第四章 统计推断PPT.pptx

统计推断(statistical inference);第四章 统计推断;分析误差产生的原因;第四章;第一节;8;9;10;一 概念 ： 假设检验（hypothesis test）又称显著性检验（significance test）,就是根据总体的理论分布和小概率原理，对未知或不完全知道的总体提出两种彼此对立的假设，然后由样本的实际结果 ，经过一定的计算，作出在一定概率意义上应该接受的那种假设的推断。;小概率原理;假 设 检 验;二 、假设检验的步骤;1 、提出假设;例：克矽平治疗矽肺病是否能提高血红蛋白含量？;2 、 确定显著水平;3 、选定检验方法，计算检验统计量，确定概率值;4、作出推断结论：是否接受假设;例：上例中 P＝0.11420.05 所以接受H0，从而得出结论：使用克矽平治疗前后血红蛋白含量未发现有显著差异，其差值10应归于误差所致。;21;三、双侧检验与单侧检验;此时，在α水平上否定域为(-∞，uα ]和 (uα，＋∞] ，对称地分配在u分布曲线的两侧尾部，每侧的概率为α/2。这种利用两尾概率进行的检验叫双侧检验 ，也叫双尾检验，uα为双侧检验的临界u值。 但在有些情况下， 双侧检验不一定符合实际情况。;显著性水平和拒绝域(双侧检验 );?;显著性水平和拒绝域(双侧检验 );显著性水平和拒绝域(双侧检验 );显著性水平和拒绝域(双侧检验 );;;若无效假设H0：μ1=μ2，备择假设 HA为μ1＜μ2，此时H0的否定域在 u分布曲线的左尾。在α水平上，H0的否定域为(-∞，uα]，左侧的概率为α。这种利用一尾概率进行的检验叫单尾检验。此时，uα为单侧检验的临界u值。 单侧检验的uα=双侧检验的u2α。同一资料双侧检验与单侧检验所得的结论不一定相同。;例如，我们已经知道新药的疗效不可能低于旧药，于是其无效假设H0：μ≤μ0，备择假设HA：μ＞μ0 ，否定区只有一个。进行左尾检验。 反之，无效假设H0：μ≥μ0，备择假设HA：μ＜μ0 ，需要进行右尾检验。;显著性水平和拒绝域(单侧检验 );显著性水平和拒绝域(左侧检验 );显著性水平和拒绝域(左侧检验 );;;;单尾检验;u 0.05=1.64 u 0.01=2.33;四、显著水平与两种类型的错误;如果试验中难以控制的因素较多，试验误差可能较大，则显著水平可选低些，即α值取大些。反之，如试验耗费较大，对精确度的要求较高，不容许反复，或者试验结论的应用事关重大，则所选显著水平应高些，即α值应该小些。;显著性检验的接受还是否定无效假设，都没有100%的把握。在检验无效假设时可能犯两类错误。 第一类错误是真实情况为H0成立，却否定了它，犯了“弃真”错误，也叫α错误。就是把非真实差异错判为真实差异，即H0：μ=μ0为真，却接受了HA：μ≠μ0 。犯错误的概率为0.05%。;第二类错误是H0不成立，却接受了它，犯了“纳伪”错误，也叫β错误。就是把真实差异错判为非真实差异，即HA：μ≠μ0为真，却未能否定H0：μ=μ0。;假设检验的两类错误 　　　　　　H0正确　　 　　 H0 错误 否定H0　　　　?错误(?)　　 推断正确(1-?) 接受H0　　 推断正确(1-?)　 ?错误(?);? ? 错误和? 错误的关系;;1.在提高显著水平，即减小α值时，为了减小犯Ⅱ型错误的概率，可适当增大样本含量。 2.我们的愿望是α值不越过某个给定值， 如α=0.05或 0.01的前提下，通过试验设计和增大样本含量，使σ值减小，是减少两类错误的关键。 ;第二节 样本平均数的假设检验;总体均值的检验 (大样本);1、总体方差σ2已知时的 u 检验;例题：某渔场按规定方法育鲢鱼苗一月龄平均体长为7.25cm,标准差为1.58cm,为提高鱼苗的质量,现采用一种新方法育苗,一月龄时随机抽取100尾进行测量,测得平均体长为7.65cm,试问新方法育苗与规定方法育苗有无显著差异? 这里的总体σ=1.58cm，σ2为已知，故采用u 检验；又新育苗法的平均体长可能高，也可能低，用双尾检验。;检验步骤为： (1) 假设H0:μ=μ0=7.25cm, 月龄体长相同。对HA:μ≠μ0 (2)选取显著水平α =0.05 (3)检验计算: =(7.65-7.25)/0.158=2.532 (4)推断:u分布中,当α=0.05时, u0.05=1.96。 实得|u|＞1.96,P＜0.05,故否定H0 ,接受HA 。 新育苗法与规定育苗方法有显著差异。;2、总体方差σ2未知时的 u 检验;由题意,μ=30.0, =30.2,s=2.5, σ2未知,但n=400为大样本,