目录
相关符号
符号 | 符号意义 |
---|---|
X或F(x) | 总体 |
𝒙𝟏,𝒙𝟐,...,𝒙𝒏 | 样本𝑿𝟏,𝑿𝟐,...,𝑿𝒏的观察值,简称样本值 |
𝒏 | 样本大小或样本容量 |
𝐹𝑛(𝑥) | 经验分布函数 |
𝑌∼𝜒2(𝑛) | 服从自由度为𝑛的𝜒2分布 |
𝑇∼𝑡(𝑛) | 服从自由度为𝑛的𝑡分布 |
𝐹∼𝐹(𝑛1,𝑛2) | 服从自由度为𝑛1和𝑛2的𝐹分布 |
相关概念与例题
背景
数理统计的主要任务:研究怎样以有效的方式收集、整理和分析带有随机性的数据,对所考察的问题作出推断和预测,为决策和行动提供依据和建议.
总体与样本
统计推断——从全体研究对象中抽取部分个体进行实验,利用概率论的理论对所得数据进行处理,从而获得对研究对象统计规律的推测,这种思想的实现称为统计推断。
参数估计和假设检验是统计推断的两个基本方法。
总体——在数理统计中,把研究对象的全体称为总体或母体。(试验全部可能的观察值)
有限总体: 包括有限个个体的总体。
无限总体: 包括无限个个体的总体。
我们要研究的总体实质上就是某个概率分布,因此我们将总体定义为一个概率分布或服从这个分布的随机变量。
个体——组成总体的每一个研究对象称为个体。(每一个可能的观察值)
抽样——为推断总体分布及各种特征,按一定规则从总体中抽取若干个体进行观察试验,以获得有关总体的信息,这一抽取过程称为“抽样”。
样本——被抽取的部分个体称为总体的一个样本。
样本容量——样本中所包含的个体数目称为样本容量。
样本是𝒏个随机变量𝑿𝟏,𝑿𝟐,...,𝑿𝒏,它们满足:(独立同分布)
1. 独立性:𝑿𝟏,𝑿𝟐,...,𝑿𝒏是相互独立的随机变量
2. 代表性:𝑿𝟏,𝑿𝟐,...,𝑿𝒏中每一个与所考察的总体有相同的分布
当取样完成后,我们就得到𝒏个具体的数据:𝒙𝟏,𝒙𝟐,...,𝒙𝒏,称之为样本𝑿𝟏,𝑿𝟐,...,𝑿𝒏的样本观察值,简称样本值,并称𝒏为样本大小或样本容量。
样本的联合分布律
实际操作中,怎样获得简单随机样本?
对于有限总体,采用放回抽样,就能得到简单随机样本。
当个体的总数𝑵比样本容量𝒏大得多时,实际中可将不放回抽样近似地当做放回抽样来处理
对于无限总体,总是用不放回抽样。
统计量
统计量
设𝑋1,𝑋2,⋯,𝑋𝑛为来自总体𝑋的一个样本,𝑔(𝑋1,𝑋2,⋯,𝑋𝑛)为一连续函数,若𝑔中不含有总体的任何未知参数,则称𝑇=𝑔(𝑋1,𝑋2,⋯,𝑋𝑛)为统计量。【考点】
𝑔(𝑋1,𝑋2,⋯,𝑋𝑛)为连续函数是为保证统计量𝑇是一随机变量。当样本𝑋1,𝑋2,⋯,𝑋𝑛取定观测值𝑥1,𝑥2,...,𝑥𝑛后,𝑇=𝑔(𝑋1,𝑋2,⋯,𝑋𝑛)为一常量或者观察值。
常用统计量【重点】
直方图
横坐标表示数据,纵坐标有三种表示方法:频数、频率、频率/组距。
频率直方图可以反映出连续型随机变量的频率分布情况
