假设检验初步

最新推荐文章于 2024-08-30 08:00:08 发布

LKJLKJKL

最新推荐文章于 2024-08-30 08:00:08 发布

阅读量175

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/LKJLKJKL/article/details/99619191

版权

机器学习专栏收录该内容

15 篇文章 1 订阅

订阅专栏

$\small H_0$ :假设总的体均值是 $\small u_0$ ，即是 $\small u=u_0$

$\small H_1$ :

我们现在对总体进行抽样，根据参数估计的知识，知道样本均值 $\small \overline{X}$ 是总体均值的无偏估计，因此，样本观察值在一定程度上反映总体特性。如果H0是正确的，即是总体均值是 $\small u_0$ ，那么他们之间的差距应该不用太大，可以用 $\small \left |\overline{X}-u_0 \right |$ 来表征这个差距，所以 $\small \left |\overline{X}-u_0 \right |$ 它不应该太大。

由于总体服从正态分布的时候 $\small \frac{\overline{X}-u_0}{\sigma/n}\sim N(0,1)$ ,这位计算带来了方便，并且它同样可以表征差距大小。

直观的想法是当差距太大的时候，我们就认为 $\small H_0$ 的假设是错误的，不能接受。于是接受其反面。

现在假设 $\small \left |\frac{\overline{X}-u_0}{\sigma/n} \right |\geq k$ 时就超出了我们的预期，但是注意到我们的 $\small k$ 是个未知数，所以需要进一步挖掘信息来求出这个未知数，求未知数嘛，解方程好了，所以我们要列一个方程。

注意到，就算 $\small H_0$ 的假设真的是对的，由于外部环境的影响，人为原因的影响，都可能导致 $\small \left |\frac{\overline{X}-u_0}{\sigma/n} \right |\geq k$ 成立，即是超出预期，这种错误发生的情况下我们不能拒绝原命题，因为这不是事实的反应。

外部环境的影响，人为原因的影响造成的这种意外的超出范围是一种错误，而且他具有随机性，是一个随机事件。 这种错误是我们不希望的，但是又无法避免，因而我们希望它发生的概率比较小，而且不超过有个范围，比如 $\large \alpha$ 。

于是 $\small P\left \{ \left |\frac{\overline{X}-u_0}{\sigma/n} \right |\geq k \right \}\leq \alpha$ 使得此概率不等式成立的k，（结合正态分布的概率密度图）有很多，当概率刚好为 $\large \alpha$ 时求得的 $\small k_0$ 是最小的，一切大于这个 $\small k_0$ 的 $\small k$ 我们统统都可以认为是范了人为错误，不能简单的拒绝 $\small H_0$ ，需要重新抽样，这是有实际意义，指定了 $\large \alpha$ 实际是指定了一个容忍人为错误，或者外界不可控力，进行回炉重新操作的余地。