数理统计 第三章 假设检验
数理统计中的假设检验

数理统计中的假设检验随着科学技术的发展,数据分析逐渐成为了各个科学领域不可或缺的一部分。
在统计学中,假设检验是一种用于判断参数或统计量是否足够显著的方法。
本文将从假设检验的概念和原理,假设检验中的一些重要指标,以及假设检验的实际应用几个方面介绍假设检验。
一、概念和原理假设检验首先需要设定假设。
在统计学中,我们常常需要对某个特定的问题提出一个假设,然后通过数理统计学的方法来验证这个假设。
一般地,我们将这个问题称为原假设,记作H0;在原假设的基础上进行补充、否认等操作,得到的新假设称为备择假设,记作H1。
假设检验的具体步骤如下:首先,我们需要对一个随机样本进行抽样,然后对样本的统计量进行计算。
接着,在已知总体的某些参数的情况下,设定原假设H0和备择假设H1,并选定显著性水平α,然后计算一些统计量,例如t统计量、F统计量、χ2统计量等。
接下来,我们比较这些统计量和一些理论上的阈值,根据比较结果,判断样本数据是否拒绝原假设H0。
具体来说,如果我们计算出来的统计量小于或等于某个理论上的阈值,那么我们就会接受原假设H0;如果统计量大于这个阈值,那么我们就拒绝原假设H0,并接受备择假设H1。
正如上述步骤中所提到的,统计量的计算和结果的判断是假设检验的核心。
在不同的问题和场景下,统计量和结果的判断原则也不尽相同。
二、假设检验中的重要指标在假设检验中,我们需要选择适当的统计量来作为判断依据。
在不同的问题和场景中,我们会使用不同的统计量。
下面,我们来介绍一下假设检验中一些重要的统计量。
1. t统计量t统计量是由样本均值与总体均值之间的偏离程度计算而来的。
它的计算方式为:t统计量=(样本均值-总体均值)/(标准误)其中,标准误指的是样本均值的标准差。
t统计量符合t分布,自由度为样本量-1。
2. Z统计量Z统计量是由样本均值与总体均值之间的偏离程度计算而来的。
它的计算方式为:Z统计量=(样本均值-总体均值)/(标准差/样本量开方)其中,标准差指的是总体的标准差。
概率论与数理统计课件:假设检验

假设检验
首页 返回 退出
五、假设检验的两类错误
由于样本具有随机性,因此,当我们利用样本判断时, 可能会犯两类错误:
所作决策
真实情况
(未知)
样本未落入拒绝域 样本落入拒绝域
接受H0
拒绝H0
H0为真
正确
第一类错误
H0不真
第二类错误
正确
第一类(弃真): 第二类(取伪):
假设检验
P{拒绝H0|H0为真}= , P{接受H0|H0不真}= .
(α=0.05)
解:正态总体X~N(μ,σ2),已知σ=2
要检验的假设为
H0 : 40, H1 : 40
选择检验统计量
Z X 0 ~ N (0,1) / n
假设检验
首页 返回 退出
解:正态总体X~N(μ,σ2),已知σ=2
要检验的假设为
H0 : 40, H1 : 40
选择检验统计量
由样本数据计算,得 x 100.104 计算统计量Z的观测值,得
Z 100.104 100 0.658 1.96 0.5 / 10
没有落入 拒绝域
结论:不拒绝原假设,认为内径的值符合设计要求.
假设检验
首页 返回 退出
要检验的假设为
H0 : 100, H1 : 100
(2)未知σ2 ,选择检验统计量
没有落入 拒绝域
结论:不拒绝原假设,认为内径的值符合设计要求.
假设检验
首页 返回 退出
例2 某厂生产的固体燃料推进器的燃烧率服从正态分 布X~N(40,22),现在采用技术研发部设计的新方法 生产了一批推进器,随机测试25只,测得燃烧率的 样本均值为 x 41.25 ,假设在新方法下σ=2,问用 新方法生产的推进器的燃烧率是否有显著的提高?
概率论与数理统计-假设检验

14
若
取伪的概率较大.
15
/2
0.12 0.1
0.08 0.06 0.04 0.02
/2 H0 真
60 62.5 65 67.5 70 72.5 75
0.12 0.1
0.08 0.06 0.04 0.02
H0 不真
67.5 70 72.5 75 77.5 80 82.5
16
现增大样本容量,取n = 64, = 66,则
41
两个正态总体
设 X ~ N ( 1 1 2 ), Y ~ N ( 2 2 2 )
两样本 X , Y 相互独立, 样本 (X1, X2 ,…, Xn ), ( Y1, Y2 ,…, Ym ) 样本值 ( x1, x2 ,…, xn ), ( y1, y2 ,…, ym )
显著性水平
42
(1) 关于均值差 1 – 2 的检验
原假设 备择假设 检验统计量及其在
H0
H1
H0为真时的分布拒绝域 Nhomakorabea1 – 2 = 1 – 2
1 – 2 1 – 2 <
1 – 2 1 – 2 > ( 12,22 已知)
43
原假设 备择假设 检验统计量及其在
H0
H1
H0为真时的分布
1 – 2 = 1 – 2
拒绝域
1 – 2 1 – 2 <
1 – 2 1 – 2 >
12, 22未知
12
=
2 2
其中
44
(2)
关于方差比
2 1
/
2 2
的检验
原假设 备择假设 检验统计量及其在
H0
H1
H0为真时的分布
第三章假设检验