【绘制步骤】
1. 找出样本数据中的最小值和最大值,确定数据的取值区间;
2. 将区间等分为m个子区间,用横坐标来刻画;
3. 统计数据落在每个子区间上的频数,计算频率及各直方块的高度,用纵坐标来刻画。
经验分布函数
设𝑋1,𝑋2,⋯,𝑋𝑛是总体𝐹的一个样本,用𝑆(𝑥)表示𝑋1,𝑋2,⋯,𝑋𝑛中不大于𝑥的随机变量的个数,定义经验分布函数𝑭𝒏(𝒙)为:𝐹𝑛(𝑥)=1/𝑛 * 𝑆(𝑥),−∞<𝑥<+∞
对于给定的样本值,经验分布函数的观察值很容易得到。经验分布𝐹𝑛(𝑥)的观察值仍以𝐹𝑛(𝑥)表示。
经验分布函数观察值的求法:
一般地,设𝑥1,𝑥2,⋯,𝑥𝑛是总体𝐹的一个容量为𝑛的样本值。将𝑥1,𝑥2,⋯,𝑥𝑛按从小到大的次序排列,并重新编号,设为𝑥1≤𝑥2≤⋯≤𝑥𝑛
则经验分布𝐹𝑛(𝑥)的观察值(分布函数,概率)为
格利文科(Glivenko)定理
对于任意实数𝑥, 经验分布函数𝐹𝑛(𝑥)以概率1一致收敛于总体分布函数𝐹(𝑥)即:
含义是:当𝑛充分大,“对于任意实数, 经验分布函数与总体分布函数之差的绝对值都很小”这个事件发生的概率等于1。
定理表明,当样本容量充分大,经验分布函数常常是对总体分布函数的很好近似。这一结论是数理统计依据样本来推断总体特征的理论基础。
正态总体的抽样分布
前言复习
𝝌𝟐分布
定义:设𝑋1,𝑋2,⋯,𝑋𝑛相互独立且均服从标准正态分布,则随机变量𝑌=𝑋1^2+𝑋2^2+⋯+𝑋𝑛^2服从自由度为𝑛的𝜒2分布,记为𝑌∼𝜒2(𝑛)。
密度函数(不重要,知晓图形趋势即可)
𝝌𝟐分布的性质:
(1)可加性:若𝑿~𝝌𝟐(𝒏),𝒀~𝝌𝟐(𝒎),且𝑿和𝒀相互独立,则𝑿+𝒀~𝝌𝟐(𝒏+𝒎)
(2)设𝑿𝟏,𝑿𝟐,⋯,𝑿𝒏相互独立,且均服从正态分布𝑿𝒊∼𝑵(𝝁,𝝈^𝟐),则
(3)数学期望与方差:若𝑿~𝝌𝟐(𝒏),则𝑬(𝑿)=𝒏,𝑫(𝑿)=𝟐𝒏。证明如下:
例题 设总体𝑋~𝑁(0,1),𝑋1,𝑋2,⋯,𝑋6为取自总体𝑋的样本,令𝑌=(𝑋1+𝑋2+𝑋3)^2+(𝑋4+𝑋5+𝑋6)^2,求常数𝐶和n使得𝐶𝑌~𝜒2(n)。
解:
【注意】𝜎与𝜎^2,以及相加的关系
𝒕分布
定义:设𝑋~𝑁(0,1),𝑌∼𝜒2(𝑛)且𝑋和𝑌相互独立,则随机变量服从自由度为𝑛的𝑡分布,记为𝑇∼𝑡(𝑛)。
密度函数(不重要,知晓图形趋势即可)
𝒕分布的性质:
1.𝑡分布的密度函数𝑓(𝑥)关于𝑥=0对称。当𝑛充分大时,由T函数的性质有:
,即𝑛充分大时𝑡(𝑛)分布近似于𝑁(0,1)分布,但对于较小的𝑛,𝑡(𝑛)分布与𝑁(0,1)分布相差很大。
2. 具有自由度为𝑛的𝑇∼𝑡(𝑛)分布,其期望与方差为𝐸(𝑇)=0,𝑛>1,𝐷(𝑇)=𝑛/(𝑛−2),𝑛>2
例题 设𝑋1,𝑋2,⋯,𝑋5为取自总体𝑋的样本,相互独立且均服从标准正态分布,若
服从𝑡(𝑛)分布,则𝑑和𝑛的取值?
