1. 实例
1.1 问题描述
某机器正常情况下生产出的产品重量服从N(0.5, 0.015^2)。
现有一组产品重量如下:
0.497, 0.506, 0.518, 0.524, 0.498, 0.511, 0.520, 0.515, 0.512
问: 从样本看机器是否正常?
1.2 问题分析
用
μ
,
δ
分别代表产品重量的均值和方差
检验“机器是否正常”等价于检验“X是否服从正态分布N(μ, 0.0152)”
2. 建立检验模型
2.1 模型
确定总体:记 X 为该机器生产产品的重量,则
X~N(μ,0.0152)
;
- 明确任务:通过样本推断“H0是否等于0.5”;
- 建立假设:上面的任务是要通过样本检验
“H0 =0.5”的假设是否成立。
假设:
H0:μ=0.5
(原假设)
H1:μ!=0.5
(对立假设)
2.2 分析
找出一个界限 c,使得:
当
|x¯−0.5|<c
时,接受原假设H0
当
|x¯−0.5|>c
时, 拒绝原假设H0
3. 解决问题
3. 1 确定阈值c
当H0 :
μ=0.5
成立时,
为确定常数 c,我们考虑一个很小的正数, 如
α
= 0.05。
当原假设 H0:μ=0.5成立时,有:
c=(0.015/9√)∗zα/2
3.2 拒绝域
检验统计量:
|x¯−0.5|
或者
U=x¯−0.50.015/9√
H0拒绝域:
|x¯−0.5|>=(0.015/9√)∗zα/2
或者
|U|>=zα/2
3.3 方法原理
3.1式描述的是在标准正态分布两侧概率共
α
的区域发生事件P,如下图所示:
当
α
足够小时,事件P即为小概率事件,
如果P发生(即
P{|x¯−0.5|>=(0.015/9√)∗zα/2}
)
则意味着不正常,即原假设H0错误。
小概率事件通常不会发生
4. α
在一些场景中通常称 α 为p值。
α
描述的是当H0为真是,对其错误判断的概率。数学原理如下:
当
H0:μ=0.5
成立时:
P{|x¯−0.5|>=(0.015/9√)∗zα/2} = α
P{拒绝H0|H0为真}=α
PS: 一般以P < 0.05 为显著, P<0.01 为非常显著。