《数理统计》试题库假设检验1设2521,,,ξξξ 取自正态母体)9,(μN 其中μ为未知参数,ξ为子样均值,对检验问题0100:,:μμμμ≠=H H 取检验的拒绝域:{}c x x x C ≥-=0251:)(μ , 试决定常数c 使检验的显著性水平为0.05.解:因为),,(9N ~μξ所以),(259N ~μξ 在0H 成立下, ,05.03512C 3553P C P 000=⎥⎦⎤⎢⎣⎡⎪⎭⎫ ⎝⎛Φ-=⎪⎪⎪⎭⎫⎝⎛≥-=≥-C μξμξ)( 96.135,975.035==⎪⎭⎫⎝⎛ΦC C , 所以 C=1.176. 2.设子样),,(1n ξξ 取自正态母体2020),,(σσμN 已知,对检验假设0100:,:μμμμ>=H H 的问题,取临界域{}01:)(c x x x C n ≥= .(i )求此检验犯第一类错误的概率α,犯第二类错误的概率β,并讨论它们之间的关系.(ii )设9,05.0,04.0,5.0200====n ασμ,求65.0=μ时不犯第二类错误的概率.解: (i).在0H 成立下, ),(nN ~200σμξ()⎪⎪⎭⎫⎝⎛-≥-=≥=n C n P C P 0000000σμσμξξα, 0100100μμσμσμαα+=∴=-∴--nC n C其中αμ-1是N (0,1)分布的α-1分位点。
在H 1成立下,),(nN ~20σμξ,()⎪⎪⎭⎫⎝⎛-<-=<=n C n P C P 00011σμσμξξβ =⎪⎪⎭⎫⎝⎛--Φ=⎪⎪⎪⎪⎭⎫⎝⎛-+Φ=⎪⎪⎭⎫ ⎝⎛-Φ--n n n n C 001001000σμμμσμμμσσμαα 当α增加时,αμ-1减少,从而β减少;反之当α减少时,将导致β增加。
(ii )不犯第二类错误的概率为1-β。
⎪⎭⎫ ⎝⎛⨯--Φ-=⎪⎪⎭⎫ ⎝⎛--Φ-=--32.05.065.011105.0001μσμμμβαn =()()().7274.0605.0605.0125.2645.11=Φ=-Φ-=-Φ-3.设一个单一观测的子样ξ取自密度函数为f(x)的母体,对f(x)考虑统计假设:⎩⎨⎧≤≤=≤≤⎩⎨⎧=其它)(:其它10021001)(:1100x x x f H x x f H 试求一个检验函数使犯第一,二类错误的概率满足min 2=+βα,并求其最小值。
高等数理统计假设检验

1概率分布
2似然比 率密度族
与 是不同的;
(x) p(x;2) p(x;1)
是1 T 2x的单调函数;则称概
p(x;)c()exp{Q()T(x关)}h(于x)Tx具有单调似然比
MLRmontone likeli hood ratio
如单数指数型分布族
(T ( x))
1
r
0
T ( x) c T ( x) c
上两个不同的
概率测度;关于某个 有限的测度 E0(;X)有
H0:0, H 1:1
设原假设和备择假设分别为:
(x) 0 1
p(x;1)kp(x;0) p(x;1)kp(x;0)
则
1对给定的水平 使得
存在一个检验函数
(x)
p( x;1 ) p(x;0 )
(x) 01
(x)k (x)k
及 (常x )数k;
所以在很多情况下;对于一个复合假设的检验 问题;UMPT不存在 所以必须找出构造检验法 不管是简单假设还是复合假设的一般方法
人们提出了似然比检验方法
似然比检验
设X=X1; X2; …; Xn 的分布密度函数是px;θ;对于 简单假设:
(x) 0 1
p(x;1)kp(x;0) p(x;1)kp(x;0)
由常识得知;如果这个实验是随机的;则不大可 能出出太多的1或0的游程
P(R r)
原假设成立时;算出 或 n,mnr 以做检验了
的值;也就可 P(Rc1)及P(Rc2)
在m或n不大时;可直接计算得出
ZR2m/(1r) N(0,1 ) 4rm/(1r)3
而当样本很大时;即 下
时;在零假设 2m n z 2m n z
定义似然检验比函数
数理统计 CH3假设检验

例4.2 某电话交换台,在100分钟内记录了每分钟被呼
叫次数xi , 整理后结果如下 (ni 是出现xi 值的次数) xi ni 0 0 1 7 2 3 4 5 6 12 18 17 30 13 7 6 8 3 9 4
问:是否可以认为X 服从 Poisson 分布? xi
pi0 npi0 ni
0
0.013
2)求各组上的理论概率pi0及理论频数npi0:
pi0=P{bi-1<X≤bi}=F0(bi)-F0(bi-1)
3)计算统计量:
2 i 1
k
n np
i i0
2
npi0
4)判断:若 2 12 k 1 ,则拒绝H0:F(x)=F0(x). 注:若F0(x)中有r个待估参数,则首先估计参数。 最后判断时,统计量的自由度降低r。
§2 正态总体参数的检验
例2.6某实验室采集到12块岩石样品,用两台光谱仪分 别测得岩石内含镉量如下(单位‰):
样品号: 1 2 3 4 5 6 7 8 9 10 11 12 甲仪器:3.1 0.6 8.4 2.5 4.1 3.7 3.1 2.8 3.2 4.4 4.6 2.9 乙仪器:3.0 0.7 8.0 2.2 3.9 3.5 3.0 2.6 3.1 4.4 4.6 2.6
数及有关性质进行判断。
非参数检验:总体分布的类型部分或全部未知,检验
的目的是作出一般性的推断,如分布的类型,两变量
是否独立,分布是否相同等。
§1 假设检验的基本概念
例1 某车间用一台包装机包装葡萄糖,包得的袋装糖
重是一个随机变量,服从正态分布(σ=2 (克))。 当机器正常时,其均值为500克。在装好的葡萄糖中 任取一袋,测得糖重为508克,问包装量的均值是500 克吗?若测得的糖重是498克,能否认为包装量的均
研究生数理统计第三章习题答案

