3-假设检验.ppt

* 1.单正态总体方差的检验 原假设H0:?2=?02，对立假设H1: ?2? ?02 小概率事件 由 拒绝域为 选统计量 * 2.两正态总体方差比的检验 X~N(?1,?12),Y~N(?2,?22), X,Y相互独立， ?12 / ?22为方差比 H0: ?12 / ?22 =1,即?12=?22 ， H1: ?12? ?22 ， 拒绝域 选统计量 * 第三章 假设检验 §1 假设检验问题 §2 正态总体均值的假设检验 §3 正态总体方差的假设检验 §4 p值检验法 §5 非参数检验 * 前面讨论的假设检验方法称为临界值法，此法得到的结论是简单的，在给定的显著性水平下，不是拒绝原假设，就是接受原假设。 但应用中可能会出现这样的情况：在一个较大的显著性水平（如α=0.05）下得到拒绝原假设的结论，而在一个较小的显著性水平（如α=0.01）下却得到接受原假设的结论. 这种情况在理论上很容易解释：因为显著性水平变小后会导致检验的拒绝域变小，于是原来落在拒绝域内的观测值就可能落在拒绝域之外（即落入接受域内）。 * 对应于α3拒绝域 对应于α2拒绝域 对应于α1拒绝域 试验获得的 n维样本点 * 试验获得的 n维样本点 对于给定的样本，即已知的事件，确定了一个 拒绝域，此区域对应的α是多少呢？ 此α只与样本有关，称为该检验对应于这组样本的p值 n维随机样本落在此虚线围城的区域内的概率. * 例1 一支香烟中的尼古丁含量 ，质量标准规定 不能超过1.5mg，现从某厂生产的香烟中随机地抽取20支，测得平均每支香烟尼古丁含量为1.97 mg，该厂生产的香烟尼古丁含量是否符合标准的规定？ 按题意，需要检验假设 这是一个有关正态总体下方差已知时对总体均值的单边假设检验问题，采用u检验法得拒绝域为 * 在以下表中列出了显著性水平α取不同值时相应的拒绝域和检验结论 由已知数据可算得 由此可以看出，对同一个假设检验问题，不同的α可能有不同的检验结论 * 假设检验依据的是样本信息，样本信息中包含了支持或反对原假设的证据，因此需要我们探求一种定量表述样本信息中证据支持或反对原假设的强度. 现在我们换一个角度分析例1 u ? u? 当α 0.0179 时， u? u0.179 =2.1 当α 0.0179 时， u? u0.179 =2.1 则 注意：u? 是α的减函数 给定α，拒绝域为 * 当α以0.0179为基准做比较时，则上述检验问题的结论如下表所示 u ? u? u 0.0179 2.1 * 一般在一个假设检验中，利用观测值能够做出的拒绝原假设的最小显著性水平称为该检验的p值. 按p值的定义，对于任意指定的显著性水平α，有以下结论 （1）若 α ≥ p值 ，则在显著性水平α下拒绝H 0 （2） 若α p值 ，则在显著性水平α下接受H 0 有了这两条结论就能方便地确定H 0的拒绝域. 这种利用p值来检验假设的方法称为p值检验法 * p值反映了样本信息中所包含的接受原假设H 0的依据的强度，p值实际上是我们已经观测到的一个小概率事件的概率，显然，p值越小， H 0越有可能不成立，说明样本信息中反对 H 0的依据的强度越强、越充分. 引进p值的概念有明显的好处，一方面，p值比较直观，它避免了在检验之前需要主观地确定显著性水平；另一方面，p值包含了更多的拒绝域的信息。 一般 p≤0.01， 拒绝H 0 ，称检验是高度显著的； 0.01 p≤ 0.05 ， 拒绝H 0 ，称检验是显著的； 0.05 p≤ 0.1 , 称检验是不显著的； p0.1， 一般来说，没有理由拒绝，接受H 0 * 在现代计算机统计软件中，一般都给出检验问题的p值. 在科学研究以及一些产品的数据分析报告中，研究者在讲述假设检验的结果时，往往并不明显给出检验的显著性水平以及临界值，而是直接引用检验的p值，利用或者是让读者利用它来评价已获得的数据反对原假设的依据的强度，从而对原假设成立与否做出自己的判断。 * 第三章 假设检验 §1 假设检验问题 §2 正态总体均值的假设检验 §3 正态总体方差的假设检验 §4 两种类型的错误 §5 p值检验法 §6 非参数检验 * 前面有关章节讨论的参数检验都要求总体服从一定的分布，对总体参数的检验是建立在这种分布基础上的.非参数检验是一种与总体分布状况无关的检验方法，它不依赖于总体分布的形式，应用时可以不考虑被研究的对象为何种分布以及分布是否已知。 实际应用中所遇到的统计问题往往并不知总体的分布，我们想要根据一组样本的信息来推断总体是否属于某种理论分布，或者判断某种现象的出现是否是随机