第八章__假设检验(分布拟合检验)
概率论与数理统计(8)假设检验
概率论与数理统计(8)假设检验第八章假设检验第一节假设检验问题第二节正态总体均值的假设检验第三节正态总体方差的检验第四节大样本检验法第五节 p值检验法第六节假设检验的两类错误第七节非参数假设检验第一节假设检验问题前一章我们讨论了统计推断中的参数估计问题，本章将讨论另一类统计推断问题——假设检验.在参数估计中我们按照参数的点估计方法建立了参数的估计公式，并利用样本值确定了一个估计值，认为参数真值。
由于参数是未知的，只是一个假设（假说，假想），它可能是真，也可能是假，是真是假有待于用样本进行验证（检验）.下面我们先对几个问题进行分析，给出假设检验的有关概念，然后总结给出检验假设的思想和方法.一、统计假设某大米加工厂用自动包装机将大米装袋,每袋的标准重量规定为10kg，每天开工时，需要先检验一下包装机工作是否正常. 根据以往的经验知道,自动包装机装袋重量X服从正态分布N( )．某日开工后，抽取了8袋，如何根据这8袋的重量判断“自动包装机工作是正常的”这个命题是否成立？请看以下几个问题：问题1引号内的命题可能是真，也可能是假，只有通过验证才能确定．如果根据抽样结果判断它是真，则我们接受这个命题，否则就拒绝接受它，此时实际上我们接受了“机器工作不正常”这样一个命题．若用H0表示“”，用H1表示其对立面，即“”，则问题等价于检验H0：是否成立，若H0不成立，则H1：成立．一架天平标定的误差方差为10-4(g2)，重量为的物体用它称得的重量X服从N( )．某人怀疑天平的精度，拿一物体称n次，得n 个数据，由这些数据(样本)如何判断“这架天平的精度是10-4(g2)”这个命题是否成立？问题2记H0: =10-4，H1: ，则问题等价于检验H0成立，还是H1成立．某种电子元件的使用寿命X服从参数为的指数分布，现从一批元件中任取n个，测得其寿命值（样本），如何判定“元件的平均寿命不小于5000小时”这个命题是否成立？记问题3则问题等价于检验H0成立，还是H1成立．某种疾病，不用药时其康复率为，现发明一种新药（无不良反应），为此抽查n位病人用新药的治疗效果，设其中有s人康复，根据这些信息，能否断定“该新药有效”？记问题4则问题等价于检验H0成立，还是H1成立．自1965年1月1日至1971年2月9日共2231天中，全世界记录到震级4级及以上的地震共计162次，问相继两次地震间隔的天数X是否服从指数分布？问题5记服从指数分布，不服从指数分布．则问题也等价于检验H0成立，还是H1成立．在很多实际问题中，我们常常需要对关于总体的分布形式或分布中的未知参数的某个陈述或命题进行判断，数理统计学中将这些有待验证的陈述或命题称为统计假设，简称假设．如上述各问题中的H0和H1都是假设.利用样本对假设的真假进行判断称为假设检验。
假设检验一般概念
x 400 k 时接受原假设H0；
(1)
x 400 k 时拒绝原假设H0接受备择假设H1
(2)
进一步，由于当H0为真时，有
u x400 ~N(0,1) 25/ n
1 |u|要构x造一40个0具有明确k分布的统计量，可将(1)、(2)式转化为
25/ n 25/ n
2 |u|时接x受原40假0设H0 k
2. 拒绝域与接受域 称是检验水平或显著性水平，它是我们
制定检验标准的重要依据。常数u/2把标准正态分布密度曲线下
的区域分成了两大部分，其中一部分
(x1,x2, ,xn)uu/2
称为H0的拒绝域或否定域， 当样本点落入拒绝域时，我们便拒 绝原假设H0(同前述(6)式)，另一部分
(x1,x2, ,xn)uu/2
（1）根据问题的要求提出假设，写明原假设H0和备择假设H1的
具体内容。
（2）根据H0的内容，建立（或选取）检验统计量并确定其分布。 （3）对给定（或选定）的显著性水平 ，由统计量的分布查表 或计算确定出临界值，进而得到H0的拒绝域和接受域。
（4）由样本观察值计算出统计量的值。
（5）做出推断：当统计量的值满足“接受H0的条件”时就接受 H0，否则就拒绝H0接受H1 。
u
2
时接受原假设H0 (5)
时拒绝原假设H0，接受备择假设 H1 (6)
分析(5)、(6)两式，可以这 样认为：
拒绝H0，是因为以H0成立 为出发点进行推理时，得到 了不合情理的结论，使小概 率事件在一次试验中发生了。
接受H0，是因为以H0成立 为出发点进行推理时，未发 现异常。
这就是带有概率特征的反证 法，认为小概率事件在一次 试验中不可能发生。
H0：X服从泊松分布；H1：X不服从泊松分布.
概率论与数理统计课件第八章假设检验01
P C p (1 p) 0.306 0.3
1 1 12 11
这不是 小概率事件, 没理由拒绝原假设。在不 准备继续抽样的情况下，作出接受原假设的决 定, 即该批产品可以出厂.
5
例2: 一条新建的南北交通干线全长10公里.公路 穿过一个隧道(长度忽略不计),隧道南面3.5公里, 北面6.5公里. 在刚刚通车的一个月中, 隧道南 发生了3起交通事故, 而隧道北没有发生交通事 故,能否认为隧道南的路面更容易发生交通事故? 分析: 用p表示一起交通事故发生在隧道南的概 率.则p=0.35表示隧道南北的路面发生交通事故 的可能性相同.p>0.35表示隧道南的路面发生交 通事故的概率比隧道北的路面发生交通事故的 概率大. ------为了作出正确的判断, 先作一个假设
所以我们否定H0, 认为隧道南的路面发生交 通事故的概率比隧道北大. 做出以上结论也有可能犯错误。这是因为 当隧道南北的路面发生交通事故的概率相同, 而3起交通事故又都出现在隧道南时, 我们才犯 错误。这一概率正是P=0.043. 于是, 我们判断正确的概率是1-0.043=95.7%
8
假设检验中的基本概念和检验思想 (1) 根据问题的背景, 提出原假设 H0: p=0.35, 及其备择假设 H1: p>0.35.
再作一个备择假设
H1 : p 0.04
在H0成立时
3 3 12 9
p 0.04 代入
4
P C p (1 p) 0.0097 0.01
这是 小概率事件, 一般在一次试验中是不会发 生的, 现一次试验竟然发生, 故可认为原假设不 成立, 即该批产品次品率p>0.04 , 则该批产品不 能出厂.
第八章 分布检验和拟合优度 检验
2
其中 n ( x) S ( x) F0 ( x) 在零假设下, W 2 ,U 2 的分布和F0 ( x)的分布无关. 注: nD2 2 和 U 2 的渐近分布一样; 4nD2 2 和 两个独立的 W 2 统计量的和的渐近分布一样.
关于正态分布的一些其他检验和相应的R程序
S ( x)
i
n
针对上面三种检验,检验统计量分别为 :
D sup x ( F0 ( x) S ( x)) D sup x F0 ( x) S ( x) D sup x ( S ( x) F0 ( x))
在零假设下,统计量D的分布对于一切连续分布F0 ( x) 是一样的
min i ni
分 时,Q趋于 (k 1)
2
例题
例8.3 某饭店想知道他的顾客用电话是否服从 Possion分布,在他们计算机上(n=908)获得一 个小时内打电话得数据:
打电话次数 相应的人数 0 1 2 3 490 334 68 16
15.04 15.36 14.57 14.53 15.57 14.69 15.37 14.66 14.52 15.41 15.34 14.28 15.01 14.76 14.38 15.87 13.66 14.97 15.29 14.95
按照设计要求，内径应该为15±0.2mm。 问题：检验一下这个数据是否来自均值为15，方差为0.04 的正态分布？
8.1 Kolmogrov-Smirnov单样本检验及一些正态性检验
设真实分布为F(x),假设问题：
F ( x) F0 ( x) H 0 : F ( x) F0 ( x) H1 : F ( x) F0 ( x) F ( x) F ( x) 0
第八章 假设检验
广 东 工 业 大 学
上页
下页
返回
1、原假设与备择假设 H0 2、原理
H1
小概率原理：小概率事件在一次试验中是不太会发生的。 （1）提出假设 H 0 （2）在假设 H 0 成立的条件下，构造一个小概率事件A， （3）根据样本值判断：
若在这一次试验中小概率事件A发生了，则拒绝假设 H 0 ,
若在这一次试验中小概率事件A未发生，则接受假设 H 0 .
广 东 工 业 大 学
上页
下页
返回
显著性水平 3、接受域与拒绝域
P{ A} P{样本落入区域 } R
拒绝域： R 接受域： R 4、两类错误
第一类错误： 弃真
小概率
样本点落入R：拒绝 H 0
样本点落入 R ： 接受 H 0
犯第一类错误的概率：
H 0 正确，但拒绝了它。
第二类错误： 采伪
工 业 大 学
上页
下页
返回
二、假设检验的思想方法 假设检验的基本思想实质上是带有某种概率性质的反证 法。为了检验一个假设是否正确，首先假设该假设正确，然 后根据抽取到的样本对假设作出接受或拒绝的决策。如果样 本观察值导致了不合理的现象发生，就应拒绝假设，否则应 该接受假设。
假设检验中所谓“不合理”，并非逻辑中的绝对矛盾，而 是基于人们的实践活动中广泛采用的原则，即小概率事件在一 次试验中是几乎不发生的。但概率小到什么程度才能算作“小 概率事件”？显然，“小概率事件”的概率越小，否定原假设 就越有说服力。 广
上页
广 东 工 业 大 学
下页
返回
例1 某砖厂生产的砖其抗拉强度X服从正态分布 N ( ,1.21) ,今从 该厂产品中随机抽取6块，测得其平均抗拉强度为31.13.试检验 这批砖的平均抗拉强度为32.5是否成立,取显著性水平 0.05. 解: 提出原假设 H 0 : 0 32.5 双边检验： 单边检验：
第八章拟合优度检验
142 149 142 137 134 144 146 147 140 142
140 137 152 145
解 为粗略了解数据的分布情况，先画出直方图。
步骤如下： 1.找出数据的最小值、最大值为126、158，取区 间[124.5, 159.5],它能覆盖[126, 158]； 2.将区间[124.5, 159.5]等分为7个小区间,小区间的 长度Δ=(159.5-124.5)/7=5, Δ称为组距，小区 间的端点称为组限，建立下表：
Y 50 31 26
17
10
8
6
6
8
试检验相继两次地震间隔天数 X 服从指数分布.