习 题 三1.正常情况下,某炼铁炉的铁水含碳量()24.55,0.108XN .现在测试了5炉铁水,其含碳量分别为4.28,4.40,4.42,4.35,4.37.如果方差没有改变,问总体的均值有无显著变化?如果均值没有改变,问总体方差是否有显著变化()0.05α=? 解 由题意知,()24.55,0.108XN ,5n =,511 4.3645i i x x ===∑,0.05α=,()5220110.095265i i s x μ==-=∑.1)当00.108σ=时,①设统计假设0010: 4.55,: 4.55H H μμμμ==≠=. ②当0.05α=时,0.975121.96uu α-==,临界值121.960.0947c α-===, 拒绝域为000{}{0.0947}K x c x μμ=->=->.③004.364 4.550.186x K μ-=-=∈,所以拒绝0H ,接受1H ,即认为当方差没有改变时,总体的均值有显著变化.2)当0 4.55μ=时,①设统计假设2222220010:0.108,:0.108H H σσσσ==≠=. ②当0.05α=时,临界值()()()()222210.02520.975122111150.1662,5 2.566655c n c n n n ααχχχχ-======, 拒绝域为222202122220000{}{2.56660.1662}ssssK c c σσσσ=><=><或或.③202200.095268.16700.108sK σ==∈,所以拒绝0H ,接受1H ,即均值没有改变时,总体方差有显著变化.2.一种电子元件,要求其寿命不得低于1000h .现抽取25件,得其均值950x h =.该种元件寿命()2,100XN μ,问这批元件是否合格()0.05α=?解 由题意知,()2,100XN μ,25n =,950x =,0.05α=,0100σ=.①设统计假设0010:1000,:1000H H μμμμ≥=<=. ②当0.05α=时,0.05 1.65u u α==-,临界值()1.6533c α==-=-, 拒绝域为000{}{33}K x c x μμ=-<=-<-.③00950100050x K μ-=-=-∈,所以拒绝0H ,接受1H ,即认为这批元件不合格. 3.某食品厂用自动装罐机装罐头食品,每罐标准质量为500g ,现从某天生产的罐头中随机抽测9罐,其质量分别为510,505,498,503,492,502,497,506,495〔单位:g1)机器工作是否正常()0.05α=?2)能否认为这批罐头质量的方差为25.5()0.05α=?解 设X 表示用自动装罐机装罐头食品每罐的质量〔单位:g 〕.由题意知()2500,XN σ,方差2σ未知. 9n =,911500.88899i i x x ===∑,0.05α=,()()222111133.6111118nni i i i s x x x x n ===-=-=-∑∑,()52201130.66679i i s x μ==-=∑1)①设统计假设0010:500,:500H H μμμμ==≠=.②()()0.9751218 2.306tn t α--==,临界值()121 2.306 4.4564c n α-=-==,拒绝域为000{}{ 4.4564}K x c x μμ=->=->.③00500.88895000.8889x K μ-=-=∉,所以接受0H ,拒绝1H ,即认为机器工作正常.2)当0500μ=时,①设统计假设2222220010: 5.5,: 5.5H H σσσσ==≠=. ②当0.05α=时,临界值()()()()222210.02520.975122111190.3,9 2.113399c n c n n n ααχχχχ-======,拒绝域为222202122220000{}{2.11330.3}ssssK c c σσσσ=><=><或或.③2022030.66671.013785.5sK σ==∉,所以接受0H ,拒绝1H ,即为这批罐头质量的方差为25.5.4.某部门对当前市场的鸡蛋价格情况进行调查,抽查某市20个集市上鸡蛋的平均售价为()3.399元/500克,标准差为()0.269元/500克.往年的平均售价一直稳定 ()3.25元/500克左右,问该市场当前的鸡蛋售价是否明显高于往年()0.05α=?解 由题意知,()23.25,XN σ,20n =, 3.399x =,0.05α=,0.269s =.①设统计假设0010: 3.25,: 3.25H H μμμμ≤=>=. ②当0.05α=时,()()10.95119 1.729t n t α--==,临界值()11 1.7290.1067c n α-=-==, 拒绝域为000{}{0.1067}K x c x μμ=->=->③003.399 3.250.149x K μ-=-=∈,所以拒绝0H ,接受1H ,即认为市场当前的鸡蛋售价是明显高于往年. 5.某厂生产的维尼纶纤度()2,0.048XN μ,某日抽测8根纤维,其纤度分别为1.32,1.41,1.55,1.36,1.40,,1.50,1.44,1.39,问这天生产的维尼纶纤度的方差2σ是否明显变大了()0.05α=? 解 由题意知()2,0.048XN μ,8n =,811 1.421258i i x x ===∑,0.05α=,()()22211110.0122118nni i i i s x x x x n ===-=-=-∑∑.①设统计假设2222220010:0.048,:0.048H H σσσσ==>=. ②当0.05α=时,临界值()()2210.951117 2.0117c n n αχχ-=-==-,拒绝域为2202200{}{ 2.01}s s K c σσ=>=>.③202200.012215.29950.048s K σ==∈,所以拒绝0H ,接受1H ,即这天生产的维尼纶纤度的方差2σ明显变大了.6.某种电子元件,要求平均寿命不得低于2000h ,标准差不得超过130h .现从一批该种元件中抽取25个,测得寿命均值为1950h ,标准差148s h =.设元件寿命服从正态分布。
应用数理统计作业题及参考答案(第三章)

第三章 假设检验P1313.2 一种元件,要求其使用寿命不得低于1000(小时)。
现在从一批这种元件中随机抽取25件,测得其寿命平均值为950(小时)。
已知该种元件寿命服从标准差100σ=(小时)的正态分布,试在显著水平0.05下确定这批元件是否合格。
解:本题需检验0H :0μμ≥,1H :0μμ<.元件寿命服从正态分布,0σ已知,∴当0H成立时,选取统计量X u μ-=,其拒绝域为{}V u u α=<.其中950X =,01000μ=,25n =,0100σ=.则 2.5u ==-.查表得0.05 1.645u =-,得0.05u u <,落在拒绝域中,拒绝0H ,即认为这批元件不合格。
3.3 某厂生产的某种钢索的断裂强度服从正态分布()2N μσ,,其中40σ=(kg / cm 2)。
现从一批这种钢索的容量为9的一个子样测得断裂强度平均值为X ,与以往正常生产时的μ相比,X 较μ大20(kg / cm 2)。
设总体方差不变,问在0.01α=下能否认为这批钢索质量有显著提高?解:本题需检验0H :0μμ=,1H :0μμ>.钢索的断裂强度服从正态分布,0σ已知,∴当0H成立时,选取统计量u =,其拒绝域为{}1V u u α-=>.其中040σ=,9n =,020X μ-=,0.01α=.则 1.5u ==.查表得10.990.01 2.33u u u u αα-==-=-=,得0.99u u <,未落在拒绝域中,接受0H ,即认为这批钢索质量没有显著提高。
3.5 测定某种溶液中的水分。
它的10个测定值给出0.452%X =,0.035%S =。
设总体为正态分布()2N μσ,,试在水平5%检验假设:(i )0H :0.5%μ>; 1H :0.5%μ<. (ii )0H :0.04%σ≥; 1H :0.04%σ<. 解:(i )总体服从正态分布,0σ未知,当0H成立时,选取统计量t =(){}1V t t n α=<-.查表得()()0.050.9599 1.8331t t =-=-.而()4.114 1.83311t t n α==-<-=-.落在拒绝域中,拒绝0H .(ii )总体服从正态分布,μ未知, 当0H 成立时,选取统计量222nSχσ=,其拒绝域为(){}221V n αχχ=<-.查表得()20.059 3.325χ=.而()()()2222100.035%7.65610.04%n αχχ⨯==>-.未落在拒绝域中,接受0H .3.6 使用A (电学法)与B (混合法)两种方法来研究冰的潜热,样品都是-0.72℃的冰块,下列数据是每克冰从-0.72℃变成0℃水的过程中的吸热量(卡 / 克):方法A :79.98,80.04,80.02,80.04,80.03,80.03,80.04,79.97,80.05,80.03,80.02,80.00,80.02方法B :80.02,79.94,79.97,79.98,79.97,80.03,79.95,79.97假定用每种方法测得的数据都服从正态分布,且它们的方差相等。
课件-数理统计与多元统计 第三章 假设检验 3.2构造检验统计量的似然比方法

