概率统计Python计算:双因素等重复试验方差分析

2024-08-22 22:48

本文主要是介绍概率统计Python计算:双因素等重复试验方差分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述
双因素等重复试验的数据模型 X X X是一个结构为 r × s × t r\times s\times t r×s×t的3-维矩阵(张量),其中 X i j k X_{ijk} Xijk取自于总体指标 N ( μ i j , σ 2 ) N(\mu_{ij},\sigma^2) N(μij,σ2) i = 1 , 2 , ⋯ , r , j = 1 , 2 , ⋯ , s , k = 1 , 2 , ⋯ , t i=1,2,\cdots,r,j=1,2,\cdots,s,k=1,2,\cdots,t i=1,2,,r,j=1,2,,s,k=1,2,,t。记 X ‾ = 1 r s t ∑ i = 1 r ∑ j = 1 s ∑ k = 1 t X i j k X ‾ i j = 1 t ∑ k = 1 t X i j k , i = 1 , 2 , ⋯ ; r , j = 1 , 2 , ⋯ , s X ‾ i ⋅ = 1 s t ∑ j = 1 s ∑ k = 1 t X i j k = 1 s ∑ j = 1 s X ‾ i j , i = 1 , 2 , ⋯ , r X ‾ ⋅ j = 1 r t ∑ i = 1 r ∑ k = 1 t X i j k = 1 r ∑ i = 1 r X ‾ i j , j = 1 , 2 ⋯ , s S T = ∑ i = 1 r ∑ j = 1 s ∑ k = 1 t ( X i j k − X ‾ ) 2 \overline{X}=\frac{1}{rst}\sum_{i=1}^r\sum_{j=1}^s\sum_{k=1}^{t}X_{ijk}\\\overline{X}_{ij}=\frac{1}{t}\sum_{k=1}^tX_{ijk},i=1,2,\cdots;r,j=1,2,\cdots,s\\\overline{X}_{i\cdot}=\frac{1}{st}\sum_{j=1}^s\sum_{k=1}^tX_{ijk}=\frac{1}{s}\sum_{j=1}^s\overline{X}_{ij},i=1,2,\cdots,r\\ \overline{X}_{\cdot j}=\frac{1}{rt}\sum_{i=1}^r\sum_{k=1}^tX_{ijk}=\frac{1}{r}\sum_{i=1}^r\overline{X}_{ij},j=1,2\cdots,s\\ S_T=\sum_{i=1}^r\sum_{j=1}^s\sum_{k=1}^t(X_{ijk}-\overline{X})^2 X=rst1i=1rj=1sk=1tXijkXij=t1k=1tXijk,i=1,2,;r,j=1,2,,sXi=st1j=1sk=1tXijk=s1j=1sXij,i=1,2,,rXj=rt1i=1rk=1tXijk=r1i=1rXij,j=1,2,sST=i=1rj=1sk=1t(XijkX)2
其中, X ‾ \overline{X} X为样本总均值, X ‾ i ⋅ \overline{X}_{i\cdot} Xi为因素水平 A i A_i Ai对应的样本均值, X ‾ ⋅ j \overline{X}_{\cdot j} Xj为因素水平 B j B_j Bj对应的样本均值, X ‾ i j \overline{X}_{ij} Xij为组合因素样本均值, S T S_T ST样本总变差
S E = ∑ i = 1 r ∑ j = 1 s ∑ k = 1 t ( X i j k − X ‾ i j ) 2 S_E=\sum\limits_{i=1}^r\sum\limits_{j=1}^s\sum\limits_{k=1}^t(X_{ijk}-\overline{X}_{ij})^2 SE=i=1rj=1sk=1t(XijkXij)2,称为误差平方和 S A = s t ∑ i = 1 r ( X ‾ i ⋅ − X ‾ ) 2 S_A=st\sum\limits_{i=1}^{r}(\overline{X}_{i\cdot}-\overline{X})^2 SA=sti=1r(XiX)2,称为因素 A A A的效应平方和 S B = r t ∑ j = 1 s ( X ‾ ⋅ j − X ‾ ) 2 S_B=rt\sum\limits_{j=1}^s(\overline{X}_{\cdot j}-\overline{X})^2 SB=rtj=1s(XjX)2,称为效应 B B B的平方和 S A B = t ∑ i = 1 r ∑ j = 1 s ( X ‾ i j − X ‾ i ⋅ − X ‾ ⋅ j + X ‾ ) 2 S_{AB}=t\sum\limits_{i=1}^r\sum\limits_{j=1}^s(\overline{X}_{ij}-\overline{X}_{i\cdot}-\overline{X}_{\cdot j}+\overline{X})^2 SAB=ti=1rj=1s(XijXiXj+X)2,称为因素 A A A B B B的交互效应平方和
与单因素试验模型中样本总变差 S T S_T ST的分解类似,双因素等重复试验的样本总变差 S T S_T ST可分解为
S T = S E + S A + S B + S A B . S_T=S_E+S_A+S_B+S_{AB}. ST=SE+SA+SB+SAB.
下列代码定义双因素等重复试验的样本总变差 S T S_T ST的分解函数。