解 所求问题为: 在水平 0.05下检验假设
H0 : X 的概率密度
f
(
x)
1
x
e
,
0,
x 0, x 0.
由于在 H0 中参数 未具体给出, 故先估计 .
由最大似然估计法得 ˆ x 2231 13.77,
A5 :19.5 x 24.5 10
A6 : 24.5 x 29.5 8
A7 : 29.5 x 34.5 6
A8 : 34.5 x 39.5 A9 : 39.5 x
6
8
pˆ i
npˆ i
fi2 / npˆi
0.2788 45.1656
55.3519
0.2196 35.5752
27.0132
A7 :154.5 x
npˆ i
0.73
4.36 5.09
14.72
26.21
23.61
11.22
3.15 14.37
fi2 / npˆi
4.91
6.79 41.55 24.40 10.02 =87.67
概率论与数理统计教案第八章
例8为比较新老品种的肥料对作物的效用有无显著差别，选用了各方面条件差不多的10个地块种上此作物.随机选用其中5块施上新肥料，而剩下的5块施上老肥料．等到收获时观察到施新肥的地块，平均年产333(单位：千斤)，样本方差为32，施老肥的地块平均年产330，样本方差为40．假设作物产量服从正态分布，检验新肥是否比老肥效用上有显著提高（显著性水平 ）．
点面朝上
1
2
3
4
5
6
出现次数
23
26
21
20
15
15
在 水平下，请问，这颗骰子是否是均匀的
例2在某细纱机上进行断点率测定，测验锭子总数为440，测得断头次数记录如下表：
每锭断头数
0
1
2
34Βιβλιοθήκη 5678
锭数（实测）
269
112
38
19
3
1
0
0
3
试问在显著性水平 下能否认为锭子的断头数服从泊松分布
例3某高校研究在校学生的体重，现随机抽取了100位学生，测得他们的体重（单位：kg）为
检验参数
原假设与备择假设
检验统计量
拒绝域
方差
已知
;
当 时，
或
;
;
未知
;
当 时，
或
;
;
3、两个正态总体均值差的假设检验问题可汇总如下表
检验参数
抽样分布
检验统计量
拒绝域
均值差
已知
;
当 时，
;
;
未知
;
当 时，
;
;
4、两个正态总体方差比的假设检验问题可汇总如下表
概率论GL8.3
第八章 假设检验
§8.3 分布拟合检验
概 率 进行讨论的。在实际应用中，总体分布常常是未知的， 论 与 所以要对总体分布的假设进行检验，这就是分布拟合 数 2 检验法。 检验．本节仅介绍 理 统 计
上节中各检验法都是在总体分布形式为已知的前提下
8.3.1 离散型情形
26 11
0.194 0.163
19.4 16.3
6.6 -5.3
2.245 1.723
9
0.114 0.069
11.4 6.9
-2.4 2.1
0.505 0.639
概 率 论 与 数 理 统 计
9
2 1
2 1 0
0.036 0.017
0.007 0.003 0.002
3.6 1.7
0.7 0.3 0.2 6.2815 -0.5 0.0385
故在水平 0.05 下接受 H 0 ，即认为样本来自泊松分布，
也就是说认为理论上的结合是符合实际的。
概 率 论 与 数 理 统 计
例2 研究混凝土抗压强度 X 的分布，已测得 200 件混凝土试件的抗压强度以分组的形式列如下表 （1kgf=9.8N）:
j
压强区间kgf/cm2 190～200 200～210 210～220 220～230 230～240 240～250
频率逐渐稳定在 p j 的附近,它们之间的差异,在统计意义 下将越来越小。
所以，样本中出现 j 的频数 n j 和理论频数 np j 之间
概 率 皮尔逊（Pearson）提出的使用统计量 论 r ( n np ) 2 与 j 2 j 数 np j j 1 理 一般来说， 统 来衡量实际频数 n j 与理论频数 np j 的差异程度。 计 若 H 0 为真，且实验的次数又是足够多的,则这种差异即 2
管理定量分析课程第8章：假设检验
判决
无罪 有罪
陪审团审判
真实的情况
无罪
有罪
判决正确
判决错误
判决错误
判决正确
结论
未拒绝原假设 拒绝原假设
假设检验 总体参数的实际情况
原假设为真 备择假设为真 结论正确 第二类错误 第一类错误 结论正确
11
假设检验中犯Ⅰ型错误的概率，称为显著性水平（level of significance），即指当零假设实际上是正确时，检验统计量落
7
又如：教育部要检验2012年录取的大学新生平均身高是否 达到了170cm标准，这样需要提出原假设（H0）：2012
年大学新生（总体）的平均身高（µ ）是170cm。为了检
验这个假设是否正确，需要根据随机取样的原则，从2012 年的大学新生总体中选取样本并计算样本的平均高度，以 此来检验原假设的正确性。
8
假设检验一般分为参数假设检验和非参数假设检验两种类型。参 数假设检验对变量的要求较为严格，适合于等距变量和比率变量 ，非参数假设检验对变量的要求较为自由，既适合于等距变量和 比率变量，也适用于类别变量和顺序变量。
变量测量层次
分类（nominal）变 量
数学性（interval）变量
4
一、假设与假设检验
假设是科学研究中广泛应用的方法，它是根据已知理 论与事实对研究对象所作的假定性说明。统计学中的 假设一般专指用统计学术语对总体参数所做的假定性 说明。在进行任何一项研究时，都需要根据已有的理 论和经验事先对研究结果作出一种预想的假设。这种 假设叫科学假设，在统计学上称为研究假设。对这种 研究假设进行证实或证伪的过程叫假设检验。
非参数检验是一种与总体分布状况无关的检验方法，它不 依赖于总体分布的形式。
浙江大学概率论与数理统计盛骤-第四版
拒绝域为:
X S
0
n
t (n 1)
即 S k n t (n 1)
因此，拒绝域为：
t
X 0
Sn
t (n 1).
14
例2 某种元件的寿命X（以小时记）服从正态分布N (, 2 ),
, 2均未知。现测得16只元件的寿命如下：
159 280 101 212 224 379 179 264 222 362 168 250 149 260 485 170 问是否有理由认为元件的平均寿命大于225（小时）？（取
原假设 H0 : 6.0，备择假设 H1 : 6.0
检验统计量为 X , 检验拒绝域的形式为 X 6.0 c.
由于作出决策的依据是一个样本，因此，可能出现“实 际上原假设成立，但根据样本作出拒绝原假设”的决策。 这种错误称为“第一类错误”，实际中常常将犯第一类错 误的概率控制在一定限度内，即事先给定较小的数α (0<α<1)（称为显著性水平）,使得
X1, X2, , Xn来自N , 2 , X 和S 2分别为样本均值和方差,显著性水平为
H0 : 0 , H1 : 0
1 2已知时
检验拒绝域形式为：X 0 c n
在H0为真时，
X 0 n
~ N 0,1
根据犯第一类错误概率不大于 ,
正确决策
第二类错误
第一类错误
正确决策
第一类错误：原假设H0成立时，作出拒绝原假设的决策； 第二类错误：备择假设H1成立时，作出接受原假设的决策。
通常，犯第一类错误的概率、犯第二类错误的概率、样本容量可 以看作为“三方拔河”。
8
例如，设显著性水平为，计算上例中犯第一类错误的概率 和 5.4时犯第二类错误的概率：
概率论第八章8.1 假设检验的基本原理
0.12 0.1 0.08 0.06
α/2
0.04 0.02 60 62.5 65 67.5 70 72.5 75
α/2
H0 真
0. 12 0. 1 0. 08 0. 06 0. 04 0. 02
β
H0 不真
67 .5 70 72 .5 75 77 .5 80 82 .5
注 1º 一般,作假设检验时,先控制犯第一 一般,作假设检验时, 类错误的概率α,在此基础上使 β 尽量 一般要增大样本容量. 地小. 地小.要降低 β 一般要增大样本容量. 不真时,参数值越接近真值, 越大. 当H0不真时,参数值越接近真值,β 越大. 注 2º 备择假设可以是单侧,也可以双侧. 备择假设可以是单侧,也可以双侧. 引例2中的备择假设是双侧的. 引例2中的备择假设是双侧的.若根据以 往生产情况, =68.现采用了新工艺 现采用了新工艺, 往生产情况,µ0=68.现采用了新工艺,关 心的是新工艺能否提高螺钉强度, 心的是新工艺能否提高螺钉强度,µ越大 越好.此时可作如下的右边假设检验: 越好.此时可作如下的右边假设检验: H0 : µ = 68； H1 : µ > 68
拒绝 H0
第一类错误
(弃真) 弃真)
正确
犯第一类错误的概率通常记为 α 犯第二类错误的概率通常记为 β
任何检验方法都不能完全排除犯错 误的可能性. 误的可能性.理想的检验方法应使犯两类 错误的概率都很小, 错误的概率都很小,但在样本容量给定的 情形下,不可能使两者都很小,降低一个, 情形下,不可能使两者都很小,降低一个, 往往使另一个增大. 往往使另一个增大. 假设检验的指导思想是控制犯第一类 然后,若有必要, 错误的概率不超过α, 然后,若有必要,通 过增大样本容量的方法来减少 β .
