南京邮电大学统计学课程实验2 用EXCEL进行参数估计假设检验 指导

一、实验描述 

  • 实验目的

1、学会用Excel进行参数估计;

2、学会用Excel进行z检验-双样本平均差检验;

  • 实验环境

实验中使用以下软件和硬件设备

(1)Windows XP操作系统;

(2)PC机、EXCEL软件;

  • 实验内容和步骤

1某学校为了了解一次期末考试中,某年级的期末考试的英语成绩,随机抽取了60名同学期末考试成绩如下,求在概率95%的保证下,该年级同学期末考试英语平均成绩的置信区间。(参数估计指标包括:样本数;样本平均值;样本标准差;样本平均误差;置信水平;自由度;t值;抽样极限误差;置信上下限)

学号

成绩

1001

85

1002

91

1003

67

1004

61

1005

76

1006

43

1007

59

1008

57

1009

77

1010

86

1011

59

1012

52

1013

95

1014

68

1015

66

1016

61

1017

85

1018

43

1019

55

1020

82

1021

53

1022

60

1023

77

1024

66

1025

74

1026

79

1027

51

1028

92

1029

82

1030

50

1031

35

1032

52

1033

69

1034

94

1035

32

1036

70

1037

62

1038

80

1039

98

1040

53

1041

70

1042

87

1043

74

1044

75

1045

90

1046

29

1047

90

1048

32

1049

33

1050

78

1051

90

1052

57

1053

93

1054

74

1055

78

1056

56

1057

50

1058

74

1059

51

1060

89

1.实验步骤:

(1)针对题中所有数据,使用COUNT函数进行计算,得到样本数据总数为60;

(2)针对题中所有数据,使用AVERAGE函数进行计算,得到样本平均值为67.7833;

(3)针对题中所有数据,使用STDEV函数进行计算,得到样本标准差为18.0687;

(4)结合样本标准差为18.0687和样本数据总数为60,使用样本标准差除以根号下样本数据个数,即可得到样本标准误差为2.33266;

 (5)由于题中所述要求概率在95%以上,所以可得置信水平为0.95;

(6)结合样本数据总数为60,样本自由度为样本总数-1=59;

(7)结合样本置信水平为0.95和样本自由度为59,使用TINV函数进行计算,即可得到所求样本数据的t值为2.001;

(8)结合样本平均误差为2.33266和t值为2.001,使用样本平均误差与t值相乘,即可得到抽样极限误差为4.66764;

(9)结合样本平均值为67.7833和抽样极限误差为4.66764,即可得到置信下限为样本平均值-抽样极限误差=63.11569;

(10)结合样本平均值为67.7833和抽样极限误差为4.66764,即可得到置信上限为样本平均值+抽样极限误差=72.451。

该样本数据集的参数估计指标

2.结论分析:

结合EXCEL的数据分析手段,使用相应函数语句调令,可得如上十项参数估计指标来评估该年级同学期末考试英语成绩。并由此分析可知,置信水平为0.95的条件下,该样本数据的置信下限为63.1157,置信上限为72.451。即在概率95%的保证下,该年级同学期末考试英语平均成绩的置信区间为(63.1157,72.451)。

2、为了比较1、2两个班级同学身高的差异,随机各选取了30名同学进行比较

1班(X)

2班(Y)

160

171

165

187

166

169

168

166

180

168

178

165

174

173

172

176

170

178

179

180

166

166

168

168

180

165

178

173

174

176

172

165

170

173

165

176

173

178

176

180

178

166

180

168

166

170

168

179

165

166

173

168

176

180

165

178

173

170

176

179

178

168

根据以往经验知身高,且方差都为6,试在的显著性水平下比较两班学生的身高有无显著差别。

  1. 实验步骤:

1)将题目数据导入EXCEL表格中,然后调用数据分析功能模块中的“z-检验:双样本平均差检验”。

2)结合题中所述的方差为6和置信度为0.05,在z-检验中填入相关信息,即可进行z-分析求解。

3)电脑进行z-检验,可得实验结果如下图:

 2.结论分析:

