统计建模和R软件第五讲-(2018).pptVIP

例5.12 对一台设备进行寿命检验,记录10次无故障工作时间,并按从小到大的次序排列如下： 420,500,920,1380,1510,1650,1760,2100,2300,2350 试用Kolmogorov-Smirnov检验方法检验次设备无故障工作时间的分布是否服从λ=1/1500的指数分布? x=c(420,500,920,1380,1510,1650,1760,2100,2300,2350) ks.test(x,pexp,1/1800) One-sample Kolmogorov-Smirnov test data: x D = 0.271, p-value = 0.3845 alternative hypothesis: two-sided 第五讲 假设检验 主要内容 5.1 假设检验的基本概念 5.2 重要的参数检验 5.3 若干重要的非参数检验 定义5.1对假设检验问题，设x1…… xn 为样本，W为样本空间中的一个子集，对于给定的α∈(0,1),若W满足： 则称由W构成(H0的)拒绝域的检验方法为显著性水平α的检验。 5.1 基本概念注解 W S1 S2 += α 假设检验的两类错误： 第一类型错误：否定了真实的原假设。(拒真) 犯第一类型错误的概率为显著性水平α，即： 犯第一类型错误的概率可以通过显著性水平α来控制。 第二类型错误：接受了错误的原假设。(取伪) 犯第二类型错误的概率常用β表示，即： 犯β错误的概率的计算是比较复杂的，以正态分布为例,H0: μ=μ0,但是实际上H0为伪,即:μ!=μ0,μ =μ1.在H0 假设下, 我们可以在总体均值为H0和H1两种情况下，分别作出两条正态分布曲线(A线和B线),见图1。 在理论上存在的若干个样本均值中,只要某个样本 均值Xi＞X Bα/2时， 我们将误认为H0为真，也就是不拒绝H0。 由于真实情况是H1为真(H0为假),这样我们就犯了β错误,即纳伪的错误。 犯β错误的概率大小就是相对真实情况H1(正态曲线A)而言，图1中阴影部分的面积： β=Φ ( ZX B1-α/2 )-Φ ( ZXBα/2 ) (ZX B1-α/2 ,ZXBα/2 分别是H0假设下的分位点) X B1-α/2 (H0) (H1)真实的情况: 关于取伪： X Bα/2 4.功效和样本量： 功效就是正确地否定了错误的原假设的概率，常用π表示： 功效可以告诉我们，在备择假设是真时(应该否定H0)时,我们可以否定H0 的可信程度.若功效太低,即使真实的μ与μ0之间有差异,也很难被所用的检验方法发现.而不充分的样本量总是造成检验的低功效. 已知方差时正态分布均值的单样本z检验的功效: H0 1-a ?0 ?0+? 1-? ? H1 单侧备择: 双侧备择 π= 影响功效的因素: α变小,则zα减小,所以功效也减小; 若备择均值远离无效均值(即|μ0- μ1|增加),则功效增加; σ增加,功效减小; 样本量n增加,功效增加; α和μ1固定,样本量n多大才能达到希望的功效? 在单侧检验： 双侧备择下的样本量： 2.使用power.t.test ()函数 power.t.test( n = NULL, delta = NULL, sd = 1, sig.level = 0.05, power = NULL, type = c(two.sample, one.sample, paired), alternative = c(two.sided, one.sided), strict = FALSE) Arguments n Number of observations (per group) delta True difference in means sd Standard deviation sig.level Significance level (Type I error probability) power Power of test (1 minus Type II error probability) type Type of t test alternative One- or two-sided test strict Use strict interpretation in two-sided case Power calculations for one and two sample t tests Usage 例子： power.t.test(n = 20, delta = 1) #已知样本量, 求功效 power.t.test(power = .90, delta = 1) #已知功效, 求样本量 Two-sample t test power calcu