第八章假设检验
若过分大，则有理由 怀疑H0的正确性
7/51
§8.1 假设检验
当观察值 x 满足 x 0
此即假定H0正确 时的小概率事件
/ n
k时, 拒绝假设 H0 ,
反之, 当观察值 x 满足
x 0
/ n
k时, 接受假设 H0 .
如何选取k呢，先看以下事实： 由于作出决策的依据是一个样本，当实际 上H0为真时，仍可能作出拒绝H0的决策，这种 可能性是无法消除的，这是一种错误。
24/51
第八章 假设检验
§8.1 假设检验 §8.2 正态总体均值的假设检验 §8.3 正态总体方差的假设检验
§8.6 分布拟合检验
25/51
§8.2 正态总体均值的假设检验
假设检验是针对弃真这一可能犯的错误人为设定一个界限， 如果在这个界限内，认为原假设成立，否则的话，由于显 著性水平取得很小，表明小概率事件发生，根据实际推断 原理，原假设不成立。 尽管也可能犯第II类取伪的错误，这时尽管总体的性质发 生了改变但没有发现，往往影响较小。 正态总体均值的检验分为三种情况
/ n
若|z|＝ X 0 k，则称 x 与μ0的差异是显著的，以至
于小概率事件发生了，这时拒绝H0， 否则则称 x与μ0的差异是不显著的，这时接受H0， 选定的数α称为显著性水平，在α下对显著性判断
X 0 统计量Z= 称为检验统计量 / n
13/51
/ n
§8.1 假设检验
假设检验的相关定义： 像上例中的假设检验问题可叙述成： “在显著性水平α下，检验假设H0：μ＝μ0，H1：μ≠μ0” 或“在显著性水平α下，针对H1检验H0”
例如：提出总体期望服从泊松分布的假设，然后进行判断 提出正态总体期望为μ0的假设，然后进行判断
第8章 假设检验8.6 分布拟合检验
χ2 ≥ G
(G为正常数 ) .
对于给定的显著性水平 α , 确定 使 确定G P {当H 0为真时拒绝 H 0 } = PH 0 { χ 2 ≥ G } =α
2 由上述定理得 G = χ 0 ( k − 1).
即当样本观察值使 式中的 χ 2的值有
有差异, 但一般来说 , 若 H 0 为真 , 且试验次数又多 fi 这种差异不应太大, 时 , 这种差异不应太大 因此 ( − p ) 2 不应太大 , n 我们采用形如
fi C i ( − p) 2 ∑ n i =1 的统计量来度量样本与 H 0 中所假设的分布的
k
吻合程度 , 其中C i 为给定的常数 .
X pk
1
9 16
2
3 16
3
3 16
4
1 16
取显著性水平为0.1. 所需计算列表如下 所需计算列表如下(n=360) 取显著性水平为
Ai A1
fi
192 78 72 18
pi
9 16 3 16 3 16 1 16
npi
360 × 9 16 = 202.5 360 × 3 16 = 67.5
A2 A3 A4
ˆ 求出pi的估计值 pi = P ( Ai ), k f i2 χ2 = ∑ −n i =1 np i
可以证明, 作为检验假设 H 0的统计量 . 可以证明 在某些条 件下， 件下， H 0为真时近似地有 在
fi χ =∑ − n ~ χ 2 ( k − r − 1) i =1 np i
2
k
2
与在一中一样可得假设检验问题的拒绝域为
第六节
分布拟合检验
第8章 假设检验
例 孟德尔遗传理论断言，当两个品种的豆杂交时，圆的 和黄的、起皱的和黄的、圆的和绿的、起皱的和绿的豆的 频数将以比例9：3：3：1发生。在检验这个理论时，孟德 尔分别得到频数315、101、108、32、这些数据提供充分 证据拒绝该理论吗？
P PH0 | Z || z0 | 2PH0 Z | z0 | 2(1 (| z0 |))
(即z0代替了拒绝域式中的z 2 )
判断：当P小于显著水平时，拒绝原假设，
否则，接受: 0, H1 : 0 ， 其中0是已知的常数
以X 作为的参考, 若H0为真，X比0大些，但
这个批次清漆的干燥时间构成的总体方差可设 2 0.36 而其均值是要求我们检验的！
经计算，现抽取的9个数据的平均值x 6.4小时,
现在的问题是，我们能否认为 "6.4 6.0 0" ？
即，接受以下哪个假设？
原假设 H0 : 0 6.0， 备择假设 H1 : 0 6.0
4
原假设 H0 : 0 6.0， 备择假设 H1 : 0 6.0
16
*另外方法：若给定显著性水平, 当原假设成立时
( 0)，总体X ~ N (0, 2 )，因此，X ~ N (0, 2 n )
P0 ( X 0
k)
P 0
(
X
0
n
k
设
)
n
k
n z /2
k z/2 n
1
一般，H
的拒绝域写为：
数理统计 第八章 假设检验
量
渐近2 服从ik自1 (由fi度n为pni（pik)-21）的ik1 2nf分pi2i布. n
检验的拒绝域形为： W= 2 C
当显著性水平给定时,可得 C=2 (k 1).
12
如果根据所给的样本值 X1,X2, …,Xn算得
（2 n－1）
2 1
2 (n 1)
(n 1)S 2
2
t(n1 n2 2)
2 2 (n 1) (X Y ) (1 2 )
S 1 1 w n1 n2
t(n1 n2 2)
F1 2 (n1 1, n2 1)
F(n1 1,n2 1)
npi
近似服从 2(1)
按 0.05，查表得
2 0.05
(1)
3.841，拒绝域为
W= 2 3.841
这里，n=70+27=97, k=2,
实测频数为70，27.
理论频数为： np1=72.75, np2=24.25
由于统计量 2的实测值 2=0.4158<3.841，17
理论频数npˆi 217 149 51
12
3
22
战争次数x 实测频数 fi 概率估计 pˆi 理论频数npˆi
0
1
223 142
0.502 0.346
217 149
2 48 0.119 51
3 15 0.027
12
4
4
0.006
3
15
检验统计量的观察值为
2 k ( fi npi )2 k fi2 n
i 1
npi
i1 npˆi
概率论与数理统计第八章 假设检验
第八章假设检验第一节概述统计推断中的另一类重要问题是假设检验(Hypothesis testing).当总体的分布函数未知，或只知其形式而不知道它的参数的情况时，我们常需要判断总体是否具有我们所感兴趣的某些特性.这样，我们就提出某些关于总体分布或关于总体参数的假设，然后根据样本对所提出的假设作出判断：是接受还是拒绝.这就是本章所要讨论的假设检验问题.我们先从下面的例子来说明假设检验的一般提法.例8.1某工厂用包装机包装奶粉，额定标准为每袋净重0.5kg.设包装机称得奶粉重量X服从正态分布N（μ，σ2）.根据长期的经验知其标准差σ=0.015(kg).为检验某台包装机的工作是否正常；随机抽取包装的奶粉9袋，称得净重（单位：kg）为0.499 0.515 0.508 0.512 0.4980.515 0.516 0.513 0.524问该包装机的工作是否正常？由于长期实践表明标准差比较稳定，于是我们假设X~N（μ，0.0152）.如果奶粉重量X 的均值μ等于0.5kg，我们说包装机的工作是正常的.于是提出假设：H0：μ=μ0=0.5；H1：μ≠μ0=0.5.这样的假设叫统计假设.1.统计假设关于总体X的分布（或随机事件之概率）的各种论断叫统计假设，简称假设，用“H”表示，例如：（1）对于检验某个总体X的分布，可以提出假设：H0：X服从正态分布，H1: X不服从正态分布.H0：X服从泊松分布，H1: X不服从泊松分布.（2）对于总体X的分布的参数，若检验均值，可以提出假设：H0：μ=μ0；H1：μ≠μ0.H0：μ≤μ0；H1：μ＞μ0.若检验标准差，可提出假设：H0：σ=σ0；H1：σ≠σ0.H0：σ≥σ0；H1：σ＜σ0.这里μ0，σ0是已知数，而μ=E（X），σ2=D（X）是未知参数.上面对于总体X的每个论断，我们都提出了两个互相对立的（统计）假设：H0和H1，显然，H0与H1只有一个成立，或H0真H1假，或H0假H1真，其中假设H0，称为原假设(Original hypothesis)（又叫零假设、基本假设），而H1称为H0的对立假设（又叫备择假设）.在处理实际问题时，通常把希望得到的陈述视为备择假设,而把这一陈述的否定作为原假设.例如在上例中，H0：μ=μ0=0.5为原假设，它的对立假设是H1：μ≠μ0=0.5.统计假设提出之后，我们关心的是它的真伪.所谓对假设H0的检验，就是根据来自总体的样本，按照一定的规则对H0作出判断：是接受，还是拒绝，这个用来对假设作出判断的规则叫做检验准则，简称检验，如何对统计假设进行检验呢？我们结合上例来说明假设检验的基本思想和做法.2.假设检验的基本思想 在例8.1中所提假设是H 0：μ=μ0=0.5(备择假设H 1：μ≠μ0).由于要检验的假设涉及总体均值μ，故首先想到是否可借助样本均值这一统计量来进行判断.从抽样的结果来看，样本均值x =19（0.499+0.515+0.508+0.512+0.498+0.515+0.516+0.513+0.524）=0.5110，与μ=0.5之间有差异.对于与μ0之间的差异可以有两种不同的解释.（1） 统计假设H 0是正确的，即μ=μ0=0.5，只是由于抽样的随机性造成了与μ0之间的差异；（2） 统计假设H 0是不正确的，即μ≠μ0=0.5，由于系统误差，也就是包装机工作不正常，造成了与μ0之间的差异.对于这两种解释到底哪一种比较合理呢？为了回答这个问题，我们适当选择一个小正数α（α=0.1,0.05等），叫做显著性水平(Level of significance).在假设H0成立的条件下，确定统计量X -μ0的临界值αλ，使得事件{｜X -μ0｜＞αλ}为小概率事件，即P{｜X -μ0｜＞αλ}=α.