( xi x)2
i 1
2
1
n
t2 2
n
1
其中 t x ,
s/ n
s2
1 n1
n i 1
( xi
x )2
由于( x1, x2 ,L , xn )是t的偶函数,且在t 0
时严格递增,故可取H0的拒绝域为
W (x1, x2,K , xn ) | |t | C
10
在原假设H0: 0为真时,已知
此似然函数L( )的值是在参数为真时,从样
本获得观察值x1, x2 ,L , xn的一种度量。
2
对于假设检验问题:
H0 : 0; H1 : 1 定义此检验问题的似然比函数:
sup L(; x1, x2 ,K , xn )
( x1,
x2 ,K
,
xn )
1
sup
L( ;
x1 ,
x2 ,K
,
xn )
0 n
n
sup f ( xi; )
f ( xi ;ˆ1 )
1 i1 n
i1 n
sup f ( xi; )
f ( xi ;ˆ0 )
0 i 1
i 1
3
其中ˆ0是限定参数空间0时的极大似然估计, ˆ1是限定参数空间1时的极大似然估计。
n
因此,
f
(
xi
;ˆ0
)是当H
真时,样本获得观测值
0
i 1
t X ~ t(n 1) S/ n
由P|t | t/2(n 1) 得临界值
C t /2 (n 1) 故得此似然比检验的拒绝域为:
W (x1, x2,K , xn ) | |t | t/2(n 1)
数理统计之假设检验

数理统计之假设检验概述在统计学中,假设检验是一种常用的统计推断方法,用于验证关于总体或总体参数的某个假设。
通过采集样本数据,计算统计量,并将其与理论上的期望值进行比较,我们可以对原假设是否成立进行推断。
本文将介绍假设检验的基本概念、步骤和常见假设检验方法。
基本概念原假设和备择假设在进行假设检验时,我们需要先提出原假设(null hypothesis,H0)和备择假设(alternative hypothesis,H1)。
原假设通常是我们希望通过统计推断得到支持的假设,而备择假设则是与原假设相反或者需要进一步验证的假设。
类型I错误和类型II错误在假设检验中,可能会犯两种类型的错误。
类型I错误是在原假设为真的情况下,拒绝了原假设的错误推断。
而类型II错误则是在备择假设为真的情况下,接受了原假设的错误推断。
通常我们会设定显著性水平(significance level),用于控制类型I错误的概率。
P值P值是指在原假设为真的情况下,观察到的统计量或更极端结果出现的概率。
当P值小于预设的显著性水平时,我们有足够的证据拒绝原假设。
P值越小,我们对原假设的拒绝程度越大。
假设检验步骤进行假设检验通常包括以下几个步骤:1.提出原假设和备择假设。
2.选择适当的假设检验方法。
3.采集样本数据,并计算统计量。
4.根据计算得到的统计量,计算P值。
5.将P值与预设的显著性水平进行比较。
6.根据比较结果,作出关于原假设的结论。
常见假设检验方法单样本t检验单样本t检验用于检验一个样本平均值是否与已知的总体平均值有显著差异。
在进行单样本t检验时,我们首先提出原假设,即样本平均值等于总体平均值。
然后采集样本数据,计算出样本平均值和标准误差,最后计算出t值和P值,判断样本平均值是否显著不同于总体平均值。
双样本t检验双样本t检验用于检验两个独立样本的平均值是否有显著差异。
在进行双样本t检验时,我们首先提出原假设,即两个样本的平均值相等。
数理统计第三章假设检验

2
0.0039 , n2 8
得
F0
0.0091 2.33 . 0.0039
因 F0 落入接受域中,故无显著差异。
17
3.基于成对数据的检验( t 检验) 为了比较两种产品或两种仪器,两种方法的差异。我们在相 同的条件下,作对比试验,得到一批成对观察值,然后观察数据 作出推断。这种方法称为逐对比较法。 eg.比较两种安眠药 A 和 B 的疗效。以 10 个患者为实验对象。 以 X 1 表示试验 A 后延长睡眠时间 X 2 表示服用 B 后延长的睡眠 时间。对每个患者各服两种药分别实验一次,数据如下: 患者
32.6 31.0
29.7 29.5
31.6 31.8
30.2 31.4
试问:这批砖的抗断强度的均值是否较以往生产的砖有显著提高?
统计量 T 的观察值为
T X 0 31.05 30 3.1032 S / n 1.07 / 10
所以,拒绝原假设,认为这批砖的抗断强度的均值较以 往生产的砖有显著提高
2 ) 经过一段长时间储存,则方差 有一批枪弹 ~ N( 0 , 0
与期望发生了变化? H: 0, 2 02 是否成立。然后利用子 样 x1 , x2 ,..., xn 所提供信息,检验假设是否正确。 思路依据,小概率原理。
3
假设检验初述 二类错误
假设检验就是指在母体上做某项假设,从母体中随机的抽 取一样,用它检验此项假设是否成立? 在母体上的假设可分为两类 a.对母体分布中的参数作某项假设,一般是对母体的数字 特征作一项假设,称参数假设检验。用母体中子样检验此项是 否成立? eg1.母体的平均数 0 (已知)是否成立,
2 2 0
e
《数理统计》第三章 假设检验

P328
P329
第三章 1.2 参数假设检验Parameter hypothesis testing
一个正态总体方差的假设检验
第三章 1.2 参数假设检验Parameter hypothesis testing
一个正态总体方差的假设检验
两个正态总体方差比的假设检验 两个正态总体方差比的假设检验 方差比
两个正态总体方差比的假设检验 两个正态总体方差比的假设检验 方差比
P393
P393
第三章 1.2 参数假设检验Parameter hypothesis testing
两个正态总体均值,方差的假设检验举例 两个正态总体均值,方差的假设检验举例
第三章 1.2 参数假设检验Parameter hypothesis testing
一个正态总体均值的假设检验( 检验 检验) 一个正态总体均值的假设检验(U检验)
第三章 1.2 参数假设检验Parameter hypothesis testing
一个正态总体均值的假设检验( 检验) 一个正态总体均值的假设检验(U检验)表示
两个正态总体均值差假设检验举例 两个正态总体均值差假设检验举例
第三章 1.2 参数假设检验Parameter hypothesis testing
两个正态总体均值差假设检验举例 两个正态总体均值差假设检验举例
两个正态总体方差比的假设检验
第三章 1.2 参数假设检验Parameter hypothesis testing
总体分布函数的假设检验
1.3 非参数假设检验(Non-Parameter hypothesis testing) 非参数假设检验 Parameter
数理统计中的假设检验方法