解:
【注意】记得t分布的公式的条件,分母上需要服从标准正态分布
𝑭分布
定义:设𝑋∼𝜒2(𝑛1),𝑌∼𝜒2(𝑛2),且𝑋和𝑌相互独立,则随机变量,服从自由度为𝑛1和𝑛2的𝐹分布,记为𝐹∼𝐹(𝑛1,𝑛2)
密度函数(不重要,知晓图形趋势即可)
例题 已知𝑋∼𝑡(𝑛),证明𝑋^2∼𝐹(1,𝑛)。
证明:因𝑋∼𝑡(𝑛),则存在𝑈∼𝑁(0,1),𝑉∼𝜒^2(𝑛),且𝑈和𝑉相互独立,使得
,即t分布的公式
于是,
。
【注意】这里的不是𝝌𝟐分布,注意相关式子的左右侧
上侧分位点
设随机变量𝑋的分布为已知
在概率论中,常常需要计算对于给定𝑥的概率𝑃{𝑋≤𝑥}=𝑝,
而在数理统计中,常常需要对给定的𝑝(0<𝑝<1),求出使𝑃{𝑋>𝑥}=𝑝的𝑥。
定义:给定𝛼(0<𝛼<1),若数λ𝛼使得𝑃{𝑋>λ𝛼}=𝛼即𝐹(λ𝛼)=1−𝛼则称λ𝛼为此概率分布的𝛼上侧分位点或临界值。 (λ𝛼为随机变量取的数,𝛼为概率)
标准正态分布的上侧分位点
1)定义:设𝑋~𝑁(0,1),对于给定的𝛼(0<𝛼<1),使𝑃{𝑋>𝑧(𝛼)}=𝛼或
成立的𝑧(𝛼)称为标准正态分布𝛼的上侧分位点。
2)Φ(𝑧(𝛼))=𝑃{𝑋≤𝑧(𝛼)}=
=1−𝛼
3)−𝑧(𝛼)=𝑧(1−𝛼)
𝝌𝟐分布的上侧分位点
定义:设𝑋~𝜒2(𝑛),对于给定的𝛼(0<𝛼<1),使𝑃{𝑋>(𝜒𝛼)^2(𝑛)}=𝛼或
成立的(𝜒𝛼)^2(𝑛)称为𝜒2分布𝛼的上侧分位点。
当自由度大于45时,可用近似公式:
t分布的上侧分位点
定义:设𝑋~𝑡(𝑛),对于给定的𝛼(0<𝛼<1),使𝑃{𝑋>𝑡𝛼(𝑛)}=𝛼或
成立的𝑡𝛼(𝑛)称为𝑡(𝑛)分布𝛼的上侧分位点。
对称性:−𝑡( 𝛼(𝑛) )=𝑡( 1−𝛼(𝑛) )
由𝑡分布的性质:当𝑛趋于无穷时,𝑡分布的极限分布是正态分布,所以当自由度大于45时,可用标准正态分布来近似:𝑡𝛼(𝑛)≈𝑧𝛼
𝑭分布的上侧分位点
定义:设𝑋~𝐹(𝑛1,𝑛2),对于给定的𝛼(0<𝛼<1),使𝑃{𝑋>𝐹𝛼(𝑛1,𝑛2)}=𝛼或
成立的𝐹𝛼(𝑛1,𝑛2)称为𝐹(𝑛1,𝑛2)分布𝛼的上侧分位点。
定理:
抽样分布定理【重点】
定理1:设总体𝑋~𝑁(𝜇,𝜎^2),𝑋1,𝑋2,⋯,𝑋𝑛是𝑋的一个样本,则或
,其中
为样本均值。
定理2:设总体𝑋~𝑁(𝜇,𝜎^2),𝑋1,𝑋2,⋯,𝑋𝑛是𝑋的一个样本,则
