经典假设检验理论记录一二

       大数据环境下的假设检验问题比较复杂，目前还未详细深入了解，但其思想还是源于经典假设检验理论，故在此先对经典假设检验理论记录一二。

    1.假设检验方法的作用

       实际问题中很多时候需要通过样本去作推断，由于样本带有随机性，基于我们对总体的认知，有时并不确定该推断是否可信（或者说可靠），或者说偏差的程度如何，此时就可以用到假设检验方法，在我们认知范围内去判断该推断是否可信（或可靠）、偏差程度。之前看到过一段话，说假设检验方法背后的哲学思想是：“肯定一件事情有时候是很难的，但是否定一件事情就容易得多”（挺有意思的一句话，就像人们常说的“一世清明毁于一旦”啥的），该思想在概率论中，即为“小概率事件理论”。假设检验的实施过程就是利用小概率事件理论去判断推断是否可信。

    2.假设检验问题的一般处理步骤

     (1)   明确要处理的问题，问题的回答只能是“是”或者“否”

     (2)   设计适当的观察或试验以取得样本X，X的概率分布必须与所提的问题有一定联系

     (3)   把问题的一种回答（例如“是”）作为一个命题，将该命题转化到样本X的分布上，这样即得到关于后者的一个等价命题 ，              称为假设

     (4)   依据样本X的具体值，按照一定的规则，作为接受或否定假设的决定（即检验过程）

    3.检验方法       

       当提出合适的假设后，接下来的工作主要是如何去检验提出的假设。检验的方法有很多种，每种方法一般都是针对某一方面问题而针对性提出的，下面介绍几种比较重要的检验方法。

     3.1 拟合优度检验

       拟合优度检验方法是K.Pearson提出的。K.Pearson认为统计的任务是对未来进行预测，故需要得到样本数据的统计模型，也即是一条分布曲线，所以他提出了矩估计法来确定这样一条分布曲线，但是得到的分布曲线对样本的拟合程度该如何判断呢？为此K.Pearson引进了一个统计量——统计量k，，统计量k反映样本与所拟合的分布曲线间的偏离，k越小，拟合程度越好，反之亦然。从一组样本中，可以计算出统计量k的值 ，也许会很小，总体上觉得拟合程度不错，但是还是存在这样一个问题：统计量k的值取到  这样的程度，可以认为拟合程度比较好、可以认为样本是来自于分布曲线中吗？为了解决这个问题，K.Pearson证明了一个极限定理，通过该定理可以计算出概率,该定理为

   定理：若样本是来自于分布曲线，则当样本大小时，统计量k的分布收敛于，即自由度为r-1的分布。

       至此为止，文中还未引入统计量k的定义，这个后面再引入。越大（小），则表明产生像这么大（小）的值的概率越大（小），因此的出现并不稀奇（比较稀奇），基于此，可以做出如下假设：

                                                         样本是从具有分布的总体中抽样得到

       检验时，指定阈值，若，则否定；若，则接受。现在开始引入统计量k，文中只讨论总体分布曲线完全已知的情况，对分布确定、带有参数的情况不予讨论，感兴趣的同学可以自行进一步研究。当样本X为一维时，X只取有限个不同值，理论分布