数学假设检验2011.pptxVIP

数学假设检验2011;第四章 假设检验;总体;统计推断;进行田间试验的目的并不是仅获得样本资料，而是通过样本资料的有关信息推测样本所在总体的有关特征，这就是统计推断。;统计推断; 假设检验（test of hypothsis) 显著性检验(test of significance) 常用的有u检验、t检验、F检验和?2检验等。尽管这些检验方法的使用条件及用途不同，但检验的基本原理是相同的。 ;第一节 假设检验的 基本原理 ;下一张 ;一、统计假设测验的基本思路; 因此统计推断只能从第三种可能性出发点，先假设真实差异不存在，试验的表面差异全为试验误差。 在该假设正确的前提下，计算试验结果出现的概率，根据概率的大小来判断假设是否正确，即真实差异是否存在。 ; 统计假设测验：对统计假设是否正确的证明过程。;统计推断：把试验的表面效应与误差大小相比较并由表面效应可能属于误差的概率而作出推论的方法。;二、统计假设测验的基本步骤;标准正态离差 ;试验表面差异全为试验误差的概率小于0.05。 根据小概率事件实际不可能性原理，原先的假设应被否定，即表面差异不全为试验误差，新品系与原品种之间存在真实差异。; 随机事件概率的大小客观地反映事件在一次试验中发生的可能性的大小。概率大，表示该事件发生的可能性大；概率小，说明该事件发生的可能性小； 农业研究中多采用5%、1%这两个标准作为小概率事件。;显著水平（significant level）: 判断是否属小概率事件的概率值, 以α表示。;当1%＜p ≤5%称所测差异显著; ;无效假设(null hypothesis)， 记为H0： μ= μ0。;?无效假设是有意义的；;1. 对样本所属总体提出假设，包括无效 假设和备择假设。;统计假设测验的基本步骤：;三、统计假设测验的几何意义;若要在0.05水平上接受H0： μ= μ0;同理，α=0.01时，由附表2得u=2.58， 则 H0： μ= μ0的接受区域为：;;;四、两尾测验和一尾测验;象这种在假设测验中所考虑的概率只用一尾概率的测验称为一尾测验(one-tailed test)(图4.2)。;当α=0.05时，三种无效假设的接受区间：;一尾检验的　　 =两尾检验的　　 =2.33。 ;图4.2a α=0.05时H0：μ≤μ0的接受区和否定??;; 综上所述，从提出无效假设与备择假设，到根据小概率事件实际不可能性原理来否定或接受无效假设，这一过程实际上是应用所谓“概率性质的反证法”对样本所属总体所作的无效假设的统计推断。;五、统计假设测验的两类错误 ;假设测验的两类错误; 如果无效假设是错误的，但通过试验结果的假设测验却接受了它，这样所犯的错误称第二类错误或Ⅱ型错误。由于犯Ⅱ型错误的概率常记为β ，故又称为 β 错误。 ;现用小麦品种一例来说明β值的计算。;;那么β值的计算方法为：;查附表2，P(u＜-2.96)=0.0015，P(u＜0.96)=0.8315。;;在样本容量n一定时，提高显著水平，可以减少犯第一类错误的概率，但同时增大了犯第二类错误的概率。;如显著水平一定，则改进试验技术和增加样本容量可以有效的降低犯两类错误的概率。 ;如第一节小麦产量一例，如n从25增至225，则;;注 意: 根据试验目的正确选用一尾或两尾测验；根据试验设计的不同，正确选用成对数据或成组数据的测验方法。 ; 例如，经 检验获得“差异显著”的结论，我们有95%的把握否定无效假设H0，同时要冒5%下错结论的风险； 经 检验获得“差异极显著”的结论，我们有99%的把握否定无效假设H0，同时要冒1%下错结论的风险；而经 检验获得“差异不显著”的结论，在统计学上是指“没有理由”否定无效假设H0，同样也要冒下错结论的风险。; 显著性检验的两类错误归纳如下：; 如经　 检验获得“差异显著”或“差异极显著”，我们有95%或99%的把握认为， 与 不相同， 判断错误的可能性不超过5%或1% ； ; 若经　 检验获得 “差异不显著”， 我们只能认为在本次试验条件下， 无效假设 H0 未被否定，这有两种可能存在： 或者是 与 确实没有差异， 或者是 与 有差异而因为试验误差大被掩盖了。; 　　因而，不能仅凭统计推断就简单地作出绝对肯定或绝对否定的结论。 “统计推断有很大的可靠性，但有一定的错误率” 这是统计推断的基本特点。;;;; ;;下一张 ;;;; ; 将试