数理统计中的假设检验方法在数理统计中,假设检验方法是一种重要的统计推断方法,旨在通过对样本数据进行统计分析,对总体参数的假设进行验证。
本文将介绍假设检验的基本概念和步骤,并介绍几种常见的假设检验方法。
一、假设检验的基本概念和步骤假设检验是基于样本数据对总体参数进行推断的方法,其基本思想是通过假设检验来判断总体参数是否符合某种特定的假设。
例如,我们可以对一个总体的均值是否等于某个特定值进行假设检验。
假设检验的基本步骤如下:1. 建立原假设(H0)和备择假设(H1):原假设是我们要进行检验的假设,备择假设是原假设的对立假设。
例如,原假设可以是总体均值等于某个特定值,备择假设可以是总体均值不等于该特定值。
2. 选择适当的显著性水平(α):显著性水平是我们在进行假设检验时所允许的犯第一类错误的概率,通常取0.05或0.01。
3. 根据样本数据计算检验统计量:检验统计量是用来判断原假设是否成立的量,其选择取决于具体的假设检验方法。
4. 设置拒绝域:拒绝域是指当检验统计量的取值落入该域时,我们拒绝原假设。
拒绝域的划定依赖于显著性水平和假设检验方法。
5. 做出统计判断:根据对样本数据的分析以及检验统计量是否落入拒绝域,我们可以判断是否拒绝原假设。
6. 得出结论:根据统计判断,我们可以得出关于总体参数的统计结论,并对其进行解释。
二、常见的假设检验方法1. 单样本 t 检验:单样本t 检验用于判断一个样本的均值是否与某个已知的数值相等。
它常用于样本容量较小(小于30)且总体标准差未知的情况。
2. 独立样本 t 检验:独立样本 t 检验用于比较两个独立样本的均值是否相等。
它常用于独立样本间的均值差异的比较。
3. 配对样本 t 检验:配对样本 t 检验用于比较同一组样本在两个时间点或两个条件下的均值是否相等,常用于配对样本的差异性分析。
4. 卡方检验:卡方检验用于检验两个或多个分类变量之间的关联性。
它可用于判断观察到的频数与期望的频数是否有显著差异。
概率论与数理统计实验实验3参数估计假设检验

概率论与数理统计实验实验3 参数估计假设检验实验目的实验内容直观了解统计描述的基本内容。
2、假设检验1、参数估计3、实例4、作业一、参数估计参数估计问题的一般提法X1, X2,…, Xn要依据该样本对参数作出估计,或估计的某个已知函数.现从该总体抽样,得样本设有一个统计总体,总体的分布函数向量). 为F(x, ),其中为未知参数( 可以是参数估计点估计区间估计点估计——估计未知参数的值区间估计——根据样本构造出适当的区间,使他以一定的概率包含未知参数或未知参数的已知函数的真?(一)、点估计的求法1、矩估计法基本思想是用样本矩估计总体矩.令设总体分布含有个m未知参数??1 ,…,??m解此方程组得其根为分别估计参数??i ,i=1,...,m,并称其为??i 的矩估计。
2、最大似然估计法(二)、区间估计的求法反复抽取容量为n的样本,都可得到一个区间,这个区间可能包含未知参数的真值,也可能不包含未知参数的真值,包含真值的区间占置信区间的意义1、数学期望的置信区间设样本来自正态母体X(1) 方差?? 2已知, ?? 的置信区间(2) 方差?? 2 未知, ?? 的置信区间2、方差的区间估计未知时, 方差?? 2 的置信区间为(三)参数估计的命令1、正态总体的参数估计设总体服从正态分布,则其点估计和区间估计可同时由以下命令获得:[muhat,sigmahat,muci,sigmaci] = normfit(X,alpha)此命令以alpha 为显著性水平,在数据X下,对参数进行估计。
(alpha缺省时设定为0.05),返回值muhat是X的均值的点估计值,sigmahat是标准差的点估计值, muci是均值的区间估计,sigmaci是标准差的区间估计.例1、给出两列参数?? =10, ??=2正态分布随机数,并以此为样本值,给出?? 和?? 的点估计和区间估计命令:r=normrnd(10,2,100,2);[mu,sigm,muci,sigmci]=normfit(r);[mu1,sigm1,muci1,si gmci1]=normfit(r,0.01);mu=9.8437 9.9803sigm=1.91381.9955muci=9.4639 9.584310.2234 10.3762sigmci=1.68031.75202.2232 2.3181mu1=9.8437 9.9803sigm1=1.91381.9955muci1=9.3410 9.456210.3463 10.5043sigmci1=1.6152 1.68412.3349 2.4346例2、产生正态分布随机数作为样本值,计算区间估计的覆盖率。
数理统计 (研究生课程) :第三章 假设检验

必须认为这个差异反映了事物的本质差别,即反映 了生产已不正常.
这种差异称作 “系统误差”
正确
第二类错误
人们总希望犯这两类错误的概率越小越好,但 对样本容量一定时,不可能使得犯这两类错误的 概率都很小。 往往是先控制犯第一类错误的概率在一定限度 内,再考虑尽量减小犯第二类错误的概率。
即: 较小的 (0,1) 使得 P{拒绝H0|H0为真}≤ ,
然后减小P{接受H0|H0不真} 犯两类错误的概率:
如发现不正常,就应停产,找出原因,排除 故障,然后再生产;如没有问题,就继续按规定 时间再抽样,以此监督生产,保证质量.
很明显,不能由5罐容量的数据,在把握不大 的情况下就判断生产 不正常,因为停产的损失是 很大的.
当然也不能总认为正常,有了问题不能及时 发现,这也要造成损失.
如何处理这两者的关系,假设检验面对的就 是这种矛盾.
如果H0不成立,但统计量的实测 值未落入否定域,从而没有作出否定 H0的结论,即接受了错误的H0,那就 犯了“以假为真”的错误 . “取伪错误” 这两类错误出现的可能性是不可能排除的。 原因在于:由样本推导总体
假设检验的两类错误
实际情况 H0为真 H0不真 第一类错误 正确
决定 拒绝H0 接受H0
在上面的例子的叙述中,我们已经初步介绍 了假设检验的基本思想和方法 .
基于概率反证法的逻辑的检验: 如果小概率事件在一次试验中居然发生, 我们就以很大的把握否定原假设.
《应用数理统计》第三章假设检验课后作业参考答案

