多元正态分布的均值向量的检验及R实现

本文介绍了多元正态总体的均值向量检验,包括已知和未知协方差矩阵情况下的单个总体均值向量检验,以及未知但相等时两个总体均值向量的检验。通过具体的统计假设、计算步骤和R语言实现,阐述了如何进行显著性差异判断。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

pp维正态总体 N P ( μ , ) 的均值向量检验,X1,X2,,XnX1,X2,⋯,Xn是来自正态总体的样本:

1.已知时单个总体均值向量的检验:

具体步骤:

  • 作统计假设:H0:μ=μ0,H1:μμ0H0:μ=μ0,H1:μ≠μ0
  • 计算样本的均值
  • 计算统计量的具体值:
    { U=X¯μ0σnT02=n(X¯μ0)1(X¯μ0) if p=1 if p>1{ U=X¯−μ0σn if p=1T02=n(X¯−μ0)′∑−1(X¯−μ0) if p>1
  • 按规定的小概率标准αα,查χ2χ2分布表,得临界值χ2α(p)χα2(p),并做出判断:
    -当T02χ2α(p)T02⩽χα2(p),接受原假设,即认为没有显著差异
    -当T02>χ2α(p)T02>χα2(p),拒绝原假设,即认为有显著差异

*R实现:

mu.test.known=function(data, mu0, Sigma0, alpha=0.05)   
###############################################################
## H0: mu=mu0 when Sigma0 is known
## this is a Chisq testing
##############  Input  ########################################
## data  = design matrix with the ith sample in the ith line
## mu0   = mu0 for null hypothesis
## Sigma0= the known variance matrix
## alpha = the significant level, default value = 0.05
############## Output  ########################################
## Reject.area = reject region
## p.value     = p value
###############################################################
{
  data=as.matrix(data) #将数据框转化为矩阵#
  n=nrow(data) #n行#
  p=ncol(data) #p列#

  X.bar=apply(data, 2, mean) #按列求均值#
  T1=n*t(X.bar-mu0)%*%solve(Sigma0)%*%(X.bar-mu0)

  a2=qchisq(1-alpha, p) #求下侧分位点,上侧:lower.tail = FALSE#

  reject=matrix(c(T1, a2), nrow=1) #按行排#
  rownames(reject)=c("Reject") #行名#
  colnames(reject)=c("Obs", ">1-alpha") #列名#

  pv=1-pchisq(T1, p) #右半累积概率,T越大,P越小,越拒绝#
  return(list(Reject.area=reject, p.value=pv))
}
2.未知时单个总体均值向量的检验:

具体步骤:

  • 作统计假设:H0:μ=μ0,H1:μμ0H0:μ=μ0,H1:μ≠μ0
  • 计算样本的均值X¯和样本协方差V=1n1ni=1(XiX¯)(
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值