概率论与数理统计 --- 第八单元{假设检验} 第一节：假设检验问题.pptVIP

数理统计 数理统计 第八章 假设检验 第一节 假设检验问题 第二节 正态总体均值的假设检验 第三节 正态总体方差的假设 *第四节 大样本检验法 *第五节 p值检验法 第六节 假设检验的两类错误 *第七节 非参数假设检验 假设检验的基本思想和方法 假设检验的一般步骤 参数假设检验与区间估计的关系 第一节 假设检验问题 假设检验 参数假设检验 非参数假设检验 这类问题称作假设检验问题 . 总体分布已知时 检验未知参数的某个假设 总体分布未知时 假设检验问题 我们将讨论不同于参数估计的另一类重要的统计推断问题. 这就是根据样本的信息检验关于总体的某个假设是否正确. 一、假设检验(Hypothesis Testing)的基本思想和方法 生产流水线上罐装可乐不断地封装, 然后装箱外运. 怎么知道这批罐装可乐的容量是否合格呢？ 把每一罐都打开倒入量杯, 看看容量是否合于标准. 这样做显然不行！ 罐装可乐的容量按标准应在350毫升和360毫升之间. 让我们先看一个例子: 每隔一定时间, 抽查若干罐. 如每隔1小时, 抽查5罐, 得5个容量的值X1, …, X5, 根据这些值来判断生产是否正常. 如发现不正常, 就应停产, 找出原因, 排除故障, 然后再生产; 如没有问题, 就继续按规定时间再抽样, 以此监督生产, 保证质量. 通常的办法是进行抽样检查! 很明显, 不能由5罐容量的数据, 在把握不大的情况下就判断生产不正常, 因为停产的损失是很大的; 当然也不能总认为正常, 有了问题不能及时发现, 这也要造成损失. 如何处理这两者的关系, 假设检验面对的就是这种矛盾. 在正常生产条件下, 由于种种随机因素的影响, 每罐可乐的容量应在355毫升上下波动. 这些因素中没有哪一个占有特殊重要的地位. 因此, 根据中心极限定理, 假定每罐容量服从正态分布是合理的. 现在我们就来讨论这个问题. 罐装可乐的容量按标准应在350毫升和360毫升之间. 这样, 我们可以认为X1, …, X5是取自正态总体 N(μ,σ2)的样本, 当生产比较稳定时, σ2是一个常数. 它的对立假设是： 称H0为原假设(或零假设)(null hypothesis); 称H1为备选假设(或对立假设) (alternative hypothesis);. 在实际工作中, 往往把不轻易否定的 命题作为原假设. H0：μ = μ0 (μ0 = 355) H1： μ ≠ μ0 现在要检验的假设是： 那么, 如何判断原假设H0 是否成立呢? 由于μ是正态分布的期望值, 它的估计量是样本均值 , 因此可以根据 与μ0的差距 来判断H0 是否成立. 较小时, 可以认为H0是成立的; 当 当 较大时, 应认为H0不成立, 即生产已不正常. 问题归结为对差异作定量的分析, 以确定其性质. 较大、较小是一个相对的概念, 合理的界限在何处? 应由什么原则来确定? 问题是: 如何给出这个量的界限? 这里用到人们在实践中普遍采用的一个原则： 小概率事件在一次试验中基本上不会发生 . 问题是, 根据所观察到的差异, 如何判断它究竟是由于偶然性在起作用, 还是生产确实不正常？ 即: 差异是“抽样误差”还是“系统误差”所引起的? 这里需要给出一个量的界限! 我们称这个小概率为显著性水平(the level of significance), 用α表示. α的选择要根据实际情况而定. 常取: 这种误差反映偶然、非本质的因素所引起的随机波动. 然而, 这种随机性的波动是有一定限度的, 如果差异超过了这个限度, 则我们就不能用抽样的随机性来解释了. 必须认为这个差异反映了事物的本质差别, 即反映了生产已不正常. 这种差异称作: “系统误差” 差异可能由抽样的随机性引起的, 称为: “抽样误差”或 随机误差 欲判断假设H0的真假, 先假定 H0真, 在此前提下构造一个能说明问题的小概率事件 A． 试验取样, 由样本信息确定 A是否发生, 若小概率事件 A发生, 这与小概率原理相违背, 说明试验的前定条件 H0不成立, 拒绝 H0, 接受 H1; 若小概率事件 A没有发生, 没有理由拒绝 H0, 只好接受H0． 概率反证法: 提出假设: 选检验统计量: 由于 σ已知, 它能衡量差异 大小且分布已知 . 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? 例1: 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? H0：μ = 355 H1：μ