第三章 假设检验课后作业参考答案3.1 某电器元件平均电阻值一直保持2.64Ω,今测得采用新工艺生产36个元件的平均电阻值为2.61Ω。
假设在正常条件下,电阻值服从正态分布,而且新工艺不改变电阻值的标准偏差。
已知改变工艺前的标准差为0.06Ω,问新工艺对产品的电阻值是否有显著影响?(01.0=α)解:(1)提出假设64.2:64.2:10≠=μμH H , (2)构造统计量36/06.064.261.2/u 00-=-=-=nX σμ(3)否定域⎭⎬⎫⎩⎨⎧>=⎭⎬⎫⎩⎨⎧>⋃⎭⎬⎫⎩⎨⎧<=--21212αααu u uu u u V (4)给定显著性水平01.0=α时,临界值575.2575.2212=-=-ααuu ,(5) 2αu u <,落入否定域,故拒绝原假设,认为新工艺对电阻值有显著性影响。
3.2 一种元件,要求其使用寿命不低于1000(小时),现在从一批这种元件中随机抽取25件,测得其寿命平均值为950(小时)。
已知这种元件寿命服从标准差100σ=(小时)的正态分布,试在显著水平0.05下确定这批元件是否合格。
解:{}01001:1000, H :1000X 950 100 n=25 10002.5V=u 0.05H x u αμμσμα-≥<====->=提出假设:构造统计量:此问题情形属于u 检验,故用统计量:此题中:代入上式得:拒绝域:本题中:0.950.950u 1.64u 0.0u H =>∴即,拒绝原假设认为在置信水平5下这批元件不合格。
3.3某厂生产的某种钢索的断裂强度服从正态分布()2,σμN ,其中()2/40cm kg =σ。
现从一批这种钢索的容量为9的一个子样测得断裂强度平均值为X ,与以往正常生产时的μ相比,X 较μ大20(2/cm kg )。
设总体方差不变,问在01.0=α下能否认为这批钢索质量显著提高? 解:(1)提出假设0100::μμμμ>=H H , (2)构造统计量5.13/4020/u 00==-=nX σμ (3)否定域{}α->=1u u V(4)给定显著性水平01.0=α时,临界值33.21=-αu(5) α-<1u u ,在否定域之外,故接受原假设,认为这批钢索质量没有显著提高。
数理统计CH假设检验

结论解释
根据决策结果解释检验结果, 得出结论或提出进一步研究的 建议。
04
假设检验的应用
在社会科学领域的应用
经济学
假设检验在经济研究中被广泛用 于评估经济理论、预测经济趋势 和评估政策效果。例如,通过假 设检验来检验某个经济政策是否 有效。
心理学
在心理学研究中,假设检验用于 测试和研究人类行为、认知和情 感等方面的假设。例如,通过假 设检验来研究不同刺激对人类情 绪的影响。
公共卫生研究使用假设检验来评估公共卫生干预措施 的效果,例如疫苗接种计划或健康宣传活动。
在工程领域的应用
质量控制
在制造业中,假设检验用于质量控制,以确保生产过程中 的产品符合规格和标准。
01
系统可靠性
在工程设计中,假设检验用于评估系统 的可靠性和安全性,例如通过假设检验 来评估新设备的故障率。
02
VS
详细描述
首先,提出原假设和备择假设,然后选择 合适的统计量(如z检验或t检验),计算 统计量和自由度,最后根据临界值或p值 判断是否拒绝原假设。
06
假设检验的注意事项与 展望
假设检验的注意事项
假设检验的前提条件
在进行假设检验之前,需要确保数据满足正态分布、独立性等前提条 件,否则可能导致错误的结论。
假设检验的假设设定
假设检验中的假设应该合理、科学,不应该存在主观偏见或错误设定, 否则可能导致错误的结论。
假设检验的样本量
样本量的大小对假设检验的结果有重要影响,样本量过小可能导致结 论不准确,样本量过大则可能增加计算复杂度和时间成本。
假设检验的统计量选择
不同的统计量适用于不同的情况,选择合适的统计量是保证假设检验 准确性的关键。
假设检验的发展趋势与展望
数理统计之假设检验

数理统计之假设检验概述假设检验是数理统计学中的一个重要方法,用于根据样本数据对总体参数的假设进行推断。
通过对样本数据进行分析,判断总体参数是否符合我们所假设的条件。
本文将从假设检验的基本概念、假设检验的步骤和常见的假设检验方法进行介绍。
假设检验的基本概念假设检验分为原假设和备择假设。
原假设是对总体参数进行的假设,常用符号H0表示。
备择假设是对原假设的否定,常用符号H1或Ha表示。
在进行假设检验时,我们首先设立一个原假设,然后通过对样本数据的分析,对原假设进行推翻或接受。
假设检验的步骤假设检验的步骤一般包括以下几个步骤:1.建立假设:确定原假设H0和备择假设H1。
2.选择显著性水平:显著性水平(α)是在进行假设检验时拒绝原假设的临界点,常用的显著性水平有0.05和0.01。
3.选择检验统计量:根据研究问题和数据类型选择适当的检验统计量。
4.计算检验统计量的值:根据样本数据计算检验统计量的值。
5.做出决策:根据检验统计量的值和显著性水平,判断是否拒绝原假设或接受备择假设。
6.得出结论:根据决策结果得出对总体参数的推断结论。
常见的假设检验方法单总体均值检验单总体均值检验用于检验总体均值是否符合某个给定的值。
假设我们要检验一个药物的剂量对病人的平均生存时间是否有影响,我们可以采用单总体均值检验方法。
双总体均值检验双总体均值检验用于检验两个总体均值是否相等。
假设我们想知道男性和女性的平均身高是否有差异,我们可以使用双总体均值检验方法。
单总体比例检验单总体比例检验用于检验总体比例是否符合某个给定的比例。
假设我们想知道某品牌产品的整体满意度是否达到90%,我们可以采用单总体比例检验方法。
双总体比例检验双总体比例检验用于检验两个总体比例是否相等。
假设我们想知道男性和女性购买某款产品的比例是否相等,我们可以使用双总体比例检验方法。
卡方检验卡方检验用于检验两个或多个分类变量之间的关联性。
假设我们想知道吸烟与患某种疾病是否有关系,我们可以使用卡方检验方法。
统计学--第三章总体均数的估计与假设检验