（8.1）例如，取定显著性水平α=0.05.现在来确定临界值λ0.05.因为X ~N （μ，σ2），当H 0：μ=μ0=0.5为真时，有X ~N （μ0，σ2），于是2011~,n i i X X N n n σμ=⎛⎫= ⎪⎝⎭∑，ZX X =N （0，1），所以 P {｜Z ｜＞z α/2}=α.由（8.1）式，有P Z ⎧>⎨⎩=α，因此22,z z αααλ==λ0.05=z 0.0250.015/3=0.0098. 故有P {｜X -μ0｜＞0.0098}=0.05.因为α=0.05很小，根据实际推断原理，即“小概率事件在一次试验中几乎是不可能发生的”原理，我们认为当H 0为真时，事件{｜X -μ0｜＞0.0098}是小概率事件，实际上是不可能发生的.现在抽样的结果是｜x -μ0｜=｜0.5110-0.5｜=0.0110＞0.0098.也就是说，小概率事件{｜X -μ0｜＞0.0098}居然在一次抽样中发生了，这说明抽样得到的结果与假设H 0不相符，因而不能不使人怀疑假设H 0的正确性，所以在显著性水平α=0.05下， 我们拒绝H 0，接受H 1，即认为这一天包装机的工作是不正常的.通过上例的分析，我们知道假设检验的基本思想是小概率事件原理，检验的基本步骤是： （1） 根据实际问题的要求，提出原假设H 0及备择假设H 1；（2） 选取适当的显著性水平α（通常α=0.10,0.05等）以及样本容量n ；（3） 构造检验用的统计量U ，当H 0为真时，U 的分布要已知，找出临界值αλ使P {｜U ｜＞αλ}=α.我们称｜U ｜＞αλ所确定的区域为H 0的拒绝域(Rejection region)，记作W ； （4） 取样，根据样本观察值，计算统计量U 的观察值U 0；（5） 作出判断，将U 的观察值U 0与临界值αλ比较，若U 0落入拒绝域W 内，则拒绝H 0接受H 1；否则就说H 0相容（接受H 0）.3.两类错误由于我们是根据样本作出接受H 0或拒绝H 0的决定，而样本具有随机性，因此在进行判断时，我们可能会犯两个方面的错误：一类错误是，当H 0为真时，而样本的观察值U 0落入拒绝域W 中，按给定的法则，我们拒绝了H 0，这种错误称为第一类错误.其发生的概率称为犯第一类错误的概率或称弃真概率，通常记为α，即P {拒绝H 0｜H 0为真}=α；另一种错误是，当H 0不真时，而样本的观察值落入拒绝域W 之外，按给定的检验法则，我们却接受了H 0.这种错误称为第二类错误，其发生的概率称为犯第二类错误的概率或取伪概率，通常记为β，即P {接受H 0｜H 0不真}=β.显然这里的α就是检验的显著性水平.总体与样本各种情况的搭配见表8-1.表8-1对给定的一对H 0和H 1，总可以找到许多拒绝域W .当然我们希望寻找这样的拒绝域W ，使得犯两类错误的概率α与β都很小.但是在样本容量n 固定时，要使α与β都很小是不可能的，一般情形下，减小犯其中一类错误的概率，会增加犯另一类错误的概率，它们之间的关系犹如区间估计问题中置信水平与置信区间的长度的关系那样.通常的做法是控制犯第一类错误的概率不超过某个事先指定的显著性水平α（0＜α＜1），而使犯第二类错误的概率也尽可能地小.具体实行这个原则会有许多困难，因而有时把这个原则简化成只要求犯第一类错误的概率等于α，称这类假设检验问题为显著性检验问题，相应的检验为显著性检验.在一般情况下，显著性检验法则是较容易找到的，我们将在以下各节中详细讨论.在实际问题中，要确定一个检验问题的原假设，一方面要根据问题要求检验的是什么，另一方面要使原假设尽量简单，这是因为在下面将讲到的检验法中，必须要了解某统计量在原假设成立时的精确分布或渐近分布.下面各节中，我们先介绍正态总体下参数的几种显著性检验，再介绍总体分布函数的假设检验.第二节 单个正态总体的假设检验1.单个正态总体数学期望的假设检验（1） σ2已知关于μ的假设检验（Z 检验法(Z -test)） 设总体X ~N （μ，σ2），方差σ2已知，检验假设H 0：μ=μ0；H 1：μ≠μ0 (μ0为已知常数） 由X ~N （μ，n σ）X N （0，1）， 我们选取ZX （8.2）作为此假设检验的统计量，显然当假设H 0为真（即μ=μ0正确）时，Z ~N （0，1），所以对于给定的显著性水平α，可求z α/2使P {｜Z ｜＞z α/2}=α，见图8-1，即P {Z ＜-z α/2}+P {Z ＞z α/2}=α.从而有P {Z ＞z α/2}=α/2， P {Z ≤z α/2}=1-α/2.图8-1利用概率1-α/2，反查标准正态分布函数表，得双侧α分位点（即临界值）z α/2. 另一方面，利用样本观察值x 1，x 2，…，x n 计算统计量Z 的观察值z 0x （8.3）如果：（a ）｜z 0｜＞z α/2，则在显著性水平α下，拒绝原假设H 0（接受备择假设H 1），所以｜z 0｜＞z α/2便是H0的拒绝域.（b ） ｜z 0｜≤z α/2，则在显著性水平α下，接受原假设H 0，认为H 0正确.这里我们是利用H0为真时服从N （0，1）分布的统计量Z 来确定拒绝域的，这种检验法称为Z 检验法（或称U 检验法）.例8.1中所用的方法就是Z 检验法.为了熟悉这类假设检验的具体作法，现在我们再举一例.例8.2 根据长期经验和资料的分析，某砖厂生产的砖的“抗断强度”X 服从正态分布，方差σ2=1.21.从该厂产品中随机抽取6块，测得抗断强度如下（单位：kg ·cm -2）：32.56 29.66 31.64 30.00 31.87 31.03检验这批砖的平均抗断强度为32.50kg ·cm -2是否成立（取α=0.05，并假设砖的抗断强度的方差不会有什么变化）？解 ① 提出假设H 0：μ=μ0=32.50；H 1：μ≠μ0. ② 选取统计量ZX ，若H 0为真，则Z ~N （0，1）.③ 对给定的显著性水平α=0.05，求z α/2使P {｜Z ｜＞z α/2}=α，这里z σ/2=z 0.025=1.96.④ 计算统计量Z 的观察值：｜z 0｜ ≈3.05.⑤ 判断：由于｜z 0｜=3.05＞z 0.025=1.96，所以在显著性水平α=0.05下否定H 0，即不能认为这批产品的平均抗断强度是32.50 kg ·cm -2.把上面的检验过程加以概括，得到了关于方差已知的正态总体期望值μ的检验步骤： （a ） 提出待检验的假设H 0：μ=μ0；H 1：μ≠μ0. （b ） 构造统计量Z ，并计算其观察值z 0：ZX ，z 0x（c ） 对给定的显著性水平α，根据P {｜Z ｜＞z α/2}=α，P {Z ＞z α/2}=α/2，P {Z ≤z α/2}=1-α/2查标准正态分布表，得双侧α分位点z α/2. （d ） 作出判断：根据H 0的拒绝域 若｜z 0｜＞z α/2，则拒绝H 0，接受H 1； 若｜z 0｜≤z α/2，则接受H 0.（2） 方差σ2未知，检验μ（t 检验法(t -test)） 设总体X ~N （μ，σ2），方差σ2未知，检验H 0：μ=μ0；H 1：μ≠μ0.由于σ2X 便不是统计量，这时我们自然想到用σ2的无偏估计量——样本方差S 2代替σ2，由于X t （n -1），故选取样本的函数tX （8.4）图8-2作为统计量，当H 0为真（μ=μ0）时t ~t （n -1），对给定的检验显著性水平α，由P {｜t ｜＞t α/2（n -1）}=α， P {t ＞t α/2（n -1）}=α/2，见图8-2，直接查t 分布表，得t 分布分位点t α/2（n -1）.利用样本观察值，计算统计量t 的观察值t 0x 因而原假设H0的拒绝域为｜t 0｜＞t α/2（n -1）. （8.5）所以，若｜t 0｜＞t α/2（n -1），则拒绝H 0，接受H 1；若｜t 0｜≤t α/2（n -1），则接受原假设H 0.上述利用t 统计量得出的检验法称为t 检验法.在实际中，正态总体的方差常为未知，所以我们常用t 检验法来检验关于正态总体均值的问题.例8.3 用某仪器间接测量温度，重复5次，所得的数据是1250°,1265°，1245°，1260°，1275°，而用别的精确办法测得温度为1277°(可看作温度的真值），试问此仪器间接测量有无系统偏差？这里假设测量值X 服从N （μ，σ2）分布. 解 问题是要检验H 0：μ=μ0=1277；H 1：μ≠μ0.由于σ2未知（即仪器的精度不知道），我们选取统计量tX .当H 0为真时，t ~t （n -1），t 的观察值为｜t 0｜185.399-==＞3.对于给定的检验水平α=0.05，由P {｜t ｜＞t α/2（n -1）}=α， P {t ＞t α/2（n -1）}=α/2， P {t ＞t 0.025(4)}=0.025，查t 分布表得双侧α分位点t α/2（n -1）=t 0.025(4)=2.776.因为｜t 0｜＞3＞t 0.025(4)=2.776，故应拒绝H 0，认为该仪器间接测量有系统偏差.（3） 双边检验与单边检验上面讨论的假设检验中，H 0为μ=μ0，而备择假设H 1：μ≠μ0意思是μ可能大于μ0，也可能小于μ0，称为双边备择假设，而称形如H 0：μ=μ0，H 1：μ≠μ0的假设检验为双边检验.有时我们只关心总体均值是否增大，例如，试验新工艺以提高材料的强度，这时所考虑的总体的均值应该越大越好，如果我们能判断在新工艺下总体均值较以往正常生产的大，则可考虑采用新工艺.此时，我们需要检验假设H 0：μ=μ0；H 1：μ＞μ0. （8.6）（我们在这里作了不言而喻的假定，即新工艺不可能比旧的更差），形如（8.6）的假设检验，称为右边检验，类似地，有时我们需要检验假设H 0：μ=μ0；H 1：μ＜μ0. （8.7）形如（8.7）的假设检验，称为左边检验，右边检验与左边检验统称为单边检验.