在本题提供的数据中,两个班级的身高平均数非常接近,而且样本量也比较大,因此可以使用z-检验来进行假设检验。在这个例子问题中,假设平均差为0,得到的z值为-0.674,表示样本的平均值距离假设平均值差了0.674个标准差。同时,p值为0.5003,表示双尾检验下拒绝原假设的显著性水平为0.5 > 0.05,故无法拒绝原假设。根据这个结果可以认为,在α=0.05的显著性水平下,两个班级学生的身高没有显著差异。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/46935.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

python实现九九乘法表

1.self i 1 while i<9:j 1while j< i:print("j * i ",end)print(j * i ,end)print(" ",end)j 1i 1print() 实现结果&#xff1a; 2.改进 i 1 while i<9:j 1while j< i:# print("j * i ",end)# print(j * i ,end)# print(&…

誉天人工智能AI大模型火热报名中(HCIA-AI Solution Architect课程简介)

课程亮点 1.涵盖大模型prompt、RAG、LangChain、Fine-Turning、多模态、视觉生成等主流开源大模型技术 2.OpenAl开源大模型、昇腾大模型产品丝滑融合 3.从大模型产品开发到商业闭环到产品运营一站式打造大模型高级解决方案架构师 4.金牌讲师团队昇腾计算一线专家倾力交付 5.岗位…

2024嘶吼网络安全产业图谱(高清完整版)

在数字化和智能化浪潮的推动下&#xff0c;网络安全产业正处于一个快速变革的时期。从传统的防御手段和被动的威胁应对&#xff0c;到如今主动预防和智能检测技术的普及&#xff0c;网络安全领域的焦点和需求正不断演进。为了更好的理解当前网络安全产业现状和未来发展方向&…

网络请求之urllib.parse的使用

urllib.parse的作用是解析url。 为什么要解析呢&#xff0c;我来举个例子。在百度图片里面搜一下历史人物&#xff0c;比如樱由罗&#xff1a; 点击百度一下跳转到页面如下&#xff1a; 我们找到url分析一下看看&#xff1a; https://image.baidu.com/search/index?tnbaidu…

PCL从理解到应用【06】 RANSAC原理分析 | 案例分析 | 代码实现

前言 本文分析RANSAC算法的原理&#xff0c;集合案例深入理解&#xff0c;同时提供源代码。 RANSAC&#xff0c;随机采样一致性&#xff0c;是一种迭代的算法&#xff0c;用于从一组包含异常值的数据中估计模型参数。 应用案例&#xff1a;平面拟合、线段拟合、球体拟合等。…

【C++报错已解决】 “Undefined Reference“

&#x1f3ac; 鸽芷咕&#xff1a;个人主页 &#x1f525; 个人专栏: 《C干货基地》《粉丝福利》 ⛺️生活的理想&#xff0c;就是为了理想的生活! 前言 在编译程序时&#xff0c;遇到 “Undefined Reference” 报错总是令人头疼。这个错误提示通常意味着编译器找不到某个符号…

ctfshow 信息收集(1-20)

Web1 F12查看页面元素 Ctrlu查看源码 Web2 Ctrlu查看源码 Js代码知识点 //禁用鼠标右键 window.document.oncontextmenu function() { return false; } //禁用复制 window.document.onselectstart function() { return false; } //禁用F12 document.onkeydown fun…

【数学建模】技术革新——Lingo的使用超详解

目录 基础知识 1. 变量声明 示例 2. 常量声明 语法格式 示例 3. 目标函数 语法格式 示例 4. 约束条件 语法格式 示例 5. 完整的Lingo模型示例 示例 解释 6. 整数变量声明 语法格式 示例 7. 非线性规划 示例 8. 多目标优化 语法格式 示例 9. 数据输入与…

第一个AI应用(文心智能体平台)

第一个AI应用&#xff08;文心智能体平台&#xff09; 官网&#xff1a;https://agents.baidu.com/ 平台简介&#xff1a;https://agents.baidu.com/docs/ 部分内容由AI生成&#xff0c;注意甄别 一、什么是AI应用及其功能 AI应用&#xff0c;即人工智能应用&#xff0c;是利用…

虚拟化如何简化和加速灾难恢复

一. 简化恢复 在 IT 基础设施领域&#xff0c;灾难恢复是确保业务连续性的重要过程。通过传统机械方法进行恢复既费力又费时。然而&#xff0c;随着虚拟化技术的出现&#xff0c;这种情况发生了改变&#xff1b;虚拟化技术简化并加速了这一过程。 二. 传统恢复 传统的 DR 方法…

为ppt中的文字配色

文字的颜色来源于ppt不可删去的图像的颜色 从各类搜索网站中搜索ppt如何配色&#xff0c;有如下几点&#xff1a; 1.可以使用对比色&#xff0c;表示强调。 2.可以使用近似色&#xff0c;使得和谐统一。 3.最好一张ppt中&#xff0c;使用的颜色不超过三种主要颜色。 但我想强调…

Linux中六种常见工具

一、软件包管理器yum 1、yum概念 yum是一个软件下载安装管理的客户端&#xff0c;例如手机上的小米一应用商城。 那为什么我们推荐在Linux中用yum下载软件呢&#xff1f; 其实软件的安装有三种方式&#xff1a;源代码安装&#xff0c;rpm包安装&#xff0c;yum安装。 a、源…

pc端注册页面 密码校验规则

1.密码校验规则 格应包含大小写字母、数字和特殊符号,长度为8-20 var validateRetrievePassword (rule, value, callback) > {let reg /^(?.*[A-Za-z])(?.*\d)(?.*[~!#$%^&*()_<>?:"{},.\/\\;[\]])[A-Za-z\d~!#$%^&*()_<>?:"{},.\/\\;…

SPIQA:一个大规模的计算机科学论文多模态问题回答数据集

在科学论文中挖掘相关信息是一个至关重要的研究领域&#xff0c;因为它能够赋予学生和研究人员高效解决他们在读到科学论文时自然引发的问题的能力。然而&#xff0c;现有基于学术论文的问题回答数据集在规模上受到限制&#xff0c;并且主要分析的是科学文章论文的摘要、结论和…

写给大数据开发:为什么我们容易不信任数据

目录 1. 产品经理视角&#xff1a;数据优先级低故事与示例伪代码示例 2. 开发者视角&#xff1a;数据任务缺乏技术挑战故事与示例伪代码示例 3. 测试人员视角&#xff1a;数据的不可见性和逻辑复杂性故事与示例伪代码示例 4. 组织文化视角&#xff1a;缺乏数据意识故事与示例伪…

【Linux杂货铺】期末总结篇2:文件操作命令 | 目录操作命令

&#x1f308;个人主页&#xff1a;聆风吟_ &#x1f525;系列专栏&#xff1a;Linux实践室、网络奇遇记 &#x1f516;少年有梦不应止于心动&#xff0c;更要付诸行动。 文章目录 第四章4.1 ⛳️Linux与windows的文件系统差别4.2 ⛳️目录相关的常用术语4.3 ⛳️Linux文件类型…

嵌入式人工智能(3-树莓派4B点亮LED灯及LED灯闪烁)

1、LED与树莓派连接 LED是一种常用。廉价、高效的光源&#xff0c;其灯泡长腿为正极&#xff0c;短腿为负极。使用LED的注意如果将其直接连接到高于1.7V的电源上&#xff0c;会产生一个非常大的电流&#xff0c;导致LED甚至树莓派的损坏。通常情况下为LED配备一个串联电阻&…

Attention机制解析

Attention机制解析 1. 引言 Attention机制在自然语言处理&#xff08;NLP&#xff09;和计算机视觉&#xff08;CV&#xff09;等领域取得了广泛的应用。其核心思想是通过对输入数据的不同部分赋予不同的权重&#xff0c;使模型能够更加关注重要的信息。本文将详细介绍Attent…

最优控制公式推导(代数里卡提方程,李雅普诺夫方程,HJB方程)

本文探讨了线性时不变系统&#xff08;LTI系统&#xff09;的最优控制问题&#xff0c;特别是线性二次调节器&#xff08;LQR&#xff09;问题。通过Hamilton-Jacobi-Bellman (HJB) 方程的推导&#xff0c;求得了系统的最优控制律&#xff0c;并进一步推导了代数里卡提方程&…

Python新手必学:如何解决Python安装包下载缓慢/无法下载的问题

文章目录 📖 介绍 📖🏡 演示环境 🏡📒 文章内容 📒📝 临时使用镜像源📝 永久修改镜像源Windows系统macOS/Linux系统📝 推荐镜像源⚓️ 相关链接 ⚓️📖 介绍 📖 你是否曾在使用Python进行项目开发时,遇到过安装包下载速度如蜗牛爬行般的窘境?尤其是在急…