定理3:设总体𝑋~𝑁(𝜇,𝜎^2),𝑋1,𝑋2,⋯,𝑋𝑛是𝑋的一个样本,则。
点估计
前言
研究统计量的性质和评价一个统计推断的优良性,完全取决于其抽样分布的性质。
统计推断:对总体的未知参数进行估计;对关于参数的假设进行检验。
点估计【重点】
设总体𝑋的分布函数𝐹(𝑥,𝜃)形式已知,但其包含未知参数𝜃(可以是一个或者多个参数)。借助于总体𝑋的一个样本来估计总体的未知参数的值,称为点估计问题。
点估计问题就是要构建一个适当的统计量^𝜃(𝑋1,𝑋2,⋯,𝑋𝑛),用它的观察值^𝜃(𝑥1,𝑥2,⋯,𝑥𝑛)来估计未知参数𝜃。
对于正态分布,样本均值是𝜇的无偏估计,𝑆^2是𝜎^2的无偏估计
例题 在某炸药制造厂,一天中发生着火现象的次数𝑋是一个随机变量,假设它服从以𝜆>0为参数的泊松分布,参数𝜆为未知,设有以下样本值,试估计参数λ。
解:因为𝑋~P(𝜆),所以𝜆=𝐸(𝑋)。用样本均值
来估计总体的均值𝐸(𝑋),即
=1/250 *(0×75+1×90+2×54+3×22+4×6+5×2+6×1)=1.22,
故估计参数𝜆的值为1.22
矩估计方法【重点】
矩估计法——用样本原点矩估计相应的总体原点矩,又用样本原点矩的连续函数估计相应的总体原点矩的连续函数,这种参数点估计法称为矩估计法。
矩估计的基本步骤:
设总体𝑋的分布函数中含有𝑘个未知参数𝜃1,𝜃2⋯,𝜃𝑘
1.总体𝑋的𝑘阶矩α1,α2,...,α𝑘,一般地都是总体分布中的参数𝜃1,𝜃2⋯,𝜃𝑘的函数,记为𝜇𝑖=𝜇𝑖(𝜃1,𝜃2⋯,𝜃𝑘),𝑖=1,2,⋯,𝑘
2.从这𝑘个方程中解出:𝜃𝑗=𝜃𝑗(𝜇1,𝜇2,...,𝜇𝑘),𝑗=1,2,⋯,𝑘
3.用诸𝜇𝑖的估计量A𝑖分别代替上式的诸𝜇𝑖,即可得诸𝜃𝑗的矩估计量^𝜃𝑗=𝜃𝑗(𝐴1,𝐴2,⋯,𝐴𝑘),𝑗=1,2,⋯,𝑘
矩估计量的观察值称为矩估计值。
【注意】A𝑖是𝜇𝑖的估计值,即𝜇𝑖是样本𝑘阶原点矩的观测值,A𝑖是样本𝑘阶原点矩,简便方法是:𝜇𝑖=E(X^i)
例题 设总体𝑋在[𝑎,𝑏]上服从均匀分布,其中𝑎,𝑏均未知,𝑋1,𝑋2,⋯,𝑋𝑛是来自总体的样本,求𝑎,𝑏的估计量。
解:
【注意】用诸𝜇𝑖的估计量A𝑖分别代替上式的诸𝜇𝑖后,还需要用样本𝑋1,𝑋2,⋯,𝑋𝑛及其相关内容进行化简。
例题 设总体𝑋的均值𝜇和方差𝜎^2都存在,且有𝜎>0,但𝜇和𝜎^2均为未知,又设𝑋1,𝑋2,⋯,𝑋𝑛