概率论与数理统计--假设检验

参数估计能解决实际问题中分布类型已知时对位置参数进行估计的问题，可是还有许多问题参数估计无法解决。例如，某弓藏生产产品某项指标服从$N(\mu,\sigma_0^2)$分布，经过技术改造后，$\mu$与$\sigma_0^2$是否发生了变化？问题变成$\mu=\mu_0$与$\sigma^2=\sigma_0^2$是否成立？

显然参数估计无法回答这类问题。对这类问题，我们往往先提出假设，然后抽取样本进行观察，根据样本所提供的信息去检验这个假设是否正确，从而做出拒绝或者接受假设的决定。

与前面章节一样，选取正太分布。

1. 单边假设检验
   举最简单例子：
   $$H_0:\mu\leq\mu_0, H_1:\mu>\mu_0$$
   为简单举例，仅仅举一例：

已知总体$X \sim N(\mu,\sigma^2)$，$(X_1,X_2,....,X_n)$为从此总体抽出的容量为n的样本，且显著性水平为$\alpha$。$\sigma^2$已知时，关于均值$\mu$的检验：

若检验的假设为$H_0:\mu=\mu_0, H_1:\mu>\mu_0$，取

$$U=\frac{\overline{X}-\mu_0 }{\sigma/\sqrt{n}}$$
为检验统计量，可以这样通俗理解， $\mu_0$不能过大，最大的范围由置信区间决定，这就和前面参数估计差不多了。
因此，它的拒绝域就是
$$W=\{U\geq U(\alpha)\}$$
2. 双边假设检验
$\sigma^2$已知时，检验假设为 $H_0:\mu=\mu_0, H_1:\mu\neq \mu_0$，取
$$U=\frac{\overline{X}-\mu_0 }{\sigma/\sqrt{n}}$$
给定显著性水平 $\alpha$,拒绝域为
$$W=\{|U|\geq U(\frac{\alpha}{2})\}$$

其余几种类型不再赘述。