应用统计-10.pptVIP

第十章 假设检验 一、假设检验基本问题 二、总体平均数检验 三、总体比率检验 四、总体方差检验* 什么叫假设检验 某企业生产一种零件，过去的大量资料表明，零件的平均长度为4 厘米，标准差为 0.1 厘米。改革工艺后，抽查了100个零件，测得样本平均长度为3.94厘米。 工艺改革前后零件的长度是否发生了显著的变化？ 两种可能：一不变，但由于抽样的随机性使样本平均数与总体平均数之间存在抽样误差；二有变，新工艺使总体平均数发生了变化。你的判断是什么？ 假设检验，就是对调查人员所关心的却又是未知的总体参数先做出假设，然后抽取样本，利用样本提供的信息对假设的正确性进行判断的过程。 假设检验再举例 我国出口凤尾鱼罐头，标准规格是每罐净重 250 克，据以往经验，标准差是 3 克。某食品厂生产一批供出口用的这种罐头，从中抽取 100 罐检验，其平均净重 251 克。 假定罐头重量服从正态分布，按规定显著性水平0.05 ，问这批罐头是否合乎出口标准? H0：μ= 250 H1：μ≠25 一、假设检验基本问题 概念：假设检验是先对总体参数提出一个假设，然后利用样本信息去检验这个假设是否成立，如果成立，就接受这个假设，否则就放弃。 步骤：下图。 原理：小概率原理。 类型：双侧检验，单侧检验 错误：弃真错误，取伪错误 假设检验基本步骤 假设检验原理 小概率原理 假设检验的基本原理是小概率原理。小概率原理，是指发生概率很小的随机事件在一次实验中是几乎不可能发生的。根据这一原理，可以做出是否接受原假设的决定。 例如，有一个厂商声称其产品的合格率很高，高达99%，那么从一批产品（如100件）中随机抽取1件，这一件恰好是次品的概率就非常小，只有 1 %。如果厂商的宣称是真的，随机抽取 1 件是次品的情况就几乎是不可能发生的。但如果这种情况确实发生了，我们就有理由怀疑原来的假设，就可以推翻原来的假设、做出厂商的宣称是假的这样一个推断。 显著性水平 假设检验以样本提供的信息进行推断，存在犯错误的可能。有时当原假设正确时，我们却把它当成错误的加以拒绝。犯这种错误的概率用α表示，称α为假设检验中的显著性水平（Significant level）， 也就是决策中所面临的风险。显著性水平是指当原假设正确时人们却把它拒绝了的概率或风险。这个概率是由人们确定的，通常取α=0.05 或α＝0.01。 假设检验应用小概率事件实际极少发生的原理，这里的小概率就是指α。给定了显著性水平α，就可由有关的概率分布表查得临界值，从而确定原假设的接受区域和拒绝区域。临界值就是接受区域和拒绝区域的分界点。 原假设与备择假设 假设：对总体参数（总体平均数、总体比率）的一种推断。 原假设：也称零假设，一般以H0表示，代表“正常”的情形（Business as usual）。检验以假定原假设为真开始。 备择假设：也称被选假设，为零假设的对立情况，一般以H1表示，代表对“正常”情形挑战（Captures the challenge to ‘Business as Usual） 双侧检验举例 如果从2009年的新生儿中随机抽取30个，测得其平均体重为此3210克，而2008年为3190克。问新生儿体重2009年比2008年有无显著差异？ 此题义可理解为 H0：μ= 3190 H1：μ≠3190 只要μ＞3190或μ＜3190中有一个成立，就可以否定原假设。 双侧检验示意 双侧检验的目的是观察在规定的显著性水平下所抽取的样本统计量是否显著地高于或低于假设的总体参数。 双侧检验的示意如下图： 单侧检验（左侧） 按规定灯泡的使用寿命平均低于1000小时，该批灯泡不能出厂。已知灯泡的使用寿命服从正态分布，标准差为20小时。在总体中随机抽取了100只，得知样本均值为960小时，该批灯泡能否出厂？ 此题义可理解为 H0：μ≥1000 H1：μ＜1000 单侧检验（右侧） 某企业生产了一批灯管，按规定每只灯管的使用寿命不得低于1000小时。现从中任意抽取100只，发现有6只的使用寿命低于1000小时，若规定不合格率达到5%时，灯管就不能出厂，问该批灯管能否出厂。 此题义可理解为 H0：μ≤5% H1：μ＞5% 左侧检验与右侧检验示意 左侧检验适用于担心样本统计量会显著地低于假设的总体参数的情况。 右侧检验适用于担心样本统计量会显著地高于假设的总体参数的情况。 假设检验两类错误 假设检验两类错误的概率 假设检验中，犯第Ⅰ类错误(弃真错误)的概率记为α，也称为显著性水平；犯第Ⅱ类错误(取伪错误)的概率记为β。 α越大，就越有可能犯第Ⅰ类错误，即越有可能否定真实的原假设。β越大，就越有可能犯第Ⅱ类错误，即越有可能接受非真的原假