3-03假设检验.pptVIP

9-19-2000 W2HypothesisTesting.ppt Johnson Controls, Inc. ? 9-19-2000 Hypothesis Testing W2HypothesisTesting.ppt 假设检验简介 目的 为什么进行假设检验？ 轧辊寿命 6 Sigma路线图 – 假设检验 统计问题 改善后的寿命比改善前的寿命高 工艺A的收得率比工艺B的收得率低 过程A中次品的数量比过程B中的多 交货期的平均时间少于30天 A类生产线产品强度与B类生产线产品强度分布不同。 什么是假设 什么是假设检验 统计假设的分类 参数假设: 关于检验已知总体分布的参数（例：μ、σ）的统计检验。 非参数假设: 不涉及总体分布的统计假设检验。 假设检验的原理 小概率事件原理: 小概率事件在一次试验中通常是不会发生的，如果在一次试验中，小概率事件竟然发生了，说明原假设有问题，从而拒绝原假设。 这是假设检验的基本思想。 统计推论指导 假设检验推论举例 进行假设检验的步骤 建立原假设和备择假设 决定显著性水平α 随机抽取具有代表性的样本 计算P值 比较P值和显著水平α 得出结论 原假设和备择假设 原假设和备择假设 检验总体--均值 检验总体—方差 检验总体—比例 讨论 轧辊寿命 以前，轧制线上的轧制辊的使用周期时间平均为53天,改善措施实施后，收集新的数据。平均天数为65天。技术科声称轧制的使用寿命提高了。 1. 什么是零假设？ 2. 什么是备选假设？ 陈述零假设和备选假设 陈述零假设和备选假设 练习 - 零假设和备选假设 决定 讨论_宽度 卷板宽度目标尺寸＝1250mm 样本平均值＝ 1245 mm 过程是否偏离目标？ 样本均值与目标值是否相同 H0 ：μ = 1250 H1： μ ? 1250 P值 近年来, 用P值进行假设检验得到越来越多的认同！ 假设检验理解 从假设检验中得到两个结论: If P ? 如果P值比?小就否定零假设 结论： 在?水平有足够的证据证明备选假设是正确的。 假设检验理解 If P ? 如果P值比?大就无法否定零假设： 结论： 在?水平没有足够的证据证明备选假设是正确的 风险 只要进行假设检验，在决策时就会有风险。两种错误（风险）： I 类和II类错误 Power 检出能力是正确否定错误的零假设的概率 Power = 1- β (TypeⅡ ). 检出能力是1减去二类错误 总结 总体均值的假设检验 总体比例的假设检验 总体方差的假设检验 假设检验的几种情况 假设检验类型 选择何种检验决定于数据的分布类型和比较的类型 工具箱 样本量计算 为什么计算样本量 在实际工程应用中，常会出现这样的问题：究竟要采集多大的样本量才能得到我们所需要判断的结论呢？ 这个问题很复杂，不同的检验问题需要样本量的计算方法是不同的。 下面讨论最简单的单样本均值检验问题。 单样本均值检验问题 原假设是均值为0，备择假设是均值为1。 检验问题实际上是如何判断一组样本来自哪个总体。 假设两个总体的标准差都是σ＝1，如果只抽取一个样本，这时它本身就是样本均值，样本均值的分布与原来总体的分布完全一样。 我们从上图中它们的概率分布图形有很大部分会重叠，当抽取出一个样本后，很难判定它是来自哪一个总体。但是当抽取的样本量超过一个并且将数据取平均值之后，我们知道，这些均值的分布会变得越来越窄，当样本量达到一定程度的时候，比如，上图中取样达到25时，两组样本均值的概率分布图形只有很少部分会重叠，这时很容易识别两者的差别。 检验功效 下面的问题是，如果知道两总体确有差别，那么，又该如何确定其样本量保证达到这种分辨开两总体的效果呢？ 首先引入检验功效的概念。一个检验的检验功效指的是“在原假设不成立的条件下，拒绝原假设的概率”，换言之，我们知道“在原假设不成立的条件下，不拒绝原假设的概率”就是犯第二类错误的概率β 因此检验功效＝1-β 样本量的计算 H0：μ＝μ0 H1：μ＝μ1＞ μ0 计两总体均值的差异为Δ＝μ1-μ0 按下图可看到两类错误的概念 使用Minitab计算样本量 例：某钢铁公司项目团队在参数调整后，希望评估冷拉钢筋生产线上的钢筋平均抗拉强度是否能从2000kg有所提高，假定生产线制程的标准差为300kg。经检验，钢筋平均抗拉强度已变为2150kg。问：如果我们选定α＝0.05，还要求检验功效达到90％(也就是说，对于平均抗拉强度已提高为2150kg的钢筋样本，被误判为“没有提高”的概率要小于10％），项目团队对于“钢筋生产线上的钢筋平均抗拉强度是否从2000kg有所提高”的检验，需要抽取多少根钢筋才能同时达到这两