假设检验(医学课件).pptVIP

现在回到我们前面罐装可乐的例中： 在提出原假设H0后，如何作出接受和拒绝H0的结论呢？ 在假设检验中，我们称这个小概率为显著性水平，用 表示. 常取 的选择要根据实际情况而定。 罐装可乐的容量按标准应在350毫升和360毫升之间. 一批可乐出厂前应进行抽样检查，现抽查了n罐，测得容量为X1,X2,…,Xn，问这一批可乐的容量是否合格？ 提出假设 选检验统计量 ~ N(0,1) H0： = 355 H1： ≠ 355 由于 已知， 它能衡量差异 大小且分布已知 . 对给定的显著性水平 ，可以在N(0,1)表中查到分位点的值 ，使 故我们可以取拒绝域为： 也就是说,“ ”是一个小概率事件. W： 如果由样本值算得该统计量的实测值落入区域W，则拒绝H0 ；否则，不能拒绝H0 . 如果H0 是对的，那么衡量差异大小的某个统计量落入区域 W(拒绝域) 是个小概率事件. 如果该统计量的实测值落入W，也就是说， H0 成立下的小概率事件发生了，那么就认为H0不可信而否定它. 否则我们就不能否定H0 （只好接受它）. 这里所依据的逻辑是： 不否定H0并不是肯定H0一定对，而只是说差异还不够显著，还没有达到足以否定H0的程度 . 所以假设检验又叫 “显著性检验” 基于这个理由，人们常把 时拒绝H0称为是显著的，而把在 时拒绝H0称为是高度显著的. 如果显著性水平 取得很小，则拒绝域也会比较小. 其产生的后果是： H0难于被拒绝. 如果在 很小的情况下H0仍被拒绝了，则说明实际情况很可能与之 有显著差异. 例2 某工厂生产的一种螺钉，标准要求长度是32.5毫米. 实际生产的产品，其长度X假定服从正态分布 未知，现从该厂生产的一批产品中抽取6件, 得尺寸数据如下: 32.56, 29.66, 31.64, 30.00, 31.87, 31.03 问这批产品是否合格? … 分析：这批产品(螺钉长度)的全体组成问题的总体X. 现在要检验E(X)是否为32.5. 提出原假设和备择假设 第一步： 已知 X~ 未知. 第二步： 能衡量差异 大小且分布 已知 取一检验统计量，在H0成立下 求出它的分布 第三步： 即“ ”是一个小概率事件 . 小概率事件在一次 试验中基本上不会 发生 . 对给定的显著性水平 =0.01，查表确定临界值 ,使 得否定域 W: |t |4.0322 得否定域 W: |t |4.0322 故不能拒绝H0 . 第四步： 将样本值代入算出统计量 t 的实测值, | t |=2.9974.0322 没有落入 拒绝域 这并不意味着H0一定对，只是差异还不够显著, 不足以否定H0 . 假设检验会不会犯错误呢？ 由于作出结论的依据是下述 小概率原理 小概率事件在一次试验中不会发生 . 不是一定不发生 如果H0成立，但统计量的实测值落入否定域，从而作出否定H0的结论，那就犯了“以真为假”的错误 . 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 . P{拒绝H0|H0为真}= , 假设检验的两类错误 H0为真 实际情况 决定 拒绝H0 接受H0 H0不真 第一类错误 正确 正确 第二类错误 P{接受H0|H0不真}= . 犯两类错误的概率: 显著性水平 为犯第一类错误的概率. 两类错误是互相关联的， 当样本容量固定时，一类错误概率的减少导致另一类错误概率的增加. 要同时降低两类错误的概率 ，或者要在 不变的条件下降低 ，需要增加样本容量. 例3 某织物强力指标X的均值 =21公斤. 改进工艺后生产一批织物，今从中取30件，测得 =21.55公斤. 假设强力指标服从正态分布 且已知 =1.2公斤， 问在显著性水平 =0.01下，新生产织物比过去的织物强力是否有提高? 解:提出假设: 取统计量 否定域为 W : =2.33 是 一小概率事件 代入 =1.2, n=30，并由样本值计算得统计 量U的实测值 U=2.512.33 故拒绝原假设H