下面来讨论单边检验的拒绝域. 设总体X ~N （μ，σ2），σ2为已知，x 1，x 2，…，x n 是来自X 的样本观察值.给定显著性水平α，我们先求检验问题H 0：μ=μ0；H 1：μ＞μ0.的拒绝域.取检验统计量ZX ，当H 0为真时，Z 不应太大，而在H 1为真时，由于X 是μ的无偏估计，当μ偏大时，X 也偏大，从而Z 往往偏大，因此拒绝域的形式为ZX ≥k ，k 待定.因为当H 0X ~N （0，1），由P {拒绝H 0｜H 0为真}=PX k ⎫≥⎬⎭=α得k =z α，故拒绝域为ZX ≥z α. （8.8）类似地，左边检验问题H 0：μ=μ0；H 1：μ＜μ0.的拒绝域为ZX ≤-z α. 8.9）例8.4 从甲地发送一个信号到乙地，设发送的信号值为μ，由于信号传送时有噪声迭加到信号上，这个噪声是随机的，它服从正态分布N （0，22），从而乙地接到的信号值是一个服从正态分布N （μ，22）的随机变量.设甲地发送某信号5次，乙地收到的信号值为： 8.4 10.5 9.1 9.6 9.9由以往经验，信号值为8，于是乙方猜测甲地发送的信号值为8，能否接受这种猜测？取α=0.05.解 按题意需检验假设H 0：μ=8；H 1：μ＞8.这是右边检验问题，其拒绝域如（8.8）式所示， 即 Z =X ≥z 0.05=1.645.而现在z 0=1.68＞1.645，所以拒绝H 0，认为发出的信号值μ＞8.2.单个正态总体方差的假设检验（2χ检验法(2χ-test)） （1） 双边检验设总体X ~N （μ，σ2），μ未知，检验假设H 0：σ2=σ02；H 1：σ2≠σ2.其中σ02为已知常数.由于样本方差S 2是σ2的无偏估计，当H 0为真时，比值22S σ一般来说应在1附近摆动，而不应过分大于1或过分小于1，由第六章知当H 0为真时2χ=220(1)n S σ-~2χ（n -1）. （8.10）所以对于给定的显著性水平α有（图8-3）图8-3P {21/2αχ-（n -1）≤2χ≤2/2αχ（n -1）}=1-α. （8.11）对于给定的α，查2χ分布表可求得2χ分布分位点21/2αχ-（n -1）与2/2αχ（n -1）.由（8.11）知，H 0的接受域是21/2αχ- (n -1)≤2χ≤2/2αχ (n -1)； (8.12)H 0的拒绝域为2χ＜21/2αχ-（n -1）或2χ＞2/2αχ（n -1）. （8.13）这种用服从2χ分布的统计量对个单正态总体方差进行假设检验的方法，称为2χ检验法. 例8.5 某厂生产的某种型号的电池，其寿命长期以来服从方差σ2=5000（小时2）的正态分布，现有一批这种电池，从它的生产情况来看，寿命的波动性有所改变，现随机抽取26只电池，测得其寿命的样本方差s 2=9200（小时2）.问根据这一数据能否推断这批电池的寿命的波动性较以往有显著的变化（取α=0.02)?解 本题要求在α=0.02下检验假设H 0：σ2=5000；H 1：σ2≠5000.现在n =26，2/2αχ（n -1）=20.01(25)χ=44.314，21/2αχ- (n -1)= 20.99(25)χ=11.524,σ02=5000.由（8.13）拒绝域为2σ＞44.314或220(1)n s σ-＜11.524由观察值s 2=9200得22(1)n s σ-=46＞44.314,所以拒绝H 0，认为这批电池寿命的波动性较以往有显著的变化.（2） 单边检验（右检验或左检验） 设总体X ~N （μ，σ2），μ未知，检验假设H 0：σ2≤σ02；H 1：σ2＞σ02.（右检验）由于X ~N （μ，σ2），故随机变量*2χ=22(1)n S σ-~2χ（n -1）.当H 0为真时，统计量2χ=22(1)n S σ-≤*2χ.对于显著性水平α，有P {*2χ＞2αχ（n -1）}=α图8-4（图8-4）.于是有P {2χ＞2αχ（n -1）}≤P {*2χ＞2αχ（n -1）}=α.可见，当α很小时，{2χ＞2αχ（n -1）}是小概率事件，在一次的抽样中认为不可能发生，所以H 0的拒绝域是：2χ=22(1)n S σ-＞2αχ（n -1）（右检验）. （8.14）类似地，可得左检验假设H 0：σ2≥σ02，H 1：σ2＜σ2的拒绝域为2χ＜21αχ-（n -1）（左检验）. (8.15) 例8.6 今进行某项工艺革新，从革新后的产品中抽取25个零件，测量其直径，计算得样本方差为s 2=0.00066，已知革新前零件直径的方差σ2=0.0012，设零件直径服从正态分布，问革新后生产的零件直径的方差是否显著减小？（α=0.05)解 (1） 提出假设H 0：σ2≥σ02=0.0012；H 1：σ2<σ02. (2) 选取统计量2χ=22(1)n S σ-.*2χ=22(1)n S σ-~2χ（n -1），且当H 0为真时，*2χ≤2χ(3） 对于显著性水平α=0.05，查2χ分布表得21αχ-（n -1）=20.95(24)χ=13.848，当H 0为真时，P {2χ<21αχ- (n -1)}≤P 2212(1)(1)n S n αχσ-⎧⎫-<-⎨⎬⎩⎭=α. 故拒绝域为2χ<21αχ- (n -1)=13.848.(4) 根据样本观察值计算2χ的观察值2χ=220(1)240.000660.0012n s σ-⨯==13.2.(5) 作判断：由于2χ=13.2＜21αχ- (n -1)=13.848，即2χ落入拒绝域中，所以拒绝H 0：σ2≥σ02，即认为革新后生产的零件直径的方差小于革新前生产的零件直径的方差.最后我们指出，以上讨论的是在均值未知的情况下，对方差的假设检验，这种情况在实际问题中较多.至于均值已知的情况下，对方差的假设检验，其方法类似，只是所选的统计量为2χ=2120()nii Xμσ=-∑.当σ2=σ2为真时，2χ~2χ（n ）.关于单个正态总体的假设检验可列表8-2.表8-2注：上表中H0中的不等号改成等号，所得的拒绝域不变.第三节两个正态总体的假设检验上一节介绍了单个正态总体的数学期望与方差的检验问题，在实际工作中还常碰到两个正态总体的比较问题.1.两正态总体数学期望假设检验（1）方差已知，关于数学期望的假设检验（Z检验法）设X~N(μ1,σ12），Y~N（μ2，σ22），且X，Y相互独立，σ12与σ22已知，要检验的是H0：μ1=μ2；H1：μ1≠μ2.(双边检验)怎样寻找检验用的统计量呢？从总体X 与Y 中分别抽取容量为n 1，n 2的样本X 1，X 2，…，1n X 及Y 1，Y 2，…，2n Y ，由于2111~,X N n σμ⎛⎫ ⎪⎝⎭，2222~,Y N n σμ⎛⎫⎪⎝⎭，E （X -Y ）=E （X ）-E （Y ）=μ1-μ2， D （X -Y ）=D （X ）+D （Y ）=221212n n σσ+，故随机变量X -Y 也服从正态分布，即X -Y ~N (μ1-μ2，221212n n σσ+).从而X Y ~N （0，1）.于是我们按如下步骤判断.（a ） 选取统计量 ZX Y ， （8.16）当H 0为真时，Z ~N （0，1）.（b ） 对于给定的显著性水平α，查标准正态分布表求z α/2使P {｜Z ｜＞z α/2}=α，或P {Z ≤z α/2}=1-α/2. （8.17） （c ） 由两个样本观察值计算Z 的观察值z 0：z 0x y .（d ） 作出判断：若｜z 0｜＞z α/2，则拒绝假设H 0，接受H 1； 若｜z 0｜≤z α/2，则与H 0相容，可以接受H 0.例8.7 A ，B 两台车床加工同一种轴，现在要测量轴的椭圆度.设A 车床加工的轴的椭圆度X ~N （μ1，σ12），B 车床加工的轴的椭圆度Y ~N （μ2，σ22），且σ12=0.0006(mm 2)，σ22=0.0038(mm 2)，现从A ，B 两台车床加工的轴中分别测量了n 1=200，n 2=150根轴的椭圆度，并计算得样本均值分别为=0.081(mm),=0.060(mm).试问这两台车床加工的轴的椭圆度是否有显著性差异？（给定α=0.05)解 ① 提出假设H 0：μ1=μ2；H 1：μ1≠μ2. ② 选取统计量ZX Y ，在H 0为真时，Z ~N （0，1）.③ 给定α=0.05，因为是双边检验，α/2=0.025.P {｜Z ｜＞z α/2}=0.05, P {Z ＞z α/2}=0.025，P {Z ≤z α/2}=1-0.025=0.975.查标准正态分布表，得z α/2=z 0.025=1.96.④ 计算统计量Z 的观察值zz 0x y =.⑤ 作判断：由于｜z 0｜=3.95＞1.96=z α/2，故拒绝H 0，即在显著性水平α=0.05下，认为两台车床加工的轴的椭圆度有显著差异.用Z 检验法对两正态总体的均值作假设检验时，必须知道总体的方差，但在许多实际问题中总体方差σ12与σ22往往是未知的，这时只能用如下的t 检验法.（2） 方差σ12，σ22未知，关于均值的假设检验（t 检验法） 设两正态总体X 与Y 相互独立，X ~N （μ1，σ12），Y ~N （μ2，σ22），σ12，σ22未知，但知σ12=σ22，检验假设H 0：μ1=μ2；H 1：μ1≠μ2.(双边检验) 从总体X ，Y 中分别抽取样本X 1，X 2，…，1n X 与Y 1，Y 2，…，2n Y ，则随机变量tX Y μμ---t （n 1+n 2-2），式中S w 2=22112212(1)(1)2n S n S n n -+-+-，S 12，S 22分别是X 与Y 的样本方差.