def dfeDecompose(X):(r,s,t)=X.shape									#模型数据结构X_bar=X.mean(axis=2)							#组合因素样本均值Xi_bar=X_bar.mean(axis=1).reshape(r,1)			#A因素水平样本均值Xj_bar=X_bar.mean(axis=0).reshape(1,s)			#B因素水平样本均值Xt_bar=X.mean()									#样本总均值ST=((X-Xt_bar)**2).sum()						#样本总变差SA=s*t*((Xi_bar-Xt_bar)**2).sum()				#A效应平方和SB=r*t*((Xj_bar-Xt_bar)**2).sum()				#B效应平方和SAB=t*((X_bar-Xi_bar-Xj_bar+Xt_bar)**2).sum()	#交互效应平方和SE=ST-SA-SB-SAB									#误差平方和return r, s, t, SA, SB, SAB, SE

第2行从X的结构中读取其宽度r,长度s和深度t。第3行计算因素水平 A i A_i Ai B j B_j Bj组合对应的样本均值 X ‾ i j \overline{X}_{ij} Xij 1 ≤ i ≤ r , 1 ≤ j ≤ s 1\leq i\leq r,1\leq j\leq s 1ir,1js)为X_bar。它是由参数X表示的张量按下标 k k k方向计算样本均值:X.mean(axis=2)所得,这是一个 r × s r\times s r×s的矩阵。第4行由X_bar按下标 j j j的方向计算因素水平 A i A_i Ai对应的样本均值 X ‾ i ⋅ \overline{X}_{i\cdot} Xi为Xi_bar,设置为一个 r × 1 r\times1 r×1的矩阵。相仿地,第5行由X_bar按下标 i i i的方向计算因素水平 B j B_j Bj对应的样本均值 X ‾ ⋅ j \overline{X}_{\cdot j} Xj为Xj_bar,设置为一个 1 × s 1\times s 1×s的矩阵。第6行计算总样本均值 X ‾ \overline{X} X为Xt_bar,这是一个实数。第7行计算总变差平方 S T = ∑ i = 1 r ∑ j = 1 s ∑ k = 1 t ( X i j k − X ‾ ) 2 S_T=\sum\limits_{i=1}^r\sum\limits_{j=1}^s\sum\limits_{k=1}^t(X_{ijk}-\overline{X})^2 ST=i=1rj=1sk=1t(XijkX)2为ST。第8行计算因素 A A A的效应平方和 S A = s t ∑ i = 1 r ( X ‾ i ⋅ − X ‾ ) 2 S_A=st\sum\limits_{i=1}^{r}(\overline{X}_{i\cdot}-\overline{X})^2 SA=sti=1r(XiX)2为SA。第9行计算因素 B B B的效应平方和 S B = r t ∑ j = 1 s ( X ‾ ⋅ j − X ‾ ) 2 S_B=rt\sum\limits_{j=1}^s(\overline{X}_{\cdot j}-\overline{X})^2 SB=rtj=1s(XjX)2为SB。第10行计算因素的交互效应平方和 S A B = t ∑ i = 1 r ∑ j = 1 s ( X ‾ i j − X ‾ i ⋅ − X ‾ ⋅ j + X ‾ ) 2 S_{AB}=t\sum\limits_{i=1}^r\sum\limits_{j=1}^s(\overline{X}_{ij}-\overline{X}_{i\cdot}-\overline{X}_{\cdot j}+\overline{X})^2 SAB=ti=1rj=1s(XijXiXj+X)2为SAB,正因为我们将Xi_bar和Xj_bar设置成了 r × 1 r\times1 r×1 1 × s 1\times s 1×s的矩阵,所以此处的表达式才几乎和数学表达式一样简洁。利用算得的数据 r r r s s s t t t S A S_A SA S B S_B SB S A B S_{AB} SAB S E S_E SE计算假设
H 01 : μ i ⋅ − μ = 0 , i = 1 , 2 , ⋯ , r H 02 : μ ⋅ j − μ = 0 , j = 1 , 2 , ⋯ , s H 03 : μ i j − μ i ⋅ − μ ⋅ j + μ = 0 , i = 1 , 2 , ⋯ , r , j = 1 , 2 , ⋯ , s H_{01}:\mu_{i\cdot}-\mu=0,i=1,2,\cdots,r\\ H_{02}:\mu_{\cdot j}-\mu=0,j=1,2,\cdots,s\\ H_{03}:\mu_{ij}-\mu_{i\cdot}-\mu_{\cdot j}+\mu=0,i=1,2,\cdots,r,j=1,2,\cdots,s H01:μiμ=0,i=1,2,,rH02:μjμ=0,j=1,2,,sH03:μijμiμj+μ=0,i=1,2,,r,j=1,2,,s
其中,令 μ = 1 r s ∑ i = 1 r ∑ j = 1 s μ i j \mu=\frac{1}{rs}\sum\limits_{i=1}^r\sum\limits_{j=1}^s\mu_{ij} μ=rs1i=1rj=1sμij μ i ⋅ = 1 s ∑ j = 1 s μ i j \mu_{i\cdot}=\frac{1}{s}\sum\limits_{j=1}^s\mu_{ij} μi=s1j=1sμij μ ⋅ j = 1 r ∑ i = 1 r μ i j \mu_{\cdot j}=\frac{1}{r}\sum\limits_{i=1}^r\mu_{ij} μj=r1i=1rμij。接受 H 01 H_{01} H01意味着因素A对试验没有显著影响;接受 H 02 H_{02} H02,意味着因素B对试验结果没有显著影响;接受 H 03 H_{03} H03意味因素A和B对试验结果没有交互影响。
下列代码定义在显著水平 α \alpha α下检验假设 H 01 H_{01} H01 H 02 H_{02} H02 H 03 H_{03} H03的函数。

