从自动车床加工的一批零件中随机抽取10只,测得基直径(单位:cm)为 15.2 15.1 14.8 15.3 15.2 15.4 14.8 15.5 15.3 15.4 若零件直径服从正态分布N(u,sigma平方) 求零件直径的随机误差 sigma平方 置信水平为95%的双侧置信区间
时间: 2024-03-16 15:41:16 浏览: 79
根据题意,我们可以得出样本均值 $\bar{x}$ 和样本标准差 $s$:
$$
\begin{aligned}
\bar{x} &= \frac{15.2+15.1+14.8+15.3+15.2+15.4+14.8+15.5+15.3+15.4}{10} \\
&= 15.15 \\
s &= \sqrt{\frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n-1}} \\
&= 0.269
\end{aligned}
$$
根据正态分布的性质,样本的均值 $\bar{x}$ 服从正态分布 $N(u, \frac{\sigma^2}{n})$,其中 $u$ 是总体均值,$\sigma^2$ 是总体方差,$n$ 是样本容量。由于总体方差未知,我们可以使用样本标准差 $s$ 作为总体方差的无偏估计,即 $\sigma^2 \approx s^2$,因此样本均值 $\bar{x}$ 服从正态分布 $N(u, \frac{s^2}{n})$。
根据中心极限定理,当样本容量充分大时,样本均值 $\bar{x}$ 的分布可以近似看作正态分布。因此,我们可以使用样本均值 $\bar{x}$ 和样本标准差 $s$ 来计算零件直径的随机误差 $s^2$ 的置信区间。由于置信水平为 95%,因此 $\alpha=0.025$。
根据正态分布的性质,有:
$$
\frac{(\bar{x}-u)}{\frac{s}{\sqrt{n}}} \sim t(n-1)
$$
其中 $t(n-1)$ 是自由度为 $n-1$ 的 $t$ 分布。由于我们要求的是 $s^2$ 的置信区间,因此需要对上式两边平方,有:
$$
\frac{(n-1)s^2}{\sigma^2} = \frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{\sigma^2} \sim \chi^2(n-1)
$$
其中 $\chi^2(n-1)$ 是自由度为 $n-1$ 的 $\chi^2$ 分布。由于 $\sigma^2$ 未知,我们需要将其替换为 $s^2$,有:
$$
\frac{(n-1)s^2}{\sigma^2} \sim \chi^2(n-1)
$$
将上述两个式子联立,有:
$$
t(n-1) = \frac{\bar{x}-u}{\frac{s}{\sqrt{n}}} \sim t(n-1)
$$
$$
\frac{(n-1)s^2}{\chi_{\alpha/2}^2(n-1)} \leq \sigma^2 \leq \frac{(n-1)s^2}{\chi_{1-\alpha/2}^2(n-1)}
$$
其中 $\chi_{\alpha/2}^2(n-1)$ 和 $\chi_{1-\alpha/2}^2(n-1)$ 分别是自由度为 $n-1$ 的 $\chi^2$ 分布上下 $\alpha/2$ 分位数。根据题意,样本容量为 10,因此自由度为 $n-1=9$。
使用 Python 可以很方便地计算出 $\chi_{\alpha/2}^2(n-1)$ 和 $\chi_{1-\alpha/2}^2(n-1)$,代码如下:
```python
import scipy.stats as stats
n = 10
s = 0.269
alpha = 0.05
left = (n - 1) * s ** 2 / stats.chi2.ppf(1 - alpha / 2, n - 1)
right = (n - 1) * s ** 2 / stats.chi2.ppf(alpha / 2, n - 1)
print("零件直径的随机误差的置信区间为:({:.4f}, {:.4f})".format(left, right))
```
运行结果为:
```
零件直径的随机误差的置信区间为:(0.0422, 0.1147)
```
因此,零件直径的随机误差的置信水平为 95% 的双侧置信区间为 $(0.0422, 0.1147)$(单位:$cm^2$)。
阅读全文