当假设H 0为真时，统计量t ~t （n 1+n 2-2）. （8.18）对给定的显著性水平α，查t 分布得t α/2（n 1+n 2-2），使得P {｜t ｜＞t α/2（n 1+n 2-2）}=α. （8.19）再由样本观察值计算t 的观察值t 0x y（8.20）最后作出判断：若｜t 0｜＞t α/2（n 1+n 2-2），则拒绝H 0； 若｜t 0｜≤t α/2（n 1+n 2-2），则接受H 0.例8.8 在一台自动车床上加工直径为2.050毫米的轴，现在每相隔两小时，各取容量都为10的样本，所得数据列表如表8-3所示.12是未知常数.问这台自动车床的工作是否稳定？（取α=0.01)解 这里实际上是已知σ12=σ22=σ2，但σ2未知的情况下检验假设H 0：μ1=μ2；H 1：μ1≠μ2.我们用t 检验法，由样本观察值算得：x =2.063, y =2.059，s 12=0.00000956， s 22=0.00000489，s w 2=2212990.0000860.0000441010218s s ⨯+⨯+=+-=0.0000072.由（8.20）式计算得t 0=3.3.对于α=0.01，查自由度为18的t 分布表得t 0.005(18)=2.878.由于｜t 0｜=3.3＞t 0.005(18)=2.878,于是拒绝原假设H 0：μ1=μ2.这说明两个样本在生产上是有差异的，可能这台自动车床受时间的影响而生产不稳定.2. 两正态总体方差的假设检验（F 检验法(F -test )） （1） 双边检验设两正态总体X ~N （μ1，σ12），Y ~N （μ2，σ22），X 与Y 独立，X 1，X 2，…，1n X 与Y 1，Y 2，…，2n Y 分别是来自这两个总体的样本，且μ1与μ2未知.现在要检验假设H 0：σ12=σ22；H 1：σ12≠σ22.在原假设H 0成立下，两个样本方差的比应该在1附近随机地摆动，所以这个比不能太大又不能太小.于是我们选取统计量F =2122S S . （8.21） 显然，只有当F 接近1时，才认为有σ12=σ22.由于随机变量F *=22112222//S S σσ ~F （n 1-1，n 2-1）,所以当假设H 0：σ12=σ22成立时,统计量F =2122S S ~F （n 1-1，n 2-1）. 对于给定的显著性水平α，可以由F 分布表求得临界值12a F-（n 1-1，n 2-1）与F α/2（n 1-1，n 2-1）使得 P { 12a F-（n 1-1，n 2-1）≤F ≤F α/2（n 1-1，n 2-1）}=1-α（图8-5），由此可知H 0的接受区域是12aF-（n 1-1，n 2-1）≤F ≤F α/2（n 1-1，n 2-1）；而H 0的拒绝域为F ＜12a F-（n 1-1，n 2-1），或 F ＞F α/2（n 1-1，n 2-1）.然后，根据样本观察值计算统计量F 的观察值，若F 的观察值落在拒绝域中，则拒绝H 0，接受H 1；若F 的观察值落在接受域中，则接受H 0.图8-5例8.9 在例8.8中我们认为两个总体的方差σ12=σ22，它们是否真的相等呢？为此我们来检验假设H 0：σ12=σ22（给定α=0.1).解 这里n 1=n 2=10，s 12=0.00000956,s 22=0.00000489，于是统计量F 的观察值为F =0.00000956/0.00000489=1.95.查F 分布表得F α/2（n 1-1，n 2-1）=F 0.05(9,9)=3.18，F 1-α/2（n 1-1，n 2-1）=F 0.95(9,9)=1/F 0.05(9,9)=1/3.18.由样本观察值算出的F 满足F 0.95(9,9)=1/3.18＜F =1.95＜3.18=F 0.05(9,9).可见它不落入拒绝域，因此不能拒绝原假设H 0：σ12=σ22，从而认为两个总体的方差无显著差异.注意：在μ1与μ2已知时，要检验假设H 0：σ12=σ22，其检验方法类同均值未知的情况，此时所采用的检验统计量是：F =12211122121()1()n i i n i i X n Y n μμ==--∑∑~F （n 1，n 2）. 其拒绝域参看表8-4.表8-4(2) 单边检验可作类似的讨论，限于篇幅，这里不作介绍了.第四节总体分布函数的假设检验上两节中，我们在总体分布形式为已知的前提下，讨论了参数的检验问题.然而在实际问题中，有时不能确知总体服从什么类型的分布，此时就要根据样本来检验关于总体分布的χ检验法.假设.例如检验假设：“总体服从正态分布”等.本节仅介绍2χ检验法是在总体的分布为未知时，根据样本值x1，x2，…，x n来检验关于总体所谓2分布的假设H0：总体X的分布函数为F（x）；H1：总体X的分布函数不是F（x）（8.22）的一种方法（这里的备择假设H1可不必写出）.注意，若总体X为离散型，则假设（8.22）相当于H0：总体X的分布律为P{X=x i}=p i，i=1，2，…；（8.23）若总体X为连续型，则假设（8.22）相当于H0：总体X的概率密度为f（x）. （8.24）在用2χ检验法检验假设H 0时，若在假设H 0下F （x ）的形式已知，而其参数值未知，此时需先用极大似然估计法估计参数，然后再作检验.2χ检验法的基本思想与方法如下：(1) 将随机试验可能结果的全体Ω分为k 个互不相容的事件A 1，A 2，…，A k (1ki i A ==Ω，A i A j =∅，i ≠j ；i ,j =1,2,…,k ）,于是在H 0为真时，可以计算概率ˆi p =P (A i ）（i =1，2，…，k ）.（2） 寻找用于检验的统计量及相应的分布，在n 次试验中，事件A i 出现的频率if n与概率ˆi p往往有差异，但由大数定律可以知道，如果样本容量n 较大（一般要求n 至少为50，最好在100以上），在H 0成立条件下ˆii f p n-的值应该比较小，基于这种想法，皮尔逊使用 2χ=21ˆ()ˆki i i if npnp =-∑ (8.25) 作为检验H 0的统计量,并证明了如下的定理.定理8.1 若n 充分大(n ≥50),则当H 0为真时(不论H 0中的分布属什么分布),统计量(8.25)总是近似地服从自由度为k -r -1的2χ分布,其中r 是被估计的参数的个数.（3） 对于给定的检验水平α，查表确定临界值2(1)k r αχ--使P {2χ＞2(1)k r αχ--）}=α，从而得到H 0的拒绝域为2χ＞2(1)k r αχ--）.（4）由样本值x 1，x 2，…，x n 计算2χ的值，并与2(1)k r αχ--比较.（5） 作结论：若2χ＞2(1)k r αχ--，则拒绝H 0，即不能认为总体分布函数为F （x ）；否则接受H 0.例8.10 一本书的一页中印刷错误的个数X 是一个随机变量，现检查了一本书的100页，记录每页中印刷错误的个数，其结果如表8-5所示.i =0.05)?解 由题意首先提出假设：H 0：总体X 服从泊松分布.P {X =i }=!e ii λλ-，i =0，1，2，…，这里H 0中参数λ为未知，所以需先来估计参数.由最大似然估计法得03614061ˆ+70100x λ⨯+⨯++⨯⨯===1.将试验结果的全体分为A 0，A 1，…，A 7两两不相容的事件.若H 0为真，则P {X =i }有估计111ˆˆ{}!!e e i p P X i i i --====，i =0，1，2，….例如10ˆˆ{0},e pP X -=== 11ˆˆ{1},e pP X -=== 12ˆˆ{2},2e pP X -=== ………………166701ˆˆˆ{7}11.!e i i i pP X p i -===≥=-=-∑∑ 计算结果如表8-6所示.将其中有些np i ＜5的组予以适当合并，使新的每一组内有np i ≥5，如表8-6所示，此处并组后k =4，但因在计算概率时，估计了一个未知参数λ，故24221ˆ()~(411).ˆi i i i f npnp χχ=-=--∑计算结果为2χ=1.460(表8-6).因为220.05(411)(2)αχχ--==5.991＞1.46，所以在显著性水平为0.05下接受H 0，即认为总体服从泊松分布. 表8-68-7）.n =61ii f=∑=200.要求在给定的检验水平α=0.05下检验假设H 0：抗压强度X ~N （μ，σ2）.解 原假设所定的正态分布的参数是未知的，我们需先求μ与σ的极大似然估计值.由第七章知，μ与σ2的极大似然估计值为ˆx μ=， 2211ˆ()ni i x x n σ==-∑. 设*i x 为第i 组的组中值，我们有*1195102052624514200i ii x x f n ⨯+⨯++⨯==∑=221,{}2*222211ˆ()(26)10(16)262414200i ii x x f n σ=-=-⨯+-⨯++⨯∑=152,ˆσ=12.33. 原假设H 0改写成X 是正态N （221，12.332)分布，计算每个区间的理论概率值{}11ˆ()()i i i i i pP a X a μμΦΦ--=≤<=-, i =1，2，…，6, 其中ˆi i a xμσ-=, 22()i t i t μμ--∞=e d Φ. 为了计算出统计量2χ之值，我们把需要进行的计算列表如下（表8-8）.表8-8从上面计算得出2χ的观察值为1.35.在检验水平α=0.05下，查自由度m =6-2-1=3的2χ分布表，得到临界值20.05(3)χ=7.815.由于2χ=1.35＜7.815=20.05(3)χ，不能拒绝原假设，所以认为混凝土制件的抗压强度的分布是正态分布N （221，152）.小 结有关总体分布的未知参数或未知分布形式的种种论断叫做统计假设.