NTU 课程笔记 CV6422 假设检验

1 H0与H1

Ho：空假设，维持现状

H1：可替换假设

1.1 举例说明

只看这个定义可能不太好理解H0和H1，我们举一个例子：

        假设现有的疫苗有25%的概率提供两年的保护，然后我们假设新的疫苗有比老疫苗更好的保护有效率

那么在这种情况下，Ho是：'p=0.25'，H1是：'p>0.25'

比如我们设置分界线为8

        

2 两种误差

无论我选择是否接受/拒接 Ho，都会带来一定的误差

下图的意思是，在分界线的左边，我们选择Ho；在分界线的右边，我们选择H1（两个曲线分别是Ho和H1的概率分布）

• 1类误差：拒绝Ho，但是实际上应该是Ho（也就是上图中红色的α区域）——>所以也被称为α-error 【level of significance】
• 2类误差：接受Ho，但是应该是H1（也就是上图中蓝色的β区域）——>所以也被称为β-error

        很多情况下，α-error和β-error是一个此消彼长的过程，对于研发商来说，他们希望自己的产品被采纳得越多越好，所以他们希望更小的β-error；而对于老产品生产商来说，他们则希望更小的α-error

 2.1 举例计算α-error和β-error

还是使用刚才的这个例子，我们来计算α-error和β-error：

 而对于β-error，我们首先需要指定H1的特定的值（我们这里假定H1的p为0.5）

 2.2 减少α-error

如果我们增大分界点（也就是分界线右移），那么可以在一定程度商，减少α-error

比如我们将分界线变成9：

这比分界线是8的时候的0.0409要小多了 

2.3 减少β-error

如果我们扩大H1和Ho的距离，那么可与i在一定程度上减少β-error

比如我们现在让H1的p为0.7：

这比H1的p为0.5时候，0.2517的β-error要小很多！

2.4 同时减少α-error和β-error

        在2.2和2.3小节中，我们不难发现，α-error和β-error在上面两个例子中，是此消彼长的，那么有什么办法可以同时减少这两个误差嘛

         答案是有的：增大样本数量n

        我们原来是20个样本，8个样本作为Ho和H1的分界线。现在我们等比例扩大，变成100个样本，40个样本作为Ho和H1的分界线

        

        那么此时由于样本数大于30，我们可以用正态分布来近似这个分布了