假设检验DOC.docVIP

假设检验 基本问题 所谓假设检验就是根据样本的信息来判断总体的是否具有指定的特征。如，已知样本来自正态总体，问是否有理由认为它们来自均值为μ0的正态总体？如果已知相互独立的两个样本，分别来自两个正态总体，是否能说两个总体的均值相同或方差相同？这类问题称为假设检验。 例：有一葡萄糖包装机，额定标准为每袋净重0.5公斤。设包装机称得的糖重服从正态分布，且根据以往的长期经验知其标准差（公斤）。某天开工后，为检验包装机的工作是否正常，随机抽取9袋，称得净重为： 0.479 0.506 0.518 0.524 0.488 0.511 0.510 0.513 0.512 问这天包装机的工作是否正常？ 设这天包装机所包装的糖的重量为x，则。我们用假设 表示包装机工作正常。 接下来是要判断这个假设是否符合实际观察结果。 由于要判断的是总体均值是等于μ0，所以选用样本均值这一统计量来进行判断。 我们知道，即使机器工作正常，波动总是存在的。例如关于x是随机变量这一假设正是说明了这一点。所以，机器所包装的每包葡萄糖净重都不会等于μ0，总是会有一些差异。从而观察值也不见得正好等于μ0。但是若观察值与μ0有显著的差异，即若相当大时，则我们认为机器工作不正常，需要校准或修理。 用数理统计的语言来说就是：如果（其中k是某一适当的常数，其值将在下面确定），则我们接受假设H0（即认为包装机工作正常）；如果，则我们拒绝假设H0（即认为包装机工作不正常）。 然而，即使假设H0实际上是对的，由于我们作出判断的依据是一个样本，仍然有可能拒绝假设H0，这是一种错误，犯这种错误的概率记作α，即 我们自然是希望把α控制在一定的限度以内，例如取（α取定以后，由上式就能确定常数k）。 综上所述，得假设检验方法如下： 选定一正数α：，按（*）式确定k。若观察值满足，则拒绝假设H0；反之，若满足则接受假设H0。 现在根据上述检验方法对上例作出具体的解答。 由于，故，其中n=9为样本容量，。对于给定的α，由 及双侧百分位点定义得 所以， 当 就拒绝H0；若上式式不等号反向则接受H0。这种方式与区间估计类似。 另一种更简便的方式是，直接判断不等式 如果上述不等式成立，就拒绝假设，否则就接受假设。 假如这里取，查表得z0.025=1.96，又知n=9，，故 但计算得到，。因此我们认为假设H0符合实际情况，从而接受H0，即认为这天包装机工作正常。 或，由于，所以不能拒绝假设H0，从而接受H0，即认为这天包装机工作正常。 例，同上述问题，但是假设这次抽取的9袋样本算出，，问题这时包装机的工作是否正常。 这时，采用同样方法，得到， 于是，我们认为假设H0不符合实际情况，从而拒绝H0，即认为这天包装机工作不正常。 在上述讨论中可以看到，α的选择很重要。在样本容量固定时，选定α后，k的数值就随之确定，然后我们根据大于还是小于k作出决定。因此数可以作为检验上述假设的一个标准，这是样本平均值的一个误差限度。如果，，则称与μ0的差异是显著的，从而拒绝假设H0；反之，，则称与μ0的差异并不显著的，从而接受假设H0。 数α又称为检验的显著水平。上述的假设检验问题通常表述成：在显著水平α下，检验假设 拒绝假设的区域（如上两例中的）称为检验的拒绝域，拒绝域的边界点叫做临界点（如上两例中的和）。 上述检验法则是符合实际推断原理的。因为通常数α总是取得比较小，事件发生的概率是小概率，根据实际推断原理，就可以认为，如果为真，则观察值满足是几乎不可能的。所以如果在一次观察中真的出现了满足的，则表明原来的假设H0有问题，因而拒绝H0，如后面一个例子；若出现的观察值满足，表明原来的假设H0与实际情况没有矛盾，因而接受H0，如第一个例子。 但是，检验法则确定以后，在实际检验中总有可能作出错误的判断。如上面所讨论的，在实际上假设H0为真时，我们有可能犯拒绝H0的错误，这种错误称为第一类错误，性质是“弃真”； 另外，当H0为不真时，我们也可能接受H0，称这类错误为长二类错误，性质是“取伪”。 进一步的讨论可得，在样本容量确定后，犯两类错误的概率不可能同时减少，减少其中一个，另一个往往就会增大。要它们同时减少，只有增加样本容量。在实际问题中，一般总是控制犯第一类错误的概率α，α的大小视具体情况而定。通常α取0.1, 0.05, 0.001, 0.005和0.001等数值。 有时候，我们关心的只是总体均值是否增大。譬如，试验新工艺以提高产品的质量，如材料的强度、元件的使用寿命等指标。这时，总体均值越大越好。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，则可以考虑采用新工艺。对于这种情形，我们需要检验的是在新工艺下的总体均值μ是等于原来的总体均值μ0，还是大于μ0？即要确定接受假设，还是接受另一假设。这种检验的一般叙述方式为：