ch8假设检验[36页]
合集下载
相关主题
- 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8章 假设检验
8.1 假设检验的基本概念 8.2 参数的假设检验 8.3 分布的假设检验
8.1 假设检验的基本概念
例 8.1.1 某工厂有一批产品,共 10000 件,须经检验后方可出厂. 按规定标准,次品率 不得超过 5%. 现在其中任选 50 件进行检验,发现有次品 4 件. 问这批产品能否出厂?
4/36
例 8.1.3 设总体 X ~ N(,1) ,其中 未知,现在欲检验统计假设 H0 : 0 .
这里只有一个未知参数及一个统计假设,一般将这类检验问题称为显著性检验. 为了检验
H0 的正确性(或真假),我们需要进行如下工作: 1. 对总体进行一定次数的观测,获得数据,即抽取样本,这里不妨设容量 n =10;
P{拒绝H0 | H0真}≤ , 就是犯第一类错误的概率上限,因此显著性水平 可以用来控制犯第一类错误的可能性 大小.
8/36
在确定检验法则时,自然希望犯这两类错误的概率越小越好. 但当样本容量固定时,若减 少犯第一类错误的概率,则犯第二类错误的概率往往会增大,反之亦然. 若要使犯这两类错误 的概率都减小,唯一的办法是增加样本容量. 一般采取的基本原则是“保一望二”,意思是在 控制 的前提下尽量减小犯第二类错误的概率. 该原则的含义是,原假设要受到维护,使它不 致被轻易否定,若要否定原假设,必须有充分的理由. 若某一小概率事件发生了,检验结果却 是接受原假设,则说明否定它的理由还不充分.
n
n
分量 X i 更集中地分布在 的周围;
5/36
3. 若从样本观测值计算得到 X 的观测值 x 1.01,那么该如何判断 H0 的正确性呢?
假定 H0 : 0 成立,则 X 的观测值应在 的附近,否则 X 有偏离 的趋势. 给定一个临
界概率 (0< <1),确定常数 k ,
P X k ,
3/36
一般地,如果关于总体有两个假设,二者之间有且仅有一个成立,我们往往把其中的一个 称为原假设(或零假设),用 H0 表示;把另一个称为对立假设(或备择假设),用 H1 表示.
例 8.1.1 中,设次品率为 p , H0 : p 5% , H1 : p ≥5% ; 例 8.1.2 中,设抗断强度为 X , H0 : X ~ N(, 2) , H1 : X 不服从 N(, 2 ) .
将 X 的观测值 x 代入上式,如果 x k ,说明小概率事件在一次试验中发生了,这与 实际推断原理矛盾,因此拒绝 H0 ;如果 x ≤ k ,则接受 H0 . 这个临界概率 称为显著性 水平,一般取为一个较小的数,如 0.01、0.05 等.
以上处理方法的基本思想是“小概率原理”. 所谓小概率原理,是指发生概率很小的随机 事件在一次试验中是几乎不可能发生的. 在假设 H0 成立的条件下,如果出现了概率很小的事 件,就怀疑 H0 不成立!
9/36
假设检验的基本步骤
综上所述,假设检验的步骤如下: 1. 根据问题的具体要求,提出原假设 H0 ; 2. 根据原假设 H0 ,构造一个适合的检验统计量U ,确定统计量的分布; 3. 给出一个显著性水平 ,根据检验统计量的分布确定拒绝域; 4. 由样本观测值计算检验统计量的值,判断该值是在拒绝域还是在接受域,作出拒绝 H0 或接受 H0 的检验结论.
6/36
当 H0 成立时,统计量
X ~ N(0,1) , / n
对于 0 ,有
P
X
/
n
u
P
X
2
n
u
2
.
使原假设 H0 得以接受的检验统计量取值的区域称为检验的接受域,使原假设 H0 被拒绝 的检验统计量取值的区域称为检验的拒绝域.
本例中,假定 0.05 ,查表得 u 2 1.96 ,依题意计算
|1.01 0 | 3.19 1.96 , 1/ 10
故拒绝原假设 H0 ,认为 =0 不成立.
