[理学]均值假设检验.ppt

* 以样本大小为12及统计检验值t = -1.938，来估计左尾t检验的P值。 * 以样本大小为25及统计检验值t=-0.895，来估计双尾t检验的P值。 * 总体平均数的单一样本t检验（「临界值」法）（The One-Sample t-Test for a Population Mean （Critical-Value Approach ）） 假设： 正态总体/大样本。 σ未知。 步驟一：零假设为H0 ： ? = ?0 ，备择假设为 或 或 （双侧） （左侧） （右侧） 步驟二：确定显著水平「α」。 * 步驟三：计算检验统计量 步驟四：临界值为 或 或 （双尾） （左尾） （右尾）使用表A-6找出临界值。 * 步驟五：若此统计检验量的值落在拒绝区內，则拒绝H0；反之，则无法拒绝H0 。 步驟六：解释此假设检验的结果。 此假设检验在正态总体是精确的，在非正态总体中的大样本里则是趋近于正确的。 * 总体平均数的单一样本t检验（「P值」法）（The One-Sample t-Test for a Population Mean （P-Value Approach ）） 假设： 正态总体/大样本。 σ未知。 步驟一：零假设为H0 ： ? = ?0 ，备择假设为 或 或 （双侧） （左侧） （右侧） 步驟二：确定显著性水平「α」。 * 步驟三：计算检验统计量并标记为t0。 步驟四：临界值为 或 或 （双尾） （左尾） （右尾）使用表A-6找出临界值。 * 步驟五：若P≤α，则拒绝H0；反之，无法拒绝H0 。 步驟六：解释此假设检验的结果。 此假设检验在正态总体是精确的，在非正态总体中的大样本里则是趋近于正确的。 * 7 .应该选用何种方法？Which Procedure Should be Used？ * 类型 假设 统计检验数 z检验 1.正态分布或大样本 2.σ已知 t检验 1.正态分布/小样本 2.σ未知 自由度=（n-1） W检验 对称总体 W=绝对值排序后，符号为「+」的加总 * * 对称总体？ 开始 正态总体？ 大样本？ 与统计员討论 标准差已知？ 使用单一样本 z检验 使用单一样本 t检验 使用 Wilcoxon Signed-Rank检验 是 是 是 是 否 否 否 否 Alpha 越大，检验越有说服力？ * * 第一型错误及第二型错误（Type Ⅰ and Type Ⅱ Errors） 第一类型错误（Type Ⅰ Error）：当零假设为真时，错误地拒绝零假设。佘祥林案　 第二类型错误（Type Ⅱ Error）：当零假设为伪时，错误地沒有拒绝零假设。辛普森案 Type I II error * 显著水平（Significance Level） 发生第Ⅰ类型错误的机率为α，意即在零假设正确时拒绝零假设的机率。也是假设检验时的显著水平（Significance Level)。 发生第Ⅱ类型错误的机率，则为β。 * 第Ⅰ与第Ⅱ类型错误机率之间的关系（Relation Between Type Ⅰand Type Ⅱ Error Probabilities） 理想上，假设检验时第一类型与第二类型错误的机率都应越低越好，但是…. 样本大小固定时，当显著水平α越小时，β（虚无假设为伪时，未拒绝虚无假设的机率）越大。为什么？ 　令可错杀三千，不可放走一人？ * 假设检验可能的结论（Possible Conclusion for a Hypothesis Test） 若零假设被拒绝，我们下结论：备择假设是正确的。 若零假设不被拒绝，我们下结论：这些资料无法提供足够的证据来支持备择假设。 * 犯第Ⅱ类型错误的机率；统计功效 Type Ⅱ Error Probabilities; Power * 小问题： 真实的μ和期望的μ的差距和β是什么关系？ α 和β的关系？ 样本大小和β的关系？ * 图示油量里程表的临界值（α=0.05，n=30） 。 * 当每加侖里程数μ=25.8时，检验犯第Ⅱ类型错误的机率β。 * μ=25.8、25.6、25.3及25.0时第Ⅱ类型错误的机率。 * 统计检验力（Power） 假设检验中的统计功效是「不犯第Ⅱ类型错误的机率」，那也就是說，拒绝错误的零假设的机率。我们可以表示为： Power=1-P( TypeⅡerror )=1-β 假设检验的功效介于