试验设计跟统计 统计假设测验新.pptxVIP

第五章;第一节 统计假设检验的基本原理 第二节 样本平均数的假设检验 第三节 参数的区间估计 ;第一节;统计学的一个主要任务是研究总体和样本之间的关系。; 一个试验相当于一个样本，由一个样本平均数可以对总体平均数作出估计，但样本平均数是因不同样本而变化的，即样本平均数有抽样误差。用存在误差的样本平均数来推断总体，其结论并不是绝对正确的。 ; 例：某罐头厂生产肉类罐头，其自动装罐机在正常工作状态时每罐净质量具有正态分布N(500，64)(单位为g)。某日随机抽查了10瓶罐头，得结果如下：505，512，497，493，508，515，502，495，490，510，问该装罐机该日工作是否正常？; 根据上章抽样误差出现的概率可利用抽样分布来计算，因此，只要设定一概率标准，例如，表面效应属于误差的概率不大于5%便可推论表面效应不大可能属误差所致。;一、统计假设; 这种利用样本的结果以检验假设是否正确(或错误)的过 程称为假设检验。;(一)单个平均数的假设;(二)两个平均数相比较的假设;为什么首先要做零假设？;先按研究目的提出一个假设； 然后通过试验或调查，取得样本资料； 最后检查这些资料结果，看看是否与零假设所提出的有关总体参数相符。如果在一定的概率范围内两者接近，则接受零假设；反之，则接受备择假设。 ; 例：某酿造厂原生产标准酿出的醋的醋酸含量为μ0＝9.75%，并从长期生产结果获得其标准差σ＝5.30%。现引进了一种酿醋的新曲种，采用新曲种酿造得30个醋样，其醋酸含量平均值为 ＝11.99%，问是否能由采用新曲种的30个醋样的平均数 与原生产标准的总体平均数μ0的差异 －μ0＝2.24%来说明采用新曲种后醋酸含量有所改变？; 则假设两个样本的总体平均数相等，即H0：μ1＝μ2，也就是假设两个样本平均数的差数　　　 属随机误差，而非真实差异；其对应假设则为HA：μ1≠μ2。; 上例中，零假设为H0:μ＝μ0，即新曲种醋酸产量与原曲种醋酸产量总体无显著差异。在此前提下，该样本平均数的抽样分布是可以推知的，即呈正态分布（n=30）。; 在假设H0为正确的条件下，根据 的抽样分布算出获得 =11.99%的概率，或者说???得出现随机误差 －μ0=2.24%的概率：;如 在这一区间外则否定H0。; 因此,在 的抽样分布中，落在( )区间内的 有95%，落在这一区间外(即 ≤ -1.96 和 ≥ +1.96 )的 只有5%。;而 ≤μ-1.96 　 和 ≥μ+1.96 　 为两个否定H0区域。; 如上述酿醋的新曲种为例,μ0=9.75%， ＝0.97%，1.96　 =1.90%。因之，它的两个2.5%概率的否定区域为 ≤9.75%-1.90%和 ≥9.75%+1.90%，即 大于等于10.65%和小于等于7.85%的概率只有5%。;(三)根据“小概率事件实际上不可能发生”原理接受或否定零假设;假设检验时选用的显著水平：;在假设检验时所考虑的概率为正态曲线左边一尾概率(小于9.75%)和右边一尾概率(大于9.75%)的总和。这类检验称为两尾检验(two-tailed test)，它具有两个否定区域。;若否定H0，则必然接受HA:μ＞90%。因而，这个对应的备择假设仅有一种可能性, 而统计假设仅有一个否定区域，即正态曲线的右边一尾。这类检验称为一尾检验(one-tailed test)。;零假设为 H0:μ≥μ0 备择假设为HA:μ＜μ0;四、假设检验的两类错误 ; 犯第一类错误的概率; 作出这种统计推断可能犯的错误是：如果客观上样本所代表的总体参数与已知总体间有差异，可是假设测验却不能发现这种差异，测验结果认为没有差异，这是第二类错误，错误的概率为β值。;已知总体的均值μ0=300kg，其平均数抽样标准误为15，被抽样总体的平均数μ＝315kg、标准误为15。;提高显著水平α，如取α=0.01或0.001，则c1线向左移动，c2线向右移动，因而β值会增大。;如果假定新总体的μ =345 kg，即离μ0=300kg更远一些，则犯第二类错误的概率β=0.15=15%。; 样本容量增加，则两类错误的概率都可减小。;第二节 平均数的假设检验;从一个平均数为μ、方差为σ2的正态总体中抽样，或者在一个非正态总体里抽样只要样本容量有足够大，则所得一系列样本平均数的分布必趋向正态分布，具有 N(μ, )，并且标准化离差 遵循标准正态分布N(0，1)。;