def dfeTest(r, s, t, SA, SB, SAB, SE, alpha):F=(r*s*(t-1))*SA/SE/(r-1)				#H01检验统计量值accept1=ftestR(F, r-1, r*s*(t-1), alpha)F=(r*s*(t-1))*SB/SE/(s-1)				#H02检验统计量值accept2=ftestR(F, s-1,r*s*(t-1), alpha)F=(r*s*(t-1)*SAB)/((r-1)*(s-1)*SE)		#H03检验统计量值accept3=ftestR(F, (r-1)*(s-1), r*s*(t-1), alpha)return accept1, accept2, accept3

第2行设置假设 H 01 H_{01} H01的检验统计量值 S A / ( r − 1 ) S E / r s ( t − 1 ) \frac{S_A/(r-1)}{S_E/rs(t-1)} SE/rs(t1)SA/(r1)~ F ( r − 1 , r s ( t − 1 ) ) F(r-1,rs(t-1)) F(r1,rs(t1)),第3行调用函数ftestR计算假设 H 01 H_{01} H01的右侧检验。第4行设置 H 02 H_{02} H02的检验统计量值 S B / ( s − 1 ) S E / ( r s ( t − 1 ) ) \frac{S_B/(s-1)}{S_E/(rs(t-1))} SE/(rs(t1))SB/(s1)~ F ( s − 1 , r s ( t − 1 ) ) F(s-1,rs(t-1)) F(s1,rs(t1)),第5行计算假设 H 02 H_{02} H02右侧的检验。第6行设置 H 03 H_{03} H03的检验统计量值 S A B / ( r − 1 ) ( s − 1 ) S E / ( r s ( t − 1 ) ) \frac{S_{AB}/(r-1)(s-1)}{S_E/(rs(t-1))} SE/(rs(t1))SAB/(r1)(s1)~ F ( ( r − 1 ) ( s − 1 ) , r s ( t − 1 ) ) F((r-1)(s-1), rs(t-1)) F((r1)(s1),rs(t1)),第7行计算假设 H 03 H_{03} H03的右侧检验。
例1一火箭使用四种燃料,三种推进器作射程试验。每种燃料与每种推进器的组合各发射火箭两次,得射程(单位:海里)如下:

