假设检验

假设检验

中心极限定理
如果总体均值为$\mu$，方差为${\sigma }^2$，我们进行随机抽样，样本容量为$n$，当$n$增大时，则样本均值$\overline{X}$ ~ $N(\mu ,{\sigma }^2/n)$

我们会得到如下结论：
1、进行多次抽样，则每次抽样会得到一个均值，这些均值会围绕在总体均值左右，呈正态分布。
2、当样本容量$n$足够大时，样本均值服从正态分布。

• 样本均值构成的正态分布，其均值等于总体均值$\mu$
• 样本均值构成的正态分布，其标准差等于总体标准差$\sigma$除以$\sqrt{n}$

说明：

• 样本均值分布的标准差，我们成为标准误差，简称标准误
• 要能够区分总体的标准差，样本的标准差和标准误
• $n$是样本容量不是抽样次数

正态分布的特性
在正态分布中，数据的分布比例如下：

• 以均值为中心，在1倍标准差内（$\mu -\sigma$,$\mu +\sigma$)，包含约68%的样本数据
• 以均值为中心，在2倍标准差内（$\mu -2\sigma$,$\mu +2\sigma$)，包含约95%的样本数据
• 以均值为中心，在3倍标准差内（$\mu -3\sigma$,$\mu +3\sigma$)，包含约99.7%的样本数据

根据中心极限定理，如果多次抽样（总体的均值为$\mu$，方差为${\sigma }^2$），则样本均值（$\overline{X}$）构成的正态分布，满足$\overline{X}$ ~ $N(\mu ,{\sigma }^2/n)$。如果我对总体进行一次抽样，则该样本的均值有95%的概率会会在（$\mu -2\sigma$,$\mu +2\sigma$)范围内，仅有5%的概率会在（$\mu -2\sigma$,$\mu +2\sigma$)范围外。根据小概率事件（很小的概率在一次抽样中基本不会发生），如果抽样的样本均值在（$\mu -2\sigma$,$\mu +2\sigma$)之外，我们就可以人为，本次抽样来自的总体，该总体的均值并非是我们所期望的均值。

通常，我们已2倍标准差作为判定依据，则以样本均值为中心，正负2倍标准差构成的区间，就是置信区间。而2倍标准差包含了95%的数据，因此，此时的置信度为95%。换言之，我们有95%的信心认为，总体的均值会在置信区间之内。

例如：
有10000个数字（总体，实际上比10000还要大），均值为$\mu$，方差为${\sigma }^2$，进行随机抽样，抽取$k$次，每次抽取36个数字，即$n$=36，抽一次有一个均值$m_1$，抽第二次有一个均值$m_2$，抽第$k$次有一个均值$m_k$，即均值分布$m_1,m_2,...,m_k$服从正态分布$N(\mu ,{\sigma }^2/n)$。
而我们实际抽样中，只会抽取一次样本，即$k$=1，因此得出样本均值$\overline{X}$，我们有95%的把握认为它会在以$\mu$为中心，正负2倍标准差（即$\sigma /\sqrt{n}$）的区间内，反过来，我们有95%的把握认为总体均值会在以$\overline{X}$为中心，正负2倍标准差（即$\sigma /\sqrt{n}$）的区间内。

假设检验：假设检验就是先对总体的参数提出某种假设，然后利用样本的信息判断假设是否成立的过程。
显著性水平：显著性水平是原假设为真时，拒绝原假设的概率，显著性水平为一个概率值。表示为$\alpha$，常取为0.05，0.01，0.1
假设检验的两种错误：
第一类错误，也称$\alpha$错误，即原假设为真时，但拒绝原假设所犯的错误（拒真）；
第二类错误，也称$\beta$错误，即原假设错误时，反而接受原假设的情况（取伪）。

双边检验：$H_0$：$\mu ={\mu }_0$，$H_1$：$\mu \ne {\mu }_0$
单边检验：分为左边检验和右边检验
左边检验：当假设关键词有不得少于/低于的时候用左边检验，比如灯泡的使用寿命不得少于/低于700小时，$H_0$：$\mu \ge {\mu }_0$，$H_1$：$\mu <{\mu }_0$
右边检验：当假设关键词有不得多于/高于的时候用右侧检验，比如次品率不得多于/高于5%时，$H_0$：$\mu \le {\mu }_0$，$H_1$：$\mu >{\mu }_0$

$P$值：$P$值表示支持原假设的概率

$Z$检验：$Z$检验用来判断样本均值是否与总体均值具有显著性差异，$Z$检验是通过正态分布的理论来判断差异发生的概率，从而比较两个均值的差异是否显著。$Z$检验适用于：

• 总体呈正态分布
• 总体方差已知
• 样本容量较大（一般$\ge$ 30）
  以上三点并不是需要全都满足，1、3满足一点即可

$Z$统计量计算方式如下：$Z=\frac{\bar{x}-{\mu }_0}{S_{\bar{x}}}=\frac{\bar{x}-{\mu }_0}{\sigma /\sqrt{n}}$

• $\bar{x}$：样本均值
• ${\mu }_0$：待检验的总体均值（假设的总体均值）
• $S_{\bar{x}}$：样本均值分布的标准差（标准误）
• $\sigma$：总体的标准差
• $n$：样本容量

$t$检验：$t$检验与$Z$检验类似，用来判断样本均值是否与总体均值具有显著性差异，不过，$t$检验是基于$t$分布的，$t$检验适用于：

• 总体呈正态分布
• 总体方差未知
• 样本数量较少（<30）
  不过随着样本容量的增大（样本量达到30以上时），$t$分布逐渐接近于正态分布，此时，$t$检验也就近似于$Z$检验。

$t$统计量计算方式如下：$t=\frac{\bar{x}-{\mu }_0}{S_{\bar{x}}}=\frac{\bar{x}-{\mu }_0}{S/\sqrt{n}}$

• $\bar{x}$：样本均值
• ${\mu }_0$：待检验的总体均值（假设的总体均值）
• $S_{\bar{x}}$：样本均值分布的标准差（标准误）
• $S$：样本的标准差
• $n$：样本容量
  因为总体的标准差未知，只能用样本的标准差代替总体的标准差，因此$t$检验服从于$t$分布，而不是正态分布，但随着$n$不断增大，$t$分布逐渐接近于正态分布，$t$检验也就近似于$Z$检验。

$Z$统计量和$t$统计量其实都表示几倍的标准差，以$\alpha$=0.05为例，若计算所得统计量>1.96（$P<\alpha$），就表示总体均值落在了拒绝域内，因此拒绝$H_0$，接受$H_1$。

双边检验：$x=-\left|Z\right|$这条直线以左的部分与分布曲线围城的面积加上$x=\left|Z\right|$这条直线以右的部分与分布曲线围城的面积等于$P$值。（$t$检验同理）
左边检验：$x=Z$这条直线以左的部分与分布曲线围城的面积即为$P$值。（$t$检验同理）
右边检验：$x=Z$这条直线以右的部分与分布曲线围城的面积即为$P$值。（$t$检验同理）