假设检验与统计推断.ppt

假设检验与重要概率分布 一、假设检验 1、定义：根据样本信息判断总体分布是否具有指定特征，这个过程就叫做假设检验。 2、方法：运用“反证法”的思想，即先假定假设成立，然后根据某种判别准则看能得出什么样的结果。如果得出合理结果，则自然认为假设成立；如果得出不合理结果，则认为假设不成立。 在假设检验中，我们首先对总体参数做一个尝试性的假设。该尝试性的假设被称为原假设，记作H0。然后，定义另一个与原假设内容完全相反的假设，记作Hα，称之为备择假设。假设检验的过程就是根据样本数据对这两个对立的假设H0和Hα进行检验。 1.等号只能位于原假设H0中； 2.单侧检验方向的设定，决定了拒绝规则的选择； 3.一般先设定备择假设Hα ； 4. H0与Hα 应保证相互独立且完备。 表格中的第一行说明，当做出接受H0结论时所可能发生的情况。这时，如果H0是真的，则该结论正确；如果Hα是真的，那么我们发生了第二类错误，即当H0为假时我们却接受了H0. 表格中的第二行说明，当做出拒绝H0结论时所可能发生的情况。这是，如果H0是真的，那么我们发生了第一类错误，即当H0是真的时候我们却拒绝了H0 ，如果Hα是真的，则拒绝H0是正确的。 当原假设以等式的形式为真时，犯第一类错误的概率被称为检验的显著性水平。 用希腊字母α表示显著性水平，一般取α为0.05或0.01。通过选择α，控制了犯第一类错误的概率。一般的，我们将控制第一类错误的假设检验叫做显著性检验。 左侧检验 右侧检验 P-值是一个概率值，衡量样本对原假设的支持程度。P-越小说明对原假设的支持程度越低。小的P-值表明在假设H0为真时，统计量的值时异常的。 （以下侧检验为例）方法：首先根据题目中所给条件计算检验统计量，然后通过查标准正态分布表得出Z下侧的面积（即P-值），接着找到给定的显著性水平α，最后如果P-值≤α，则拒绝H0。 对于上侧检验，和双侧检验的P-值法和临界值法运用的原理是相同的，这里不一一列举。 总体均值的检验 例：某电子元器件生产厂对一批产品进行检测，使用寿命不低于2000小时为合格品。该电子元器件的使用寿命服从正态分别，标准差为100小时。从该批产品中随机抽取了120个产品进行检测，测得样本均值为1960小时，在 的显著性水平下检验该批电子元器件的质量是否符合要求。 二、重要的概率分布复习 （一）正态分布 （二） t分布 （三） x2分布 （四） F分布 （一）正态分布 1、简介：对于连续型随机变量而言，正态分布是最重要的一种概率分布，其形状似“钟型”。经验表明：对于其值依赖于众多微小因素且每一因素均产生微小的或正或负影响的连续型随机变量来说，正态分布是一个相当好的描述模型。如身高、体重、考试成绩等。 ⑴正态分布曲线以均值?为中心，对称分布。 ⑵正态分布的概率密度函数呈中间高、两边低，在均值?处达到最高，向两边逐渐降低，即随机变量在远离均值处取值的概率逐渐变小。 ⑶正态曲线下的面积约有68%位于?± ?两值之间；约有95%面积位于?±2?之间；约有99.7%的面积位于?± 3?之间。这些区域可用作概率的度量。（即经验法则） ⑷正态分布可由两个参数?，?2来描述，即一旦知道?，?2的值，就可以根据附录表查到随机变量X落于某一区间的概率值。 ⑸两个（或多个）正态分布随机变量的线性组合仍服从正态分布。该性质很重要，解释如下： ⑹正态分布的偏度为0，峰度为3。 如果变量X的均值为?，方差为?，定义一个新的变量Z， 则根据性质5，变量Z的均值为0，方差为1。在统计学中，我们称之为单位或标准正态变量，用符号表示为：X~N（0,1）任一给定均值和方差的正态变量都可转化为标准正态变量，将其标准化可以大大简化计算。 （二）t分布 1、样本均值的抽样分布或概率分布 样本均值是总体均值的估计量，但是由于样本均值是依靠某一给定样本而定，因此它的值会因随机样本的不同而变化。由此，我们将样本均值看作随机变量，在样本是随机抽取得到的条件下，求样本均值的概率密度函数。 3、中心极限定理：如果X1，X2，…，Xn是来自(均值为?，方差为?2)任一总体的随机样本，随着样本容量的无限增大，其样本均值趋于正态分布，其均值为?，方差为?2/n。 例：已知20名10岁男孩的跳远成绩的平均数为1.65m,标准差为0.2m，求出其总体平均数的95%的置信区间。 （三） ?2分布 1、?2分布是统计学中常用的一种概率分布，它与正态分布有紧密的关系。