机器学习|参数的假设检验（显著性检验）-- 与区间估计的异同+ 一般步骤（实际应用）+ 两类错误|20mins 入门|概统学习笔记（三十一）

• 假设检验的一般步骤

  某工厂生产的一种螺钉，标准要求长度是32.5毫米。实际生产的产品，其长度X假定服从正态分布$N(\mu ,{\sigma }^2),{\sigma }^2$未知，现从该厂生产的一批产品中抽取6件，得尺寸数据如下：

  32.56， 29.66， 31.64， 30.00， 31.87， 31.87， 31.03

  问这批产品是否合格？($\alpha =0.01$)

  分析：这批产品（螺钉长度）的全体组成问题的总体X。现在要检验$E(X)$是否为32.5毫米。

  第一步：提出原假设和备选假设
  $$H_0:\mu =32.5;H_1:\mu \ne 32.5$$
  第二步：取一检验统计量，在$H_0$成立下求出它的分布。
  $$t=\frac{\overline{X}-32.5}{S/\sqrt{6}}\sim t(5)$$
  能衡量差异大小且分布已知。

  第三步：对给定的显著性水平$alpha=0.01$，查表确定临界值。
  $$t_{\alpha /2}(5)=t_{0.005}(5)=4.0322$$

  ∴ P { ∣ t ∣ > t α / 2 ( 5 ) } = α \therefore P\{|t|>t_{\alpha/2}(5)\}=\alpha ∴P{∣t∣>tα/2​(5)}=α

  即$"|t|>t_{\alpha /2}(5)"$是一个小概率事件。而小概率事件在一次试验中基本上不会发生。

  得否定域$W:|t|>4.0322$

  第四步：将样本值代入算出统计量t的实测值。
  $$|t|=2.997$$
  第五步：给出结论。
  $$|t|=2.997<4.0322$$
  没有落入拒绝域，故不能拒绝$H_0$

  注意：这并不意味着$H_0$一定对，只是差异还不够显著，不足以否定$H_0$

• 思考：假设检验会不会犯错误呢？

  由于作出结论的依据是”小概率原理“，即小概率事件在一次试验中基本上不会发生。但不是一定不发生。

• 假设检验的两类错误：

  第一类：如果$H_0$成立，但统计量的实测值落入否定域，从而作出否定$H_0$的结论，那就犯了”以真为假“的错误。

  第二类：如果$H_0$不成立，但统计量的实测值未落入否定域，从而没有作出否定$H_0$的结论，即接受了错误的$H_0$，那就犯了”以假为真“的错误。

犯两类错误的概率：
P { 拒 绝 H 0 ∣ H 0 为 真 } = α P { 接 受 H 0 ∣ H 0 不 真 } = β P\{拒绝H_0|H_0为真\}=\alpha \\ P\{接受H_0|H_0不真\}=\beta P{拒绝H0​∣H0​为真}=αP{接受H0​∣H0​不真}=β
两类错误是互相关联的，当样本容量固定时，一类错误概率的减少导致另一类错误概率的增加。

要同时降低两类错误的概率$\alpha ,\beta$，或者要在$\alpha$不变的条件下降低$\beta$，需要增加样本容量。

• 假设检验和区间估计

  关系：参数的区间估计和假设检验从不同的角度回答同一问题，它们的统计推断方法是相通的。参数的区间估计可通过利用假设检验的方法来解决，同样，参数的假设检验问题可通过利用区间估计的方法来解决。

  区别：

  1. 参数估计解决的是多少（或范围）的问题；假设检验则判断结论是否成立。前者解决的是定量问题，后者解决的是定性问题。
  2. 两者的要求不同。区间估计确定在一定概率保证程度下给出未知参数的范围。而假设检验确定在一定的置信水平下，未知参数能否接受已给定的值。
  3. 两者对问题的了解程度各不相同。进行区间估计之前不了解未知参数的有关信息。而假设检验对未知参数的信息有所了解，但作出某种判断无确切把握。

• 单侧检验

  e.g.

  （1）某织物强力指标X的均值${\mu }_0=21$公斤，改进工艺后生成一批织物，今从中取30件，测得$\overline{X}=21.55$公斤。假设强力指标服从正态分布$N(\mu ,{\sigma }^2)$，且$\sigma =1.2$公斤，问在显著性水平$\alpha =0.01$下，新生产织物比过去的织物强力是否有提高？

  解：提出假设：$H_0:\mu \le 21,H_1:\mu >21$

  取统计量$U=\frac{\overline{X}-21}{\sigma /\sqrt{n}}\sim N(0,1)$

  否定域为$W:U>{\mu }_{0.01}=2.33$

  代入样本值，计算得统计量U的实测值
  $$U=2.51>2.33$$
  落入否定域中，故拒绝原假设$H_0$

  此时可能犯第一类错误，因为实际的$H_0$可能为真，但是犯错误的概率不超过$0.01$。

  （2）为比较两台自动机床的精度，分别取容量为10和8的两个样本，测量某个指标的尺寸（假定服从正态分布），得到下列结果：

  车床甲：	1.08	1.10	1.12	1.14	1.15	1.25	1.36	1.38	1.40	1.42
  车床乙：	1.11	1.12	1.18	1.22	1.33	1.35	1.36	1.38

  在$\alpha =0.1$时，问这两台机床是否有同样的精度？

  解：设两台自动机床的方差分别为${\sigma }_1^2,{\sigma }_2^2$,

  在$\alpha =0.1$下检验假设：
  $$H_0:{\sigma }_1^2={\sigma }_2^2,H_1:{\sigma }_1^2\ne {\sigma }_2^2$$
  取统计量
  $$F=\frac{S_1^2}{S_2^2}\sim F(9,7)$$
  其中，${\sigma }_1^2,{\sigma }_2^2$为两样本的样本方差.

  否定域为
  $$F\le F_{1-\alpha /2}(9,7)或F\ge F_{a/2}(9,7)$$
  由样本值可计算得F的实测值为：
  $$F=1.51$$
  查表得
  $$\begin{gathered} F_{a/2}(9,7)=F_{0.05}(9,7)=3.68 \\ {F}_{1-a/2}(9,7)=F_{0.95}(9,7)=\frac{1}{F_{0.05}(7,9)}=\frac{1}{3.29}=0.304 \end{gathered}$$
  由于 0.304<1.51<3.68, 故接受$H_0$，这时可能犯第二类错误，因为实际的$H_0$可能为假。

• 注意：到现在为止，我们讨论的都是正态总体均值和方差的假设检验，或样本容量较大，可用正态近似的情形。

• 总结：

  

  ​ 一般来说，按照检验所用的统计量的分布，分为

  ​ U检验 — 用正态分布

  ​ t检验 — 用t分布

  ​ ${\chi }^2$检验 — 用${\chi }^2$分布

  ​ F检验 — 用F分布

  ​ 在大样本的条件下，若能求得检验统计量的极限分布，依据它去决定临界值C。

  ​ 按照对立假设的提法，分为

  ​ 双侧检验，它的拒绝域取在两侧；

  ​ 单侧检验，它的拒绝域取在左侧或右侧。