基本概念课件.pptVIP

解：1.建立假設2.選取檢驗統計量3.作出判斷查表，得t檢驗的p-值為 故 在顯著性水準α0.89下不能拒絕零假設。檢驗的相對效率效率是一個相對術語，它是用來比較在相同條件下兩種檢驗的樣本容量。設A和B分別表示兩種檢驗，用來檢驗相同的零假設和備擇假設，臨界域對應的α和β相等，B對A的相對效率(或“B相對於A的效率”)定義為na/nb。其中na和nb分別表示A和B所需要的樣本量。即：Ｂ檢驗的功效效率＝na／nb×100％漸進相對效率為達到同樣α和β，檢驗T1需要n1個樣本,T2需要n2個樣本，則n1/n2就是T2/T1的相對效率(relativeefficiency).如果固定α而讓n1→∞(這時勢=1-β不斷增加),則相應檢驗的樣本量n2也一定要增加（趨於∞）以保持兩個檢驗的勢一樣.在一定條件下,相對效率n1/n2存在極限,這個極限稱為T2對T1的漸進相對效率(ARE-asymptoticrelativeefficiency).連續性修正在實踐中，當用連續分佈去近似離散分佈時，常用連續性修正。最常用於近似的連續分佈是正態分佈。以相鄰點距離為1的離散變數為例，每個點x就用區間（x-1/2,x+1/2）來代替，用連續（如正態）分佈的相應的區間的概率來近似。這種對x加或減部分鄰域範圍內的調整就稱為連續性修正。在近似時最常利用連續性修正的離散分佈為二項分佈，超幾何分佈和Possion分佈。用來近似的正態分佈都有和它們同樣的均值和方差。如對於二項分佈B(n,p)，隨機變數X，概率由來近似。順序統計量順序統計量：基本概念1.1非參數統計概念與產生1.2假設檢驗回顧1.3經驗分佈與分佈探索1.4檢驗的相對效率1.5分位數和非參數估計1.6秩檢驗統計量1.7U統計量非參數統計方法簡介參數方法定義：對總體分佈族或統計模型只依賴於有限個實參數的問題，通稱為“參數統計問題”，也就是說，總體分佈服從正態分佈或總體分佈已知條件下的統計檢驗，稱為參數檢驗，研究這一問題的統計分支稱為參數統計。參數統計的大部分方法要求所分析的數據至少是定距尺度測量的結果。如：統計學中的t檢驗、F檢驗等，都屬於參數檢驗。非參數統計非參數檢驗通常認為是總體分佈不要求遵從正態分佈或總體分佈未知條件下的統計檢驗，研究這一問題的分支稱為非參數統計。適用低於定距尺度測量的數據。人們希望在不假定總體分佈的情況下，儘量從數據本身來獲得所需要的資訊。這就是非參數統計的宗旨。注意非參數統計的名字中的“非參數(nonparametric)”意味著其方法不涉及描述總體分佈的有關參數；它被稱為和分佈無關(distribution—free)，是因為其推斷方法和總體分佈無關；不應理解為與所有分佈(例如有關秩的分佈)無關．非參數檢驗的假定條件比參數檢驗寬鬆的多，不僅對總體分佈，而且對數據的測量形式表1-1四種測量層次及適宜的統計量測量層次數學性質描述統計量適合的統計檢驗定類尺度=≠眾數、頻率列聯繫數非參數檢驗定序尺度=≠中位數、百分位數Kendallτ、SpearmanrS定距尺度=≠+—平均值方差Pearsonr參數檢驗與非參數檢驗定比尺度=≠+—X/幾何均值標準差係數多重相關係數非參數統計優點適用面廣假定條件少具有穩健性非參數統計缺點當定距或定比尺度測量的數據能夠滿足參數統計的所有假設時，非參數統計方法雖可用，但效果遠不如參數統計方法。參數方法對數據有較強的假定條件，當數據滿足這些條件時，參數統計方法能從中廣泛充分的提取有關資訊。準備知識假設檢驗和置信區間檢驗的相對效率連續性修正秩檢驗統計量假設檢驗（hypothesistesting）回顧樣本均值與總體均值不等或兩樣本均值不等，有兩種可能：由抽樣誤差所致兩者來自不同的總體假設檢驗是用來判斷樣本與樣本，樣本與總體的差異是由抽樣誤差引起還是本質差別造成的統計推斷方法。總體μ隨機抽樣抽樣誤差樣本？總體μ0？總體樣本2隨機抽樣統計推斷抽樣誤差樣本1=？假設檢驗基本思想小概率反證法思想。小概率思想是指小概率事件（P0.01或P0.05）在一次試驗中基本上不會發生。反證