总体均数的估计 与假设检验
课件
1
统计推断的目的:
用样本的信息去推论总体。
医学研究中大多数是无限总体, 即使是有限总体,但也经常受各种条 件的限制,不可能直接获得总体的信 息。
课件本科生卫生学(5)
2
第一节 均数的抽样误差与标准误
• 抽样误差(sampling
error):因各样本 包含的个体不同,所得的各个样本统计量 (如均数)往往不相等,这种由于个体差 异和抽样造成的样本统计量与总体参数的 差异,称为抽样误差。
均数的95%可信区间为3.47~ 3.81(mmol / L) 95%参考值范围为1.29~ 5.99(mmol / L)
S 1.20 X u / 2 S X X 1.96 3.64 1.96 n 200 (3.47, 3.81)
X 1.96S 3.64 1.961.20 (1.29, 5.99) 32 课件本科生卫生学(5)
t分布的应用: 总体均数的区间估计 t检验
课件本科生卫生学(5) 18
第三节 总体均数的置信区间估计 confidence interval
可信区间的概念 总体均数可信区间的计算 均数可信区间与参考值范围的区别
课件本科生卫生学(5)
19
一、可信区间的概念
统计推断:参数估计与假设检验。 参数估计: parametric estimation,用样本统 计量估计总体参数的方法。 点(值)估计:point estimation,直接用样 本统计量作为总体参数的估计值。方法简 单但未考虑抽样误差大小。 区间估计:interval estimation,按预先给定 的概率95%,或(1-),确定的包含未知总 体参数的可能范围。考虑了抽样误差。
数理统计学中的假设检验

