可汗学院统计学笔记（三）

假设检验

假设检验是推论统计中用于检验统计假设的一种方法。而“统计假设”是可通过观察一组随机变量的模型进行检验的科学假说。一旦能估计未知参数，就会希望根据结果对未知的真正参数值做出适当的推论。统计上对参数的假设，就是对一个或多个参数的论述。而其中欲检验其正确性的为零假设（null hypothesis），零假设通常由研究者决定，反映研究者对未知参数的看法。相对于零假设的其他有关参数之论述是备择假设（alternative hypothesis），它通常反映了执行检定的研究者对参数可能数值的另一种（对立的）看法（换句话说，备择假设通常才是研究者最想知道的）。假设检验的种类包括：t检验，z检验，卡方检验，F检验等等。

（百度百科）

在假设检验的问题中，通常需要根据已有的统计量对某一个假设进行检验。我们得到的统计量通常是样本均值的抽样分布，服从正态分布（当n足够大时，例如n>=30）或t分布（当n<30)。在零假设成立的条件下，计算出现样本统计量的概率。如果概率值小于某个阈值，则“拒绝”零假设，接受备择假设。在这个问题中，有两个假设的概念：

零假设，通常记为。备择假设，通常记为或。

假设检验通常检验零假设的正确性，也即是问题中的假设的对立假设，对于利用这个零假设进行检验，我理解的原因是：题目中真正需要进行检验的假设通常不能提供确切的统计数值用于计算，而零假设可以充分利用题目中所给的条件，利用反正法推翻零假设，就证明了备择假设的可信性。

p-value：在零假设成立的条件下，出现样本统计情况的概率通常很小，将这种极端情况的概率值称为p-value，通常设置5%为门限，当p-value低于这个门限时，就拒绝零假设。

双侧检验（two-tailed test）：当样本出现的极端情况可能出现在总体分布的两侧尾部时，称为双侧检验。通常题目中的假设要求检验某个统计量是否变化；

单侧检验（one-tailed test）：当样本出现的极端情况只可能出现在总体分布的一侧尾部时，只需检测一侧的尾部，称为单侧检验。通常题目中的假设要求检验某个统计量向某个方向的变化。

z-统计量 和 t-统计量

与样本容量有关。当样本容量很大时（n>=30），样本统计量（不一定是均值，可能是其他计算量）的抽样分布服从正态分布，此时计算概率时使用z分布的计算表；当样本容量不是很大（n<30）时，样本统计量的抽样分布不再服从正态分布，而服从t分布，此时使用t分布的计算表。

第一型错误（type 1 error）：拒绝了正确的零假设的概率，也就是零假设判断错误的概率。

大样本占比的假设检：

样本占比实验可以理解为伯努利实验，占比就是伯努利实验的成功率。n次伯努利实验是二项分布，当n很大时，二项分布趋近于正态分布。具体地，当np>5,且n(1-p)>5,则可以假定样本占比的分布为正态分布。

随机变量之差的方差：