进行t检验

  运行结果:

  通过t检验的运行结果可以看出t统计量的值为1.372,p值=0.2>0.05,故接受原假设,即可以认为两总体的均值相等。

2.12 题目十二:z/u检验

  从一批服从指数分布的产品中抽取10个进行寿命试验,观测值如下(单位:h):

  1643 1629 426 132 1522 432 1759 1074 528 283.

  根据这批数据能否认为其平均寿命不低于1100h(取α=0.05)?

  运行程序:

z.test=function(x,mu,sigma,theta,alternative="two.sided"){
  n=length(x)
  result=list()  #构造一个空的list,用于存放输出结果
  mean=mean(x)
  z=2*n*mean/theta#计算z统计量的值
  options(digits=4)#结果显示至小数点后4位
  result$mean=mean;result$z=z  #将均值、z值存入结果
  result$P=2*pnorm(abs(z),lower.tail=FALSE) #根据z计算P
  if(alternative=="greater") result$P=pnorm(z,lower.tail=FALSE)
  else if(alternative=="less") result$P=pnorm(z)
  result}
data=c(1643,1629,426,132,1522,432,1759,1074,528,283)
z.test(x=data,theta=1100,alternative="less")

  运行结果:

  接受原假设,可以认为其平均寿命不低于1100h。

【数理统计实验(三)】假设检验的R实现(三)+https://developer.aliyun.com/article/1506476

相关文章
|
6月前
【数理统计实验(三)】假设检验的R实现(三)
【数理统计实验(三)】假设检验的R实现(三)
|
6月前
|
知识图谱
【数理统计实验(五)】回归分析
【数理统计实验(五)】回归分析
【数理统计实验(五)】回归分析
|
6月前
【数理统计实验(四)】方差分析
【数理统计实验(四)】方差分析
|
6月前
|
算法
【数理统计实验(二)】参数估计
【数理统计实验(二)】参数估计
|
6月前
|
C++
【数理统计实验(三)】假设检验的R实现(一)
【数理统计实验(三)】假设检验的R实现
|
6月前
|
算法
R语言Gibbs抽样的贝叶斯简单线性回归仿真分析
R语言Gibbs抽样的贝叶斯简单线性回归仿真分析
R语言Gibbs抽样的贝叶斯简单线性回归仿真分析
|
6月前
|
机器学习/深度学习 计算机视觉
数据分享|R语言GLM广义线性模型:逻辑回归、泊松回归拟合小鼠临床试验数据(剂量和反应)示例和自测题
数据分享|R语言GLM广义线性模型:逻辑回归、泊松回归拟合小鼠临床试验数据(剂量和反应)示例和自测题
|
6月前
R语言贝叶斯Poisson泊松-正态分布模型分析职业足球比赛进球数
R语言贝叶斯Poisson泊松-正态分布模型分析职业足球比赛进球数
|
6月前
|
机器学习/深度学习 算法 数据可视化
R语言逻辑回归和泊松回归模型对发生交通事故概率建模
R语言逻辑回归和泊松回归模型对发生交通事故概率建模
|
11月前
|
算法 数据挖掘 API
贝叶斯统计在Python数据分析中的高级技术点:贝叶斯推断、概率编程和马尔科夫链蒙特卡洛
贝叶斯统计在Python数据分析中的高级技术点:贝叶斯推断、概率编程和马尔科夫链蒙特卡洛
109 1
贝叶斯统计在Python数据分析中的高级技术点:贝叶斯推断、概率编程和马尔科夫链蒙特卡洛