概率论完整PT课件第31讲01.pptVIP

假设检验会不会犯错误呢？ 由于作出结论的依据是下述 小概率原理 小概率事件在一次试验中基本上 不会发生 . 不是一定不发生 如果H0成立，但统计量的实测值落入否定域，从而作出否定H0的结论，那就犯了“以真为假”的错误 . 如果H0不成立，但统计量的实测值未落入否定域，从而没有作出否定H0的结论，即接受了错误的H0，那就犯了“以假为真”的错误 . 请看下表 假设检验的两类错误 H0为真 实际情况 决定 拒绝H0 接受H0 H0不真 第一类错误 正确 正确 第二类错误 P{拒绝H0|H0为真}= , P{接受H0|H0不真}= . 犯两类错误的概率: 显著性水平 为犯第一类错误的概率. 假设检验 参数假设检验 非参数假设检验 这类问题称作假设检验问题 . 总体分布已知， 检验关于未知参数 的某个假设 总体分布未知时的 假设检验问题 在本讲中，我们将讨论不同于参数估计的另一类重要的统计推断问题. 这就是根据样本的信息检验关于总体的某个假设是否正确. 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？ 把每一罐都打开倒入量杯, 看看容量是否合于标准. 这样做显然不行！ 罐装可乐的容量按标准应在 350毫升和360毫升之间. 每隔一定时间，抽查若干罐 . 如每隔1小时，抽查5罐，得5个容量的值X1，…，X5，根据这些值来判断生产是否正常. 如发现不正常，就应停产，找出原因，排除故障，然后再生产；如没有问题，就继续按规定时间再抽样，以此监督生产，保证质量. 通常的办法是进行抽样检查. 很明显，不能由5罐容量的数据，在把握不大的情况下就判断生产 不正常，因为停产的损失是很大的. 当然也不能总认为正常，有了问题不能及时发现，这也要造成损失. 如何处理这两者的关系，假设检验面对的就是这种矛盾. 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，解消假设）； 称H1为备选假设（或对立假设）. 在实际工作中，往往把不轻易否定的命题作为原假设. 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？应由什么原则来确定？ 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 - | | 问题归结为对差异作定量的分析，以确定其性质. 差异可能是由抽样的随机性引起的，称为 “抽样误差”或 随机误差 这种误差反映偶然、非本质的因素所引起的随机波动. 然而，这种随机性的波动是有一定限度的，如果差异超过了这个限度，则我们就不能用抽样的随机性来解释了. 必须认为这个差异反映了事物的本质差别，即反映了生产已不正常. 这种差异称作 “系统误差” 问题是，根据所观察到的差异，如何判断它究竟是由于偶然性在起作用，还是生产确实不正常？ 即差异是“抽样误差”还是“系统误差”所引起的？ 这里需要给出一个量的界限 . 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 . 下面我们用一例说明这个原则. 小概率事件在一次试验中基本上不会发生. 这里有两个盒子，各装有100个球. 一盒中的白球和红球数 99个红球 一个白球 …99个 另一盒中的白球和红球数 99个白球 一个红球 …99个 小概率事件在一次试验中基本上不会发生. 现从两盒中随机取出一个盒子，问这个盒子里是白球99个还是红球99个？ 小概率事件在一次试验中基本上不会发生. 我们不妨先假设：这个盒子里有99个白球. 现在我们从中随机摸出一个球，发现是 此时你如何判断