一般统计假设分为原假设H 0（在实际问题中至关重要的假设）及与原假设H 0对立假设即是备择假设H 1.假设检验就是人们根据样本提供的信息作出“接受H 0、拒绝H 1”或“拒绝H 0、接受H 1”的判断.假设检验的思想是小概率原理，即小概率事件在一次试验中几乎不会发生.这种原理是人们处理实际问题中公认的原则.由于样本的随机性，当H 0为真时，我们可能会作出拒绝H 0、接受H 1的错误判断（弃当样本容量n 固定时，我们无法同时控制犯二类错误，即减小犯第一类错误的概率，就会增大犯第二类错误的概率，反之亦然.在假设检验中我们主要控制（减小）犯第一类错误的概率.使P {拒绝H 0|H 0为真}≤α，其中α很小.(0<α<1)，α称为检验的显著性水平，这种只对犯第一类错误的概率加以控制而不考虑犯第二类错误的概率的检验称为显著性假设检验.单个、两个正态总体的均值、方差的假设检验是本章重点问题，读者需掌握Z 检验法、2χ检验法、t 检验法等.这些检验法中原假设H 0备择假设H 1及H 0的拒绝域分别见表8-2、表8-4.重要术语及主题原假设 备择假设 检验统计量 单边检验 双边检验 显著性水平 拒绝域 显著性检验 一个正态总体的参数的检验 两个正态总体均值差、方差比的检验 总体分布函数的假设检验习 题 八1. 已知某炼铁厂的铁水含碳量在正常情况下服从正态分布N (4.55,0.1082).现在测了5炉铁水，其含碳量（%）分别为4.28 4.40 4.42 4.35 4.37问若标准差不改变，总体平均值有无显著性变化（α=0.05)? 2.某种矿砂的5个样品中的含镍量（%）经测定为：3.24 3.26 3.24 3.27 3.25设含镍量服从正态分布，问在α=0.01下能否接收假设：这批矿砂的含镍量为3.25. 3.在正常状态下，某种牌子的香烟一支平均1.1克，若从这种香烟堆中任取36支作为样本；测得样本均值为1.008（克），样本方差s 2=0.1(克2).问这堆香烟是否处于正常状态.已知香烟（支）的重量（克）近似服从正态分布（取α=0.05).4.某公司宣称由他们生产的某种型号的电池其平均寿命为21.5小时，标准差为2.9小时.在实验室测试了该公司生产的6只电池，得到它们的寿命（以小时计）为19，18，20，22，16，25，问这些结果是否表明这种电池的平均寿命比该公司宣称的平均寿命要短？设电池寿命近似地服从正态分布（取α=0.05).5.测量某种溶液中的水分，从它的10个测定值得出x =0.452(%),s =0.037(%).设测定值总体为正态，μ为总体均值，σ为总体标准差，试在水平α=0.05下检验. （1） H 0：μ=0.5(%)；H 1：μ＜0.5(%).（2）0H '：σ=0.04(%)；1H '：σ＜0.04(%). 6.某种导线的电阻服从正态分布N （μ，0.0052).今从新生产的一批导线中抽取9根，测其电阻，得s =0.008欧.对于α=0.05，能否认为这批导线电阻的标准差仍为0.005? 7.有两批棉纱，为比较其断裂强度，从中各取一个样本，测试得到： 第一批棉纱样本：n 1=200，x =0.532kg, s 1=0.218kg ； 第二批棉纱样本：n 2=200，x =0.57kg, s 2=0.176kg .设两强度总体服从正态分布，方差未知但相等，两批强度均值有无显著差异？（α=0.05） 8.两位化验员A ，B 对一种矿砂的含铁量各自独立地用同一方法做了5次分析，得到样本方差分别为0.4322(%2)与0.5006(%2).若A ，B 所得的测定值的总体都是正态分布，其方差分别为σA 2，σB 2，试在水平α=0.05下检验方差齐性的假设H 0：σA 2=σB 2； H 1：σA 2≠σB 2.9.在π的前800位小数的数字中，0，1，…，9相应的出现了74，92，83，79，80，73，77，75，76，91次.试用2χ检验法检验假设H 0：P （X =0）=P （X =1）=P （X =2）=…=P （X =9）=1/10，其中X 为π的小数中所出现的数字，α=0.10.10.在一副扑克牌（52张）中任意抽3张，记录3张牌中含红桃的张数，放回，然后再任抽。
现代心理与教育统计学 第八章-假设检验(张厚粲)
第一节 假设检验的原理
在统计学中，通过样本统计量得出的差异做出一般性 结论，判断总体参数之间是否存在差异，这种推论过 程称作假设检验（hypothesis testing）
假设检验分为参数检验和非参数检验。前者指的是总 体分布已知，需要对总体的未知参数做假设检验。后 者指的是总体分布知之甚少，对总体的函数形式和特 征进行假设检验。
这里取＝0.05，因为是Z检验，所以临界值是-1.96
4. 利用显著性水平，建立拒绝H0的规则
0.05时, Z 2 Z0.025 1.96,
接受假设的区域为 : Z 1.96, 拒绝区域为 : 或Z 1.96,或Z 1.96
拒绝H0
0.025
拒绝H0
正解：
1、提出零假设和备择假设 备择假设：用H1表示，即研究假设，希望证实的假设。 H1 ： 1 0 （该班智力水平确实与常模有差异） 1100 零假设：用H0表示，即虚无假设、原假设、无差异假 设。 H0： 1＝0 1 ＝100
2、确定适当的检验统计量
用于假设检验问题的统计量称为检验统计量。与参数 估计相同，需要考虑：
Ⅱ型错误
α错误 正确
β 错误
（二）两类错误的关系
1. ＋ ≠ 1 原因：与是两个前提下的概率。 即是拒绝原假设H0时犯错误的概率，这时前提是
H0为真； 是接受原假设H0时犯错误的概率，这时前提是H0
为伪。
H0为真， 即 μ 0=μ 1 的分布
＋ ≠ 1
H1为真， 即 μ 0≠μ 1 的分布
总体是否正态分布； 大样本还是小样本； 总体方差已知还是未知。
Z＝
X－0 0
n
本例中总体正态，样本容量大于等于30，检验统计量 为Z分布。
[课件]浙大概率论与数理统计_第八章假设检验PPT
![[课件]浙大概率论与数理统计_第八章假设检验PPT](https://img.taocdn.com/s3/m/c1cc075c5acfa1c7aa00cca3.png)
原则：保护原假设，即限制的前提下，使尽可能的小。
第二节 正态总体均值的假设检验
单个正态总体的均值检验
两个正态总体的均值检验
一、单个正态总体的均值检验 U检验法 1、方差已知 问题：总体 X~N（，2），2已知 假设 H0：=0；H1：≠0 双边检验
X 0 构造U统计量 U ~ N(0,1) H0为真的前提下 n X 0 由 P u 确定拒绝域 U u 2 2 n x 0 如果统计量的观测值 U u 2 n
则拒绝原假设；否则接受原假设
例1 由经验知某零件的重量X~N（，2），=15， =0.05；技术革新后，抽出6个零件，测得重量为 （单位：克）14.7 15.1 14.8 15.0 15.2 14.6，已 知方差不变，试统计推断，平均重量是否仍为15克？ （=0.05）
解 由题意可知：零件重量X~N（，2），且技术 革新前后的方差不变2=0.052，要求对均值进行 检验，采用U检验法。 假设 H0：=15； H1： ≠15
则拒绝原假设；否则接受原假设
例2 化工厂用自动包装机包装化肥，每包重量服从正态 分布，额定重量为100公斤。某日开工后，为了确定包 装机这天的工作是否正常，随机抽取9袋化肥，称得平 均重量为99.978，均方差为1.212，能否认为这天的包 装机工作正常？（=0.1） 解 由题意可知：化肥重量X~N（，2），0=100 方差未知，要求对均值进行检验，采用T检验法。 假设 H0：=100； H1： ≠100
总体分布已 知，检验关 于未知参数 的某个假设
总体分布未知时的假设检验问题
二、基本原理
假设检验原理
假设检验所以可行，其理论背景为实际推断原理， 即“小概率原理”
第八章假设检验
/ n
2 .21 .96
拒绝原假设，认为这批袋装糖果不合格
假设检验的一般步骤： （1）、根据问题要求提出假设，原假设H0、备择 假设H1 (2)、写出检验统计量
(3)、写出拒绝域
(4)、由样本值算出检验统计量的值，看其是否 在拒绝域中
(5)、做出判断，是否接受原假设
2. 关于均值的假设检验， 2未知
查表u/2, 计算
n
u / 2}
| x 0 |
/ n
/ n
u / 2}
| x 0 |
若其大于u/2，拒绝原假设。否则，接受原假设。
例2 生产流水线上的袋装糖果的重量服从正态分 布N(, 0.0152) . 按规定袋装糖果的重量的均值应 为0.5（克）。一批袋装糖果出厂前进行抽样检查， 抽查了9袋，重量分别为： 0.497 0.506 0.518 0.498 0.511 0.520 0.515 0.512 问这一批袋装糖果是否合格？ (显著水平=0.05）
解：
H0： =0 =0.5
H1： ≠ 0= 0.5
X 0 H0成立时检验统计量为 U ~ N(0,1) n
|x | 0 拒绝域为 W {( x ,..., x ) : u } 1 n / 2 / n
查表得u0.025=1.96, 计算得
| x 0|
由此
C t ( n 1 ) /2
拒绝域为
|x | 0 W {( x ,..., x ) : t ( n 1 )} 1 n / 2 S /n
查表t/2(n-1), 计算
| x 0 | S/ n
若其大于t/2(n-1) ，拒绝原假设。 否则，接受原假设。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2 0.05
(1)
=3.841
由于统计量 2的实测值
=2 0.4158<3.841，
未落入否定域.
