R语言学习系列25-K-S分布检验与正态性检验..docx

23. K-S分布检验与正态性检验（一）假设检验1. 什么是假设检验？实际中，我们只能得到抽取的样本（部分）的统计结果，要进一步推断总体（全部）的特征，但是这种推断必然有可能犯错，犯错的概率为多少时应该接受这种推断呢？为此，统计学家就开发了一些统计方法进行统计检定，通过把所得到的统计检定值，与统计学家树立了一些随机变量的概率分布进行对比，我们可以知道在百分之多少的机遇下会得到目前的结果。倘若经比较后发现，涌现这结果的机率很少，即是说，是在时机很少、很罕有的情况下才出现；那我们便可以有信念地说，这不是巧合，该推断结果是具有统计学上的意义的。否则，就是推断结果不具有统计学意义。2. 假设检验的基本思想——小概率反证法思想小概率思想是指小概率事件（Pα, α=0.05或0.01）在一次试验中基本上不会发生。反证法思想是先提出原假设（H0），再用适当的统计方法确定假设成立的可能性（P值）大小，如可能性小（P≤α），则认为原假设不成立，若可能性大，则还不能认为备择假设（H1）成立。3. 原假设与备择假设原假设与备择假设是完备且相互独立的事件组，一般，原假设（H0）——研究者想收集证据予以反对的假设；备择假设（H1）——研究者想收集证据予以支持的假设；假设检验的P值，就是在H0为真时，观察到的差异来源于抽样误差的可能性大小。假设检验判断方法有：临界值法、P值检验法。四、假设检验分类及步骤（以t检验为例）1. 双侧检验I. 原假设H0: μ=μ0, 备择假设H1: μ≠μ0;Ⅱ. 根据样本数据计算出统计量t的观察值t0;Ⅲ. P值 = P{|t| ≥ |t0|} = t0的双侧尾部的面积；Ⅳ. 若P值≤α（在双尾部分），则在显著水平α下拒绝H0; 若P值α，则在显著水平α下接受H0;注意：α为临界值，看P值在不在阴影部分（拒绝域），空白部分为接受域。2. 左侧检验I. 原假设H0: μ≥μ0, 备择假设H1: μμ0;Ⅱ. 根据样本数据计算出统计量t的观察值t0（ 0）;Ⅲ. P值 = P{t ≤ t0} = t0的左侧尾部的面积；Ⅳ. 若P值≤α（在左尾部分），则在显著水平α下拒绝H0; 若P值α，则在显著水平α下接受H0;3. 右侧检验I. 原假设H0: μ≤μ0, 备择假设H1: μμ0;Ⅱ. 根据样本数据计算出统计量t的观察值t0（ 0）;Ⅲ. P值 = P{t ≥ t0} = t0的右侧尾部的面积；Ⅳ. 若P值≤α（在右尾部分），则在显著水平α下拒绝H0; 若P值α，则在显著水平α下接受H0;（二）K-S分布检验Kolmogorov-Smirnov检验，用来检验一组样本数据是否服从某已知分布，或两组样本数据是否服从相同分布。用函数ks.test()实现，基本格式为：ks.test(x, y, ..., alternative=, exact=NULL)其中，x为样本数据；y为分布名（此时…为该分布的参数）或样本数据；alternative设置是two.sided双侧检验（默认）、less左侧检验、greater右侧检验；exact设置是否计算精确p值，默认NULL。1. K-S单样本总体分布检验用来检验样本数据是否服从某已知分布。它是一种基于经验分布函数的检验，令其中，为一组随机样本的累计概率分布函数，为真实的分布函数。当时，的极限分布满足： 原假设H0：即分布相同；备择假设H1：二者分布不同。X=c(420,500,920,1380,1510,1650,1760,2100,2300,2350) #某设备10次无故障工作时间的数据lambda-mean(X)lambda[1] 1489ks.test(X,pexp,1/lambda) #检验是否服从参数为1/1489的指数分布One-sample Kolmogorov-Smirnov testdata: XD = 0.30418, p-value = 0.2563alternative hypothesis: two-sided P值=0.25630.05，接受原假设H0，即服从指数分布。2. 两独立样本K-S同分布检验假定有分别来自两个独立总体的两个样本，要检验是否服从同一分布。设两个样本的样本量分别为和，累积经验分布函数分别为和，令，则统计量近似服从正态分布。原假设H0：服从同一分布；备择假设H1：不服从同一分布。xx=c(0.61,0.29,0.06,0.59,-1.73,-0.74,0.51,-0.56,0.39,1.64,0.05,-0.06,0.64,-0.82,0.37,1.77,1.09,-1.28,2.36,1.31,1.05,-0.32,-0.40,1.06,-2.47)yy=c(2.20,1.66,1.38,0.20,0.36,0.00,0.96,1.56,