叶宏概率统计66.pptVIP

概 率 统 计 主讲教师 叶宏 例 某织物强力指标X的均值 =21公斤. 改进工艺后生产一批织物，今从中取30件，测得 =21.55公斤. 假设强力指标服从正态分布 且已知 =1.2公斤， 问在显著性水平 =0.01下，新生产织物比过去的织物强力是否有提高? 解:提出假设: 取统计量 否定域为 W : =2.33 是 一小概率事件 代入 =1.2, n=30，并由样本值计算得统计 量U的实测值 U=2.512.33 故拒绝原假设H0 . 落入否定域 这时可能犯第一类错误，犯错误的概率不超过0.01. 例 某厂生产小型马达,说明书上写着:在正常负载下平均消耗电流不超过0.8 安培. 假设 　　随机测试16台马达, 平均消耗电流为0.92安培，标准差为0.32安培. 　　设马达所消耗的电流 服从正态分布, 取显著性水平为? = 0.05, 问根据此样本, 能否否定厂方的断言? H0 : ? ? 0.8 ； H1 : ? 0.8 H0 : ? ? 0.8 ； H1 : ? 0.8 解一 H0 : ? ? 0.8 ； H1 : ? 0.8 ? 未知, 选检验统计量: 代入得 故接受原假设 H0 , 即不能否定厂方断言. 拒绝域为 落在拒绝域外 将 解二 H0 : ? ? 0.8 ； H1 : ? 0.8 选用统计量 拒绝域 故接受原假设, 即否定厂方断言. 现 落在拒绝域外 由例可见: 对问题的提法不同(把哪个假设作为原假设),统计检验的结果也会不同. 上述两种解法得到不同的结论 第一种假设是不轻易否定厂方的结论； 第二种假设是不轻易相信厂方的结论. 为何用假设检验处理同一问题会得到截然相反的结果? 这里固然有把哪个假设作为原假设从而引起检验结果不同这一原因；除此外还有一个根本的原因，即样本容量不够大． 若样本容量足够大，则不论把哪个假设作为原假设所得检验结果基本上应该是一样的．否则假设检验便无意义！ 由于假设检验是控制犯第一类错 误的概率, 使得拒绝原假设 H0 的决策 变得比较慎重, 也就是 H0 得到特别的 保护. 因而, 通常把有把握的, 经验的 结论作为原假设, 或者尽量使后果严 重的错误成为第一类错误. 设 X ~ N ( ?1 ? ?1 2 ), Y ~ N ( ?2 ? ?2 2 ) 两样本 X , Y 相互独立, 样本 (X1, X2 ,…, Xn ), ( Y1, Y2 ,…, Ym ) 显著性水平? 3.两个正态总体 ?1 = ?2 ( ?12，?22 已知) (1) 关于均值差 ?1 – ?2 的检验 ?1 ? ?2 ?1 ? ?2 ?1 ?2 ?1 ?2 ?1 ? ?2 原假设 H0 备择假设 H1 检验统计量及其在 H0为真时的分布 拒绝域 ?1 = ?2 ?1 ? ?2 ?1 ? ?2 ?1 ?2 ?1 ?2 ?1 ? ?2 原假设 H0 备择假设 H1 检验统计量及其在 H0为真时的分布 拒绝域 其中 ?12,? 22未知 ?12 = ? 22 * * §6.3 假设检验的基本概念 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. 这类问题称作假设检验问题 . 假设检验是指施加于一个或多个总体的概率分布或参数的假设.所作假设可以是正确的,也可以是错误的. 为判断所作的假设是否正确, 从总体中抽取样本,根据样本的取值,按一定原则进行检验, 然后作出接受或拒绝所作假设的决定. 何为假设检验? 若对 参数 有所 了解 但有怀 疑猜测 需要证 实之时 用假设 检验的 方法来 处理 若对参数 一无所知 用参数估计 的方法处理 假设检验的内容 参数检验 非参数检验 假设检验 总体分布已知时 检验关于未知参 数的某个假设 总体分布未知时 对分布类型的假 设检验问题 假设检验所以可行,其理论背景为实际推断原理,即“小概率原理” 假设检验的理论依据 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. 99个红球 一个白球 99个白球 一个红球 现从两盒中随机取出一个盒子，问这 个盒子里