7/36
这里,检验水平 的意义是把概率不超过 的事件当作一次试验中实际不会发生的“小 概率事件”,从而当这样的事件发生时就拒绝原假设 H0 . 但是,在一次试验中,小概率事件并 非一定不发生,只不过其发生的概率不超过 而已. 因此,依据小概率原理进行实际推断可能 会犯错误!在作假设检验时,一般有两种类型的错误:当 H0 成立时,我们拒绝它,这类错误 称为第一类错误,或称“弃真”的错误;当 H0 不成立时,我们接受它,这类错误称为第二类 错误,或称“取伪”的错误. 显然,当 H0 成立时,只有发生了概率不超过 的事件时,我们 才拒绝它,故有犯第一类错误的概率
假设整批产品的次品率低于 5%,然后根据样本情况来检验所作假设的正确性. 例 8.1.2 某种建筑材料,其抗断强度以往一直符合正态分布. 现在改变了配料方案,其 抗断强度是否仍符合正态分布? 假设其抗断强度仍符合正态分布,然后通过抽取样本来推断上述假设的正确性.
2/36
以上两例的共同特点是:先对总体分布的参数或总体的分布函数作某种假设;然后抽取 样本,利用样本的有关信息,对假设的正确性进行推断. 这种就任何一个总体的未知参数或分 布所作的假设称为统计假设.若总体的分布已知,对总体分布中所包含的未知参数作出的假设 称为参数假设,相应的假设检验为参数检验. 若总体的分布未知,对总体分布函数作出的假设 称为非参数假设,相应的假设检验为非参数检验.
10/36
8.2 参数的假设检验
均均值值的的检验检验
1. 方差已知,均值 的检验( U 检验法)
设样本 X1, X2, , Xn 来自于正态总体 N(, 2 ) ,总体方差 2 已知,检验假设 H0 : 0 . 当 H0 成立时,由于总体 X ~ N(0, 2) ,统计量
2. 由于样本来自总体,反映了总体的分布规律,因此样本中必然包含有未知参数 的信
息. 一般而言,直接从样本推断假设 H0 的正确性是很困难的,还需要对样本进行加工,即构
Baidu Nhomakorabea
造一个适用于检验假设 H0 的统计量,为的是将样本中关于未知参数 的信息集中起来.
由于样本均值 X 是总体均值 的无偏估计量,且 D(X ) 1 D(X ) 1 ,即 X 比样本的每个
8.1 假设检验的基本概念 8.2 参数的假设检验 8.3 分布的假设检验
8.1 假设检验的基本概念
例 8.1.1 某工厂有一批产品,共 10000 件,须经检验后方可出厂. 按规定标准,次品率 不得超过 5%. 现在其中任选 50 件进行检验,发现有次品 4 件. 问这批产品能否出厂?
4/36
例 8.1.3 设总体 X ~ N(,1) ,其中 未知,现在欲检验统计假设 H0 : 0 .
这里只有一个未知参数及一个统计假设,一般将这类检验问题称为显著性检验. 为了检验
H0 的正确性(或真假),我们需要进行如下工作: 1. 对总体进行一定次数的观测,获得数据,即抽取样本,这里不妨设容量 n =10;
P{拒绝H0 | H0真}≤ , 就是犯第一类错误的概率上限,因此显著性水平 可以用来控制犯第一类错误的可能性 大小.
8/36
在确定检验法则时,自然希望犯这两类错误的概率越小越好. 但当样本容量固定时,若减 少犯第一类错误的概率,则犯第二类错误的概率往往会增大,反之亦然. 若要使犯这两类错误 的概率都减小,唯一的办法是增加样本容量. 一般采取的基本原则是“保一望二”,意思是在 控制 的前提下尽量减小犯第二类错误的概率. 该原则的含义是,原假设要受到维护,使它不 致被轻易否定,若要否定原假设,必须有充分的理由. 若某一小概率事件发生了,检验结果却 是接受原假设,则说明否定它的理由还不充分.
n
n
分量 X i 更集中地分布在 的周围;
5/36
3. 若从样本观测值计算得到 X 的观测值 x 1.01,那么该如何判断 H0 的正确性呢?
假定 H0 : 0 成立,则 X 的观测值应在 的附近,否则 X 有偏离 的趋势. 给定一个临
界概率 (0< <1),确定常数 k ,
P X k ,
3/36
一般地,如果关于总体有两个假设,二者之间有且仅有一个成立,我们往往把其中的一个 称为原假设(或零假设),用 H0 表示;把另一个称为对立假设(或备择假设),用 H1 表示.
例 8.1.1 中,设次品率为 p , H0 : p 5% , H1 : p ≥5% ; 例 8.1.2 中,设抗断强度为 X , H0 : X ~ N(, 2) , H1 : X 不服从 N(, 2 ) .
将 X 的观测值 x 代入上式,如果 x k ,说明小概率事件在一次试验中发生了,这与 实际推断原理矛盾,因此拒绝 H0 ;如果 x ≤ k ,则接受 H0 . 这个临界概率 称为显著性 水平,一般取为一个较小的数,如 0.01、0.05 等.
以上处理方法的基本思想是“小概率原理”. 所谓小概率原理,是指发生概率很小的随机 事件在一次试验中是几乎不可能发生的. 在假设 H0 成立的条件下,如果出现了概率很小的事 件,就怀疑 H0 不成立!
9/36
假设检验的基本步骤
综上所述,假设检验的步骤如下: 1. 根据问题的具体要求,提出原假设 H0 ; 2. 根据原假设 H0 ,构造一个适合的检验统计量U ,确定统计量的分布; 3. 给出一个显著性水平 ,根据检验统计量的分布确定拒绝域; 4. 由样本观测值计算检验统计量的值,判断该值是在拒绝域还是在接受域,作出拒绝 H0 或接受 H0 的检验结论.
6/36
当 H0 成立时,统计量
X ~ N(0,1) , / n
对于 0 ,有
P
X
/
n
u
P
X
2
n
u
2
.
使原假设 H0 得以接受的检验统计量取值的区域称为检验的接受域,使原假设 H0 被拒绝 的检验统计量取值的区域称为检验的拒绝域.
本例中,假定 0.05 ,查表得 u 2 1.96 ,依题意计算
|1.01 0 | 3.19 1.96 , 1/ 10
故拒绝原假设 H0 ,认为 =0 不成立.
7/36
这里,检验水平 的意义是把概率不超过 的事件当作一次试验中实际不会发生的“小 概率事件”,从而当这样的事件发生时就拒绝原假设 H0 . 但是,在一次试验中,小概率事件并 非一定不发生,只不过其发生的概率不超过 而已. 因此,依据小概率原理进行实际推断可能 会犯错误!在作假设检验时,一般有两种类型的错误:当 H0 成立时,我们拒绝它,这类错误 称为第一类错误,或称“弃真”的错误;当 H0 不成立时,我们接受它,这类错误称为第二类 错误,或称“取伪”的错误. 显然,当 H0 成立时,只有发生了概率不超过 的事件时,我们 才拒绝它,故有犯第一类错误的概率
假设整批产品的次品率低于 5%,然后根据样本情况来检验所作假设的正确性. 例 8.1.2 某种建筑材料,其抗断强度以往一直符合正态分布. 现在改变了配料方案,其 抗断强度是否仍符合正态分布? 假设其抗断强度仍符合正态分布,然后通过抽取样本来推断上述假设的正确性.
2/36
以上两例的共同特点是:先对总体分布的参数或总体的分布函数作某种假设;然后抽取 样本,利用样本的有关信息,对假设的正确性进行推断. 这种就任何一个总体的未知参数或分 布所作的假设称为统计假设.若总体的分布已知,对总体分布中所包含的未知参数作出的假设 称为参数假设,相应的假设检验为参数检验. 若总体的分布未知,对总体分布函数作出的假设 称为非参数假设,相应的假设检验为非参数检验.
10/36
8.2 参数的假设检验
均均值值的的检验检验
1. 方差已知,均值 的检验( U 检验法)
设样本 X1, X2, , Xn 来自于正态总体 N(, 2 ) ,总体方差 2 已知,检验假设 H0 : 0 . 当 H0 成立时,由于总体 X ~ N(0, 2) ,统计量
2. 由于样本来自总体,反映了总体的分布规律,因此样本中必然包含有未知参数 的信
息. 一般而言,直接从样本推断假设 H0 的正确性是很困难的,还需要对样本进行加工,即构
Baidu Nhomakorabea
造一个适用于检验假设 H0 的统计量,为的是将样本中关于未知参数 的信息集中起来.
由于样本均值 X 是总体均值 的无偏估计量,且 D(X ) 1 D(X ) 1 ,即 X 比样本的每个