Załóżmy, że mamy próbą losową składającą się z \(N\) wartości \(x_1, x_2 \ldots x_N\) pochodzącą z populacji o rozkładzie normalnym o nieznanej wartości oczekiwanej. Chcemy przetestować hipotezę (zerową), że prawdziwa wariancja mierzonej wielkości \(\sigma^2\) (wariancja rozkładu, z którego losujemy) wynosi \(\sigma_0^2\).
Jako miarę istotności oszacowania, ustalamy poziom istotności α jako maksymalne dopuszczane przez nas prawdopodobieństwo popełnienia błędu pierwszego rodzaju, czyli odrzucenia hipotezy zerowej mimo jej prawdziwości. Zazwyczaj przyjmujemy w tym celu wartość α=0.05 lub mniejszą.
Po sformułowaniu hipotez, wybieramy statystykę testową $$\chi^2 = \frac{N s_0^2}{\sigma_0^2}$$ o której wiemy, że przy założeniu hipotezy zerowej powinna mieć rozkład chi-kwadrat o \(N-1\) stopniach swobody. \(s_0^2\) jest tutaj obciążonym estymatorem wariancji.
import math
import scipy.stats
# c2 to wartość statystyki testowej, N to rozmiar próby
# dla testu prawostronnego (H₁: µ > µ₀)
# obliczamy prawdopodobieństwo w obszarze krytycznym od c2 do +∞
p = 1 - scipy.stats.chi2(N-1).cdf(c2)
# dla testu lewostronnego (H₁: µ < µ₀)
# obliczamy prawdopodobieństwo w obszarze krytycznym od −∞ do c2
p = scipy.stats.chi2(N-1).cdf(c2)
# dla testu dwustronnego (H₁: µ ≠ µ₀)
# obliczamy prawdopodobieństwo w obszarze krytycznym od −∞ do −|c2| i od +|c2| do +∞
p = 2 * scipy.stats.chi2(N-1).cdf(-math.abs(c2))
Jeżeli \(p \lt \alpha\), możemy odrzucić \(H_0\) na korzyść \(H_1\).
autor: Piotr Różański, ostatnia modyfikacja: 10.04.2016