数理统计学中的假设检验数理统计学是现代统计学中非常重要的部分,它主要研究如何通过数据来理解自然界的规律。
其中假设检验是其核心内容之一。
什么是假设检验?为什么它如此重要?下面让我们来仔细探讨。
一、假设检验的概念假设检验是指对一个已知的数据样本进行分析,并根据样本推断总体参数的过程。
具体地说,它涉及到两个假设:原假设和备择假设。
原假设指的是我们要检验的假设,一般是由问题的提出者提出;备择假设指的是与原假设相关的另外一种假设。
我们需要对这两个假设进行比较,判断样本的表现是否支持原假设。
如果不支持,那么我们就可以把原假设拒绝,并接受备择假设。
二、假设检验的应用假设检验在各个领域均有广泛的应用,例如医学、金融、政治等。
下面就以医学为例,来说明假设检验的应用。
例如,某个新药对特定疾病的治疗效果进行评估。
原假设是新药的治疗效果和传统药物相同,而备择假设是新药的治疗效果更好。
研究人员会在一定的样本规模内进行临床试验,然后根据试验结果进行假设检验。
如果结果表明新药的治疗效果显著超过传统药物,那么我们就可以拒绝原假设,接受备择假设。
在这个过程中,我们需要考虑到检验结果的可靠性,因此必须计算出显著性水平和P值。
三、假设检验的步骤通常来说,假设检验的步骤可以归纳为以下几步:1. 建立原假设和备择假设原假设通常是问题的提出者对研究对象的一种猜测或假设,而备择假设则是一个相关的假设,通常是对原假设的否定或拓展。
2. 设定显著性水平显著性水平是用于衡量研究结果是否达到了预期的水平。
通常,显著性水平被设定在0.05或0.01水平,也就是说,只有当P值小于0.05时,结果才会被认为是显著的。
3. 计算检验统计量检验统计量是指用来判断样本和原假设之间的差异程度的数值。
通常来说,检验统计量可以从样本中计算出来。
4. 计算P值P值是指在原假设成立的情况下,观察到的样本比当前样本更极端的概率。
通常,我们会根据检验统计量计算P值,并与显著性水平进行比较。
- 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)。
第二节 正态总体参数的假设检验 一、单个正态总体均值的检验 设X=(X1,X2,…,Xn)为从正态 总体N(μ,σ2)中抽取的简单随机 样本,给定检验水平α,求下列 三类检验:
(1) H 0 : 0 H 1 : 0 ( 2) H 0 : 0 H 1 : 0 (3) H 0 : 0 H 1 : 0
为对立假设。因此原假设H0和对 立假设H1的地位是不平等的,不 能相互调换。 与犯第一类错误概率相联系的另 一个概念是检验水平。
定义2:设φ是 H 0 : 0 H1 : 1 的一个检验,而0≤α≤1。如果 φ犯第一类错误的概率总不超过 α,则称α是检验φ的一个水平P (第一类错误) P X S) ( E((X)), 0
这个概率一般随在0中取值的变 化而变化。
第二类错误:原假设不真,而错 误的接受了原假设,又称为取伪, c 接受错误的原假设H0等价于 X S 一般地,检验函数犯第二类错误 的概率为:
称为检验的功效函数(power function),也称为势函数。
检验函数犯第一类错误的概率为
* ( ) P (第一类错误) P ( X S )
( ) E ( ( X)), 0
这个概率一般随θ在Θ 0中的取值 变化而变化。
第二类错误:一般的检验函数犯第 二类错误的概率为:
( ) P (第二类错误) P X S ) (
* c
1 E ( ( X)) 1 ( ), 1
一个好的检验函数,犯两类错误的 概率都应较小,也就是功效函数 在0中应尽可能的小,在1中尽 可能的大。
6、检验水平 希望一个检验犯两类错误的概 率都小,一般在固定样本大小时, 对任何检验都办不到。例如:要 犯第一类错误的概率减小,就要
或零假设。原假设常用H0来表示, 对立假设常用H1来表示。在参数 族分布模型中,原假设和对立假 设表现为参数的不同范围。
为了清楚的表达所考虑的原假设 和对立假设,一般的将它们成对 的写出来:
H 0 : p 0.04 H1 : p 0.04 H 0 : p 0.04 ; H1 : p 0.04
S n
于是检验的拒绝域为:
S {( X 1 , X 2 ,, X n ) : T t (n 1)}
T
对于检验(3),当原假设成立时,有 X 0 P{ t (n 1)} S n 于是检验的拒绝域为:
S {( X 1 , X 2 ,, X n ) : T t (n 1)}
T
二、单个正态总体方差的检验
设X=(X1,X2,…,Xn)为从正态 总体N(μ,σ2)中抽取的简单随机 样本,给定检验水平α,求下列 三类检验:
(1) H 0 : H1 :
2 2 0 2 2 2 0 2
2 0 2 0
(2) H 0 : H1 :
因此检验统计量取值为:
X U 0 / n
当原假设为真,即 0 时,检 验统计量 U ~ N (0,1)
对于给定的检验水平α,有
P(| U | u 2 ) 1
于是,当总体的方差已知时,双 边检验(1)的检验水平为α的拒 T S 绝域为: {( X 1 ,..., X n ) :| U | u }
X ~ N ( , )
2
μ未知,检验:
H 0 : 0 H1 : 0 H 0 : 0 H1 : 0
(2)非参数型假设检验:如果总体 分布形式未知,此时就需要有一 种与总体分布族的具体数学形式 无关的统计方法,称为非参数方 法。例如检验一批数据是否来自 某个已知的正态总体的问题。
第一节 假设检验的基本概念 一、假设检验问题的提出 实际推断原理:小概率事件 在一次试验中几乎不会发生;或 者说在一次试验中观察到的事件 不会是小概率事件。
实际推断原理是假设检验的 基本原则,类似于数学推断中的 反证法,但是又与反证法有本质 的不同。
二、基本概念 1、总体分布族 假设 X 1 , X 2 ,, X n 是来自于分 布族 { f ( x, ) : } 中某一分布的 简单随机样本。目前我们只考
缩小拒绝域,使接受域增大,这 必然导致犯第二类错误的概率增 大,反之亦然。因此Neyman— Paerson提出了一条原则,就是 限制犯第一类错误概率的原则,
即在保证犯第一类错误的概率不 超过指定数值α(0<α<1,通常取 较小的数)的检验中,寻找犯第二 类错误概率尽可能小的检验。
若记: S : ( ) , 0 S 表示由所有犯第一类错误的概 率不超过α的检验函数构成的类. 只考虑 S 中的检验,在 S 中挑 选“犯第二类错误的概率尽可能小
2 1 2 2
当检验水平α给定时,讨论下列检 验问题:
2 2 2 2 (1) H 0 : 2 1 H1 : 2 1 1 1 2 2 2 2 ( 2) H 0 : 2 1 H1 : 2 1 1 1 2 2 2 2 (3) H 0 : 2 1 H1 : 2 1 1 1
P (第二类错误 ) P (X S )
C
1 E ( (X )), 1
5、功效函数 定义1:设 (X)是H 0 : 0 H1 : 1 的一个检验函数,则:
( ) P (用检验 ( X )拒绝了 H 0 )
E ( ( X)),
赖于未知参数;当样本落入S时就 拒绝原假设H0而接受对立假设H1, c 否则就接受原假设H0。划分 (S , S ) 称为假设检验问题 " H 0 H1" 的一 个检验。称S为该检验的拒绝域,
而 S 为该检验的接受域。 为了研究的方便,常用检验函 数φ(X)来描述检验规则:
c
1 , XS (X ) C 0 , X S
2
其检验函数为:
1, (X ) 0, | U | u 2 | U | u 2
2、正态总体的方差σ2未知 当正态总体的方差未知时,检 验统计量就需要改变,在原来的 检验统计量中, σ未知,自然想 到用样本方差去替代总体方差。
于是,取检验统计量为: X T S n 且由T分布的定义知: T ~ t (n 1)
五、成对数据的t检验
前面讨论的用于两个正态总体 均值差、方差比的检验中,假定 了来自两个正态总体的样本是相 互独立的,但在实际问题中,
有时候情况不是这样,可能这两 个正态 总体的样本是来自同一个 总体上的重复观察,它们是成对 出现的,而且是相关的,例如, 为了观察一种安眠药的效果,记
录了n个失眠病人服药前的每晚睡 眠时间 X1,X2 ,… ,Xn和服用此安 眠药后每晚睡眠时间Y1,Y2, …,Yn, 其中(xi : yi)是 第i个病人不服用安 眠药和服用安眠药每晚的睡眠时
对于检验(1),当原假设成立,及给 定的显著性水平α,有: | X 0 | P{| T | t 2 (n 1)} S n 则认为,检验(1)的水平为α的拒绝
域为:
S {( X 1 , X 2 ,, X n ) :| T | t 2 (n 1)}
T
该检验称为t检验,其检验函数为:
间,它们是有关系的,不会相互 独立。另一方面X1,X 2,…. Xn是n 个不同失眠病人的睡眠时间,由 于个 人体质诸方面的条件不同, 这n个观察值不能认为是来自同一
一般的参数的假设检验问题可 以表示为: H 0 : 0 H 1 : 1
其中 0,1均为 的真子集 且 0 1
3、检验规则 即根据样本判断能否接受原假 设的规则一般的,最简单的检验 规则是:把样本可能的取值范围 即样本空间划分为两个不相交的 部分 S和S c ,并且这种划分不依
1, | T | t 2 ( n 1) (X ) 0, | T | t 2 (n 1)
同理可得检验(2),(3)的拒绝域与检 验函数。 检验统计量仍然取
X T S n
对于检验(2),当原假设成立时,有 X 0 P{ t (n 1)}
虑参数分布族,即概率密度或概 率函数的形式已知,参数的真值 属于已知的参数空间但是未知。 与参数估计的问题一样,总体分 布族的确定建立了统计模型。
2、原假设与对立假设 在实际问题中,研究人员往往 提出某个假设,并希望通过样本 来检验该假设是否成立。在上例 中,检验人员关心的问题是:
这批产品的不合格率是否大于0.04, 这个假设可以称为研究假设,在假 设检验问题中,称为对立假设或备 择假设。“不合格率小于等于0.04” 就是研究假设的反面,称为原假设
其中μ0和检验水平α给定。
1、正态总体的方差σ2已知 对于检验(1),称为双边检验 H 0 : 0 H1 : 0 在估计理论中用样本均值作为总 体均值的估计。在直观上,若原
假设H0成立,样本均值与μ0的差 别不应太大,若差别过大,就有 理由拒绝原假设。但是在考虑两 者的差时,还应该考虑总体均方 差的取值。
2 1 2 2
当μ0和检验水平α给定时,讨论 下列检验问题:
H 0 : 2 1 0 H1 : 2 1 0 H 0 : 2 1 0 H1 : 2 1 0 H 0 : 2 1 0 H1 : 2 1 0
2 2 : 2 0 H1: 2 0 (3) H 0
其中 及检验水平α给定。
2 0
三、两个正态总体均值差的检验 设 X ( X 1 , X 2 , L , X m ), Y (Y1 , Y2 , L , Yn ) 分别来自两个相互独立的正态总体
X ~ N ( 1 , ), Y ~ N ( 2 , )
第三章 假设检验
假设检验问题,就是通过从有关 总体抽取一定容量的样本,利用 样本去检验总体分布是否具有某 种特征。假设检验问题大致分为 两类: