第四章 参数的假设检验 06.5.13.docVIP

第四章 参数的假设检验 上一章我们讨论了对总体中未知参数的估计方法。本章将介绍统计推断的另一类重要问题：参数的假设检验。 假设检验是对有关总体分布的某个参数提出一个假设值，然后根据样本作出推断的理论和方法。20世纪初，随着大工业的发展，产品验收问题引起了统计界的重视。如买卖双方约定：一批产品的废品率不超过0.03时方可出厂。怎样从抽样检查中推断“废品率”，这一命题是否正确？这就是一个假设检验问题。 第一节 假设检验的原理及步骤 一、基本原理 通过下面的例子来说明这一原理。 某箱中白球和黑球总数为100，但不知白球和黑球各是多少。现在提出假设:箱中有99个白球。现在我们需要检验这一假设是否正确。 若为真，那么从箱中任取一球得白球的概率为0.99，得黑球的概率为0.01。 现在我们随机抽取一球（样本）居然抽到黑球。因而自然使人们怀疑的正确性，从而拒绝，做出箱中白球不是99个的判断。 判断依据：我们做出拒绝的判断的根据是什么？这就是“小概率事件原理”，因为小概率事件在一次试验中几乎是不可能发生的。在为真的条件下，抽到黑球的概率为0.01，这是一个小概率事件。在抽取一球的情况下抽得黑球这一小概率事件几乎是不可能出现的，而现在居然发生了。这不能不使人们怀疑原假设的正确性，故作出推断：拒绝。 两类错误：按上述原则由样本推断总体可能要犯两类错误。 第一类错误：我们称之为“弃真”的错误，即为真时我们却做出了拒绝的推断，犯第一类错误的概率为（α称为显著水平），即: {拒绝︱为真}= 第二类错误：我们称之为 “取伪”的错误，即为假时我们却做出了接受的推断，犯第二类错误的概率为，即: {接受︱为假}= 显著性水平是人们事先指定的第Ⅰ类错误概率的最大允许值。显著性水平越小，犯第Ⅰ类错误的可能性自然就越小，但犯第Ⅱ类错误的可能性则随之增大。实际应用中，显著性水平是我们事先给出的一个值，但究竟确定一个多大的显著性水平值合适呢？一般情况下，人们认为犯第Ⅰ类错误的后果更严重一些，因此通常会取一个较小的值。著名的英国统计学家著名的英国统计学家Ronald Fisher在他的研究中心把小概率的标准定为0.05，所以作为一个普遍适用的原则，人们通常选择显著性水平为0.05或比0.05更小的概率。常用的显著性水平有=0.01，=0.05，=0.1等，当然也可以取其他值。 确定了显著性水平就等于控制了第Ⅰ类错误的概率，但犯第Ⅱ类错误的概率却是不确定的。在拒绝原假设时，我们犯错误的概率不超过给定的显著性水平，但当样本观测显示没有充分的理由拒绝原假设时，我们也无法确切知道第Ⅱ类错误发生的概率。因此，在假设检验中我们采用“不拒绝”而不采用“接受”的表述方法，这种说法实质上并未给出明确结论，在多数场合下便避免了第二类错误发生的风险，因为“接受”所得结论可靠性将由第Ⅱ类错误的概率来测量，而的控制又相对复杂。 由于是根据样本来推断总体，故这两类错误是不可能完全避免的。人们自然希望犯这两类错误的概率和越小越好。理论上已经证明在样本容量固定的条件下，犯两类错误概率、不可能同时减小，要同时减小必须扩大样本容量。因此在给定样本容量n的前提下，往往先限制犯第一类错误的概率，即给出一个较小的数再来考虑如何减小犯第二类错误的概率。在和固定的前提下，能使达到最小的检验法称为最优检验。寻找最优检验已超出本书的范围，我们不再进行讨论。下面所介绍的检验法都是最优（或近似最优）的检验方法。 二、假设检验的步骤 假设检验一般先对总体分布的某些参数或分布形式提出某种假设。然后抽取样本，根据样本提供的信息对所提出的假设的正确性做出判断。我们仍通过一例来说明步骤。 例1 根据长期经验和资料分析，某砖厂生产的砖的“抗断强度”服从正态分 布，方差为。今从该厂产品中随机抽取6块，测得抗断强度如下（单位：kg/cm2）:32.56, 29.66, 31.64, 30.00, 31.87，31.03试问这批砖的平均抗断强度为32.50 kg/cm2是否成立？（=0.05） 根据题意可知已知，问题是要回答：=32.50还是≠32.50 分四步来解决这一问题。 第一步：根据实际问题的要求提出假设 : 这里称为原假设，称为备择假设。然后根据样本提供的信息来判断是接受假设还是拒绝假设。 第二步：为检验假设是否正确,提出检验统计量 对这一类假设检验问题，根据第章三抽样分布定理，当为真时有，由于已知于是有 我们采用：为检验统计量 第三步：根据{拒绝︱为真}= 确定拒绝域。 当为真时，对于给定的显著性水平（0＜＜1），有 我们称为拒绝域， 称为拒绝域的临界值。 第四步：根据样本观察值做出判断，拒绝还是接受 事实上=0.