第五课假设检验.docVIP

第五章 假设检验 5.1 现实中的统计 案例一：时下不少大学生在一边学习的同时也不断寻找一些机会打些零工以赚点钱弥补学习和生活之需，这已经是学生们之间人所共知的事情。这没有丝毫的让人好奇之处，让人好奇的是这些打工的学生究竟一个月平均能赚多少钱？假设有人说：这个数据是500元，你觉得信不信它呢？当然，你首先需要收集证据，没有证据是肯定说明不了任何问题的。又假设有人通过组织调查取得过如下数据（调查到一共30人，单位：元）： 350 500 900 100 100 200 240 300 100 320 450 260 650 380 290 400 800 400 250 400 290 870 540 320 140 160 300 400 500 340 这时你该做何结论？就算是你得到以上数据的平均数等于423元，你是否就可以作出“是”或“不是”的回答？因为你要作出的回答是针对整个总体的，根据却又只是来自部分总体——即样本，所以事实上不论你最终作出的是“是”还是“不是”的回答，其实都存在犯错误的可能。那么，如何以样本的数据去对总体参数下结论才最科学？才最不容易犯错误呢？这就是一个属于单个总体参数假设检验的问题了，是本章需要解决的问题。 案例二：你可能认为每一个美国人都知道像这样一些简单历史问题的答案“在美国国旗上有多少颗星？有多少条条纹？星代表什么？条纹又代表什么？”。非常有意思的是，并非每一个人都知道问题的答案，而且当你知道问题的答案时，你也许会大吃一惊的。1998年美国杂志《Today’s America》就确实做过这么一个调查，所得到的数据肯定多多少少会出乎很多人的意料之外。下面就是按性别和美国地区列出的知道星的数目的成年人的百分比： 男士 女士 大城市 小城镇 农村 n（知道） 72 72 57 56 31 n（不知道） 22 34 25 16 15 在纽约的伊利县里200个成人被问及在美国国旗上有多少颗星。上面的表现是属于每一类的成人的数目。样本的结果被计算两次，一次按性别算，另一次按回答问题的成人的住所算。 这信息似乎是否与另一次著名的民意调查即玛丽茨的美国民意调查结果一致？正确地回答问题的男士的百分比与女士的百分比之间有显著差别吗？大城市的成年人的百分比与小城镇的成年人的百分比之间有显著差别吗？小城镇的百分比与农村的百分比之间有显著差别吗？等等这样的问题就属于两个总体参数的假设检验问题，也将在本章进行学习。 5.2 基本思想 统计假设检验是统计推断的基本问题之一。所谓“统计假设”指的是关于随机变量分布（或随机事件概率）的各种论断。这些假设可能产生于对随机现象的实际观察，也可能产生于对随机现象的理论分析。以后，用拉丁字母“H”，即英文Hypothesis（假设）的首字母表示统计假设。例如，对于某随机变量X的概率分布，可能提出多种假设： H：X服从正态分布； H：X服从普阿松分布。 等等。又如，实际经验以及概率论的一般理论都表明：如果X表示电子管的使用寿命或纤维的强度，则一般可以假设它服从正态分布；如果X是夏季发生大暴雨的次数，则一般可以假设它服从普阿松分布。 对于两个或两个以上随机变量，可以提出这样的假设： H：它们有相同的分布； H：它们相互独立。 对于随机变量X的分布参数，可以提出如下一些假设：  等等，其中和是已知数，而和 是未知常数。 特别地，如果已知X服从伯努利分布，参数p（0p1）未知，则可以提出如下假设： H：p＝p0； H：p≤p0； 如：在对一批产品的质量验收过程中，若用p表示这批产品的不合格品率，而p0表示不合格品率的最大允许值。当假设H：p≤p0 成立时，这批产品被接收，否则被拒收。 以上各例中，统计假设可能成立也可能不成立。所谓假设检验（也称显著性检验），就是根据对随机变量进行实际观察的结果（即样本取值）来判定事先给定的统计假设H是否成立的一种推断过程[1]。 例如，验收一大批产品，就是要检验假设H：p≤p0。 假设检验在理论研究和实际应用中都占有重要地位。但在这里只能介绍假设检验的基本概念和思想，作为例子介绍一些常用的统计检验方法。 5.2.1 统计假设 以后把关于随机变量（的分布、特征、相互关系等）的每一种论断都叫做统计假设。前面已经列举了一些统计假设的例子。一般地，根据问题的着眼点、条件和特点不同，统计假设有参数假设和非参数假设、简单假设和复合假设、零假设