概率与数理统计假设检验详细讲解及例题课件.pptVIP

两类错误是互相关联的， 当样本容量固定时，一类错误概率的减少导致另一类错误概率的增加. 要同时降低两类错误的概率 ，或者要在 不变的条件下降低 ，需要增加样本容量. 一般说来，按照检验所用的统计量的分布, 分为 U 检验 用正态分布 t 检验 用 t 分布 检验 用 分布 假 设 检 验 让我们先看一个例子. 这一讲我们讨论对参数的假设检验 . 生产流水线上罐装可乐不断地封装，然后装箱外运. 怎么知道这批罐装可乐的容量是否合格呢？ 罐装可乐的容量按标准应在 350毫升和360毫升之间. 在正常生产条件下，由于种种随机因素的影响，每罐可乐的容量应在355毫升上下波动. 这些因素中没有哪一个占有特殊重要的地位. 因此，根据中心极限定理，假定每罐容量服从正态分布是合理的. 现在我们就来讨论这个问题. 罐装可乐的容量按标准应在 350毫升和360毫升之间. 它的对立假设是： 称H0为原假设（或零假设）； 称H1为备择假设（或对立假设）. H0： （ = 355） H1： 这样，我们可以认为X1,…,X5是取自正态 总体 的样本， 是一个常数. 当生产比较稳定时， 现在要检验的假设是： 那么，如何判断原假设H0 是否成立呢？ 较大、较小是一个相对的概念，合理的界限在何处？ 由于 是正态分布的期望值，它的估计量是样本均值 ，因此可以根据 与 的差距 来判断H0 是否成立. - | | 较小时，可以认为H0是成立的； 当 - | | 生产已不正常. 当 较大时，应认为H0不成立，即 - | | 问题是：如何给出这个量的界限？ 这里用到人们在实践中普遍采用的一个原则： 小概率事件在一次试验中基本上不会发生 . 现在回到我们前面罐装可乐的例中。 在提出原假设H0后，如何作出接受和拒绝H0的结论呢？ 在假设检验中，我们称这个小概率为显著性水平，用 表示. 常取 的选择要根据实际情况而定。 罐装可乐的容量 。一批可乐出厂前应进行抽样检查，现抽查了5罐，测得容量为X1,X2,…,X5，计算得 。 问这一批可乐的容量是否合格？ 例1 (U检验) 定理 1 (样本均值的分布) 设X1,X2,…,Xn是取自正态总体 的样本，则有 (1) 提出假设 (2) 选检验统计量 ~ N(0,1) H0： = 355 H1： ≠ 355 由于 已知， 对给定的显著性水平 ，可以在N(0,1)表中查到分位点的值 ，使 小概率事件 即“ ”是一个小概率事件 . 小概率事件在一次 试验中基本上不会 发生 . （3）对给定的显著性水平 =0.01，查表确定临界值 ,使 得否定域 W: |U |2.5758 故我们可以取拒绝域为： 也就是说,“ ”是一个小概率事件. W： 如果由样本值算得该统计量的实测值落入区域W，则拒绝H0 ；否则，不能拒绝H0 . （4）由已知条件得 故接受H0 。即认为这一批可乐的容量合格。 如果H0 是对的，那么衡量差异大小的统计量落入拒绝域是个小概率事件. 如果该统计量的实测值落入W，也就是说， H0 成立下的小概率事件发生了，那么就认为H0不可信而否定它. 否则我们就不能否定H0. 这里所依据的逻辑是： 不否定H0并不是肯定H0一定对，而只是说差异还不够显著，还没有达到足以否定H0的程度 . 所以假设检验又叫 “显著性检验” 如果显著性水平 取得很小，则拒绝域也会比较小. 其产生的后果是： H0难于被拒绝. 如果在 很小的情况下H0仍被拒绝了，则说明实际情况很可能与之 有显著差异. 在上面的例子的叙述中，我们已经初步介绍了假设检验的基本思想和方法 . 下面，我们再结合另一个例子，进一步说明假设检验的一般步骤 . 某工厂生产的一种螺钉，标准要求长度是32.5毫米. 实际生产的产品，其长度X假定服从正态分布 未知，现从该厂生产的一批产品中抽取6件, 得尺寸数据如下: 32.56, 29.66, 31.64, 30.00, 31.87, 31.03 问这批产品是否合格? 现在要检验 是否为32.5. 例2 (t检验) 提出原假设和备择