故认为试验结果符合孟德尔的3:1理论.
这些试验及其它一些试验，都显 示孟德尔的3: 1理论与实际是符合的. 这本身就是统计方法在科学中的一项 重要应用.
用于客观地评价理论上的某个结论是否 与观察结果相符，以作为该理论是否站 得住脚的印证.
Σ
fi
pˆ i
npˆ i
50 0.2788 45.1656
npˆ i fi (npˆi fi )2 / npˆi
-4.8344 0.5175
31 0.2196 35.5752
ቤተ መጻሕፍቲ ባይዱ
4.5752 0.5884
26 0.1527 24.7374
-1.2626 0.0644
17 0.1062 17.2044
按 =0.05，自由度为4-1-1=2查 2 分布表得
2 0.05
(2)=5.991
由于统计量 2 的实测值
2=2.43<5.991，
未落入否定域.
故认为每年发生战争的次数X服从 参数为0.69的泊松分布.
例2. 我们以遗传学上的一项伟大发现为 例说明统计方法在研究自然界和人类社会的规 律性时，是起着积极的、主动的作用.
第八章 假设检验(续)
§4. 分布拟合检验
在前面的课程中，我们已经了解了假 设检验的基本思想，并讨论了当总体分布为 正态时，关于其中未知参数的假设检验问 题.
然而可能遇到这样的情形，总体服从何 种理论分布并不知道，要求我们直接对总体 分布提出一个假设 .
例1. 从1500到1931年的432年间，每年 爆发战争的次数可以看作一个随机变量，椐统 计,这432年间共爆发了299次战争, 数据如下:
在用2检验法 检验假设H0时，若在H0下 分布类型已知，但其参数未知，这时需要先 用极大似然估计法估计参数，然后作检验.
分布拟合的 2检验法 的基本原理和步 骤如下:
1. 将总体X的取值范围分成k个互不重迭的小 区间,记作A1, A2, …, Ak .
2.把落入第i个小区间Ai的样本值的个数记 作fi ， 称为实测频数. 所有实测频数之和 f1+ f2+ …+ fk等于样本容量n.
0.2044 0.0024
10 0.0739 11.9718
1.9718 0.3248
8 0.0514 8.3268
0.3268 0.0126
6 0.0358 5.7996
-0.2004 0.0069
6 0.0248 4.0176 13.2192 -0.7808 0.0461 8 0.0568 9.2016
i 1
npi
是k个近似正态的变量的平方和.
这些变量之间存在着一个制约关系：
k pi ( fi npi ) 0
i 1
npi
故统计量 2渐近(k-1)个自由度的 2分布.
在F(x)尚未完全给定的情况下，每个未知 参数用相应的估计量代替，就相当于增加一个 制约条件，因此，自由度也随之减少一个.
若有r个未知参数需用相应的估计量来 代替，自由度就减少r个.
设，否则就认为差异不显著而接受原假设.
皮尔逊定理是在n无限增大时推导出来 的，因而在使用时要注意n要足够大，以及 npi 不太小这两个条件.
根据计算实践，要求n不小于50，以 及npi 都不小于 5. 否则应适当合并区间， 使npi满足这个要求 .
让我们回到开始的一个例子，检验每
年爆发战争次数分布是否服从泊松分布.
检验孟德尔的3:1理论: 提出假设H0: p1=3/4, p2=1/4 这里，n=70+27=97, k=2, 理论频数为： np1=72.75, np2=24.25 实测频数为70，27.
自由度为
统计量 2 2 ( fi npi )2 ~ 2 (1)
i 1
npi
k-1=1
按 =0.05，自由度为1，查 2 分布表得
8
而pˆ9 Pˆ( A9 ) 1 Pˆ( Ai ) 0.0568 i 1
于是可以得到下面的表：
i [ai,ai+1) 1 [0,4.5) 2 [4.5,9.5) 3 [9.5,14.5) 4 [14.5,19.5) 5 [19.5,24.5) 6 [24.5,29.5) 7 [29.5,34.5) 8 [34.5,39.5) 9 [39.5,+∞)
相应的估计量来代替，那么当 n 时，
统计量 2
分布.
的分布渐近 (k-r-1)个自由度的 2
为了便于理解，我们对定理作一 点直观的说明.
在理论分布F(x)完全给定的情况下，每个pi 都是确定的常数. 由棣莫佛－拉普拉斯中心极
限定理，当n充分大时，实测频数 fi 渐近正态，
因此
2 k ( fi npi )2
战争次数X 发生 X次战争的年数
0
223
1
142
2
48
3
15
4
4
在概率论中，大家对泊松分布产生的一 般条件已有所了解，容易想到，每年爆发战 争的次数，可以用一个泊松随机变量来近似 描述 . 也就是说，我们可以假设每年爆发战 争次数分布X近似泊松分布.
现在的问题是：
上面的数据能否证实X 具有 泊松分布的假设是正确的？
此时统计量 2渐近(k-r-1)个自由度的 2分布.
根据这个定理，对给定的显著性水平 ，
查 2分布表可得临界值 2 ，使得
P(
2
2
)
得拒绝域:
2
2
(k
1)
(不需估计参数)
2 2 (k r 1) (估计r 个参数)
如果根据所给的样本值 X1,X2, …,Xn算得
统计量 2的实测值落入拒绝域，则拒绝原假
奥地利生物学家孟德尔进行了长 达八年之久的豌豆杂交试验, 并根据 试验结果,运用他的数理知识, 发现了 遗传的基本规律.
孟德尔
…
黄色纯系
… 子一代 绿色纯系
子二代
根据他的理论，子二代中, 黄、绿之 比 近似为3:他1，的一组观察结果为：
黄70，绿27 近似为2.59:1，与理论值相近.
由于随机性，观察结果与 3:1 总有些差 距，因此有必要去考察某一大小的差异是否 已构成否定3:1理论的充分根据，这就是如 下的检验问题.
实测频数
0.58 0.31 0.18 0.01
0npˆ.ipˆ0i2 216.7 149.5 51.6 12.0
( fi n2p.1i )62 0.18
npi
3
0.37 6
0.251
14.16 1.623
2.43
将n pˆ i <5的组予以合并，即将发生3次及4次
战争的组归并为一组.
因H0所假设的理论分布中有一个未知 参数，故自由度为4-1-1=2.
提出假设H0: X服从参数为 的泊松分布
根据观察结果，得参数 的极大似然估计为
ˆ X =0.69
按参数为0.69的泊松分布，计算事件X=i 的 概率pi ，pi的估计是
pˆi e0.69 0.69i i !，i=0,1,2,3,4
将有关计算结果列表如下:
战争次数
fi 4
223
142 48 15
又如，某钟表厂对生产的钟进行精确性检查， 抽取100个钟作试验，拨准后隔24小时以后 进行检查，将每个钟的误差（快或慢）按秒 记录下来.
问该厂生产的钟的误差是否服从正态 分布？
解决这类问题的工具是英国统计学家 K.皮尔逊在1900年发表的一篇文章中引进
的所谓 2 检验法.
这是一项很重要的工作，不少人 把它视为近代统计学的开端.
6
6 8(1)
解：本例是检验假设
H0 :X的概率密度为
f
(
x
)
1
e
x
/
,
x
0
此处的参数θ未知，先利用极大似然估计求0出, θ的估计x为 0
将总体X可能取值的区间[0，∞)分为9个互不重叠的子区间 i=1,2,…,9。若为真，则X的分布函数是
ˆL 2231 /162 13.77
[ai ,ai1 ], 令 Ai {ai X ai1 },
Fˆ 0
(
x
)
1 0,
e
x
/
13.77
,
x0 x0
由此式得概率pi = P(Ai )的估计：
pˆi Pˆ ( Ai ) Pˆ ({ai X ai1} Fˆ0 (ai1) Fˆ0 (ai ) 例如: pˆ 2 Fˆ0 (a21) Fˆ0 (a2 ) Fˆ0 (9.5) Fˆ0 (4.5) 0.2196
一分公司 二分公司 三分公司 四分公司 合计
赞成该方案 68
75
57
79 279
反对该方案 32
75
33
31 141
合计
100 120
90
110 420
列边缘分布:列观察值的合计数的分布
别 4. 每种组合的观察频数用 fij 表示 5. 表中列出了行变量和列变量的所有可能的组
合 6. 一个 r 行 c 列的列联表称为 r c 列联表
列联表的结构
(2 2 列联表)
列(cj) 行 (ri)
i =1
i =2 合计
列( cj )
j =1
j =1
f11 f21 f11+ f21
f12 f22 f12+ f22
列联表分析 列联表的构造
列联表
(例题分析)
【例】一个集团公司在四个不同的地区设有分公司，现该集 团公司欲进行一项改革，此项改革可能涉及到各分公司的利 益，故采用抽样调查方式，从四个分公司共抽取420个样本 单位(人)，了解职工对此项改革的看法，调查结果如下表