推进器 B 1 B_1 B1推进器 B 2 B_2 B2推进器 B 3 B_3 B3
燃料 A 1 A_1 A158.2,52.656.2,41.265.3,60.8
燃料 A 2 A_2 A249.1,42.854.1,50.551.6,48,4
燃料 A 3 A_3 A360.1,58.370.9,73.239.2,40.7
燃料 A 4 A_4 A475.8,71.558.2,51.048.7,41.4

假定火箭对应第 i i i种燃料,第 j j j种推进器的射程服从 N ( μ i j , σ 2 ) N(\mu_{ij},\sigma^2) N(μij,σ2) 1 ≤ i ≤ 4 1\leq i\leq4 1i4 1 ≤ j ≤ 3 1\leq j\leq3 1j3。希望通过对试验数据的分析,判断选择最佳的燃料与推进器的搭配( α = 0.05 \alpha=0.05 α=0.05)。
解: 下列代码计算本例。

alpha=0.05
X=np.array([[[58.2, 52.6],[56.2, 41.2],[65.3, 60.8]],[[49.1, 42.8],[54.1, 50.5],[51.6, 48.4]],[[60.1, 58.3],[70.9, 73.2],[39.2, 40.7]],[[75.8, 71.5],[58.2, 51.0],[48.7, 41.4]]])
r, s, t, SA, SB, SAB, SE=dfeDecompose(X)
H0=dfeTest(r, s, t, SA, SB, SAB, SE, alpha)
print(H0)

第1~5行按题面设置数据。第6行调用函数dfeDecompose分解样本总变差,得到数据 r r r s s s t t t S A S_A SA S B S_B SB S A B S_{AB} SAB S E S_E SE。第7行调用函数dfeTest计算假设 H 01 H_{01} H01 H 02 H_{02} H02 H 03 H_{03} H03的检验。运行程序,输出

(False, False, False)

表示拒绝假设 H 01 H_{01} H01 H 02 H_{02} H02 H 03 H_{03} H03,燃料、推进器以及两者的组合都显著影响火箭的射程。由表观察可见燃料4和推进器1的组合有利于射程。
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》

这篇关于概率统计Python计算:双因素等重复试验方差分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1097614

相关文章

Python实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

基于Python开发一个图像水印批量添加工具

《基于Python开发一个图像水印批量添加工具》在当今数字化内容爆炸式增长的时代,图像版权保护已成为创作者和企业的核心需求,本方案将详细介绍一个基于PythonPIL库的工业级图像水印解决方案,有需要... 目录一、系统架构设计1.1 整体处理流程1.2 类结构设计(扩展版本)二、核心算法深入解析2.1 自

从入门到进阶讲解Python自动化Playwright实战指南

《从入门到进阶讲解Python自动化Playwright实战指南》Playwright是针对Python语言的纯自动化工具,它可以通过单个API自动执行Chromium,Firefox和WebKit... 目录Playwright 简介核心优势安装步骤观点与案例结合Playwright 核心功能从零开始学习

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

Python自动化批量重命名与整理文件系统

《Python自动化批量重命名与整理文件系统》这篇文章主要为大家详细介绍了如何使用Python实现一个强大的文件批量重命名与整理工具,帮助开发者自动化这一繁琐过程,有需要的小伙伴可以了解下... 目录简介环境准备项目功能概述代码详细解析1. 导入必要的库2. 配置参数设置3. 创建日志系统4. 安全文件名处

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

nginx 负载均衡配置及如何解决重复登录问题

《nginx负载均衡配置及如何解决重复登录问题》文章详解Nginx源码安装与Docker部署,介绍四层/七层代理区别及负载均衡策略,通过ip_hash解决重复登录问题,对nginx负载均衡配置及如何... 目录一:源码安装:1.配置编译参数2.编译3.编译安装 二,四层代理和七层代理区别1.二者混合使用举例

使用Python删除Excel中的行列和单元格示例详解

《使用Python删除Excel中的行列和单元格示例详解》在处理Excel数据时,删除不需要的行、列或单元格是一项常见且必要的操作,本文将使用Python脚本实现对Excel表格的高效自动化处理,感兴... 目录开发环境准备使用 python 删除 Excphpel 表格中的行删除特定行删除空白行删除含指定