针对8万+次正态分布模拟观测的原假设检验：高效可复现实现方案问询

问题梳理 #

我懂你之前手动逐个生成样本的痛苦——8万次操作想想都头大！你的核心需求其实很明确：

• 针对400个不同的真实均值theta（范围从-0.99到3），每个theta重复200次实验
• 每次实验从N(theta, 1)中生成样本量为200的随机样本，检验原假设H0: mu ≤ 1
• 之前的手动方案效率极低，还没法保证结果可复现

核心优化思路 #

其实完全不用生成所有原始样本！利用正态分布的统计性质：样本均值x̄服从N(theta, 1/n)（n是单次实验的样本量），直接生成样本均值数组就行，这能把计算量从几十万次原始样本生成，降到仅需生成8万次均值（甚至连原始样本都不用碰）。再配合向量化操作代替循环，加上固定随机种子，既能大幅提升效率，又能彻底解决可复现性问题。

代码实现（Python为例） #

用numpy做向量化计算，scipy.stats处理假设检验，代码简洁高效：

import numpy as np
from scipy.stats import norm

# 设置随机种子，彻底解决可复现性问题
np.random.seed(42)

# 定义所有核心参数
n_repeats_per_theta = 200  # 每个theta重复实验的次数
sample_size = 200          # 单次实验的样本量n
num_thetas = 400           # 真实theta的总数量
theta_start = -0.99        # 你的起始theta值
theta_end = 3              # 你的结束theta值

# 生成400个均匀分布的theta值（从-0.99到3，刚好400个）
thetas = np.linspace(theta_start, theta_end, num_thetas)

# 批量生成所有样本均值：shape=(400, 200)，对应每个theta的200次实验均值
# 样本均值的分布是N(theta, 1/sample_size)，所以scale取sqrt(1/200)
sample_means = np.random.normal(
    loc=thetas[:, np.newaxis],  # 用广播机制让每个theta对应200次实验
    scale=np.sqrt(1 / sample_size),
    size=(num_thetas, n_repeats_per_theta)
)

# 执行Z检验（方差已知，原假设H0: mu ≤1，备择假设H1: mu>1，属于右侧检验）
# 检验统计量简化为：Z = (x̄ - 1) * √n（因为σ=1，σ/√n=1/√200）
z_scores = (sample_means - 1) * np.sqrt(sample_size)

# 计算右侧检验的p值：1减去标准正态分布的CDF值
p_values = 1 - norm.cdf(z_scores)

# 统计每个theta的拒绝率（以显著性水平α=0.05为例）
alpha = 0.05
rejection_rates = np.mean(p_values < alpha, axis=1)

# 查看部分结果验证
print("部分theta的拒绝率：")
for idx in [0, 100, 200, 300, 399]:
    print(f"Theta={thetas[idx]:.2f} → 拒绝率={rejection_rates[idx]:.2%}")

额外说明 #

1. 可复现性保障：只要固定np.random.seed()的数值，每次运行代码得到的结果完全一致，再也不用手动逐个生成样本。
2. 如需原始样本：要是后续有其他分析必须用到原始数据，也可以批量生成（但内存占用会大很多）：

   # 生成所有原始样本：shape=(400, 200, 200)
   raw_samples = np.random.normal(
       loc=thetas[:, np.newaxis, np.newaxis],
       scale=1,
       size=(num_thetas, n_repeats_per_theta, sample_size)
   )
   # 计算样本均值，和直接生成的结果完全一致
   sample_means_from_raw = np.mean(raw_samples, axis=2)
   

3. 扩展性极强：如果后续要更换不同的样本量n，只需要修改sample_size参数就行，整个代码逻辑不用调整，非常灵活。

内容的提问来源于stack exchange，提问作者eades