假设检验-非参检验.ppt

前面已经研究了假设检验的基本思想，并讨论了当总体分布已知时，关于其中未知参数的假设检验问题 . 然而可能遇到这样的情形，总体服从何种理论分布并不知道，要求我们直接对总体分布提出一个假设 . 例如，从1500到1931年的432年间，每年爆发战争的次数可以看作一个随机变量，椐统计，这432年间共爆发了299次战争，具体数据如下: 战争次数X 0 1 2 3 4 223 142 48 15 4 发生X次战争的年数 Poisson分布? 对总体分布进行检验的问题称为分布的拟合检验. 第四节 分布拟合检验 K.皮尔逊 χ2检验法是在总体X 的分布未知时，根据来自总体的样本，检验关于总体分布的假设的一种检验方法. 基本思想: H0：总体X的分布函数为F(x) 然后根据样本的经验分布和所假设的理论分布之间的吻合程度来决定是否接受原假设.这种检验通常称作拟合优度检验，它是一种非参数检验. 基本原理和步骤如下: 一、χ2拟合优度检验 提出原假设: 3.根据所假设的理论分布,可以算出总体X的值落入每个 Ai的概率pi ,于是npi就是落入 Ai 的样本值的理论频数. 将总体X的取值范围分成k个互不重迭的小区间（或小组）, 记作 A1, A2, …, Ak . 2.把落入第i个小区间Ai的样本值的个数记作ni ，称为实测频数. 所有实测频数之和n1+ n2+ …+nk等于样本容量n. 它标志着经验分布与理论分布之间的差异的大小. 4.皮尔逊引进如下统计量表示经验分布与理论分布之间的差异: 在理论分布 已知的条件下, npi是常量 实测频数 理论频数 其分布是什么? H0：P(Ai) =pi , i=1,2,….k. Pearson证明了如下定理: 若原假设中的理论分布F(x)已经完全给定，那么当 n充分大时，统计量 注:若在H0下分布类型已知，但其参数未知，这时需要先用极大似然估计法估计参数，然后作检验. Fisher证明了如下定理: 若原假设中的理论分布F(x)中有r 个未知参数需用相应的最大似然估计来代替，那么当 n 充分大时，统计量 如果根据所给的样本值 x1, x2, .., xn算得统计量χ2的实测值落入拒绝域，则拒绝原假设；否则就认为差异不显著而接受原假设. 分别得拒绝域: (不需估计参数) (估计r 个参数) 查χ2 分布表可得临界值χ21-α ，使得 根据以上定理，对给定的显著性水平α, 注：皮尔逊定理是在n无限增大时推导出来的，因而使用时要注意n要足够大以及npi 不太小这两个条件. 根据计算实践，要求n不小于50以及npi 不小于 5. 否则应适当合并相邻区间，使npi满足此要求 . 例1.掷一颗骰子60次，结果如下：试在α =0.05水平下检验其是否均匀?(P367) 7 8 12 11 9 13 60 次数 1 2 3 4 5 6 合计 点数 解: 这是一个分布的拟合优度检验，记出现点数i 的概率为pi , 提出假设： 检验的拒绝域为: 现在α =0.05，k=6,查表得 由样本，得检验统计量的值： 未落入拒绝域， 即认为是均匀的。 例2.试检验每年爆发战争次数分布是否服从泊松分布. 解: 这是一个分布的拟合优度检验，提出假设：H0: X～P(λ) 按参数为0.69的泊松分布，计算事件X=i 的概率pi ， 将有关计算结果列表如下: pi 的估计是 i=0,1,2,3,4 由观察值，得参数λ的最大似然估计为 2.673 299 合计 1.863 2.05 0.00474 4 4 11.86 0.0275 15 3 0.251 51.6 0.1194 48 2 0.376 149.5 0.346 142 1 0.183 216.7 0.5016 223 0 实测频数ni 战争次数x 13.91 注:将n 5的组予以合并，即将发生3次及以上次数的组归并为一组. ≥3 因H0所假设的理论分布中有一个未知参数，即r=1,又k=4,故自由度为4-1-1=2. 又α=0.05，自由度为2查χ2分布表得: 未落入拒绝域， 例3.某建筑单位宣称其麾下的建筑工地每天发生的事故不超过0.6起.现记录了该建筑单位工地200天的安全生产情况,数据如下,试在α =0.05水平下检验其宣称是否成立 ? (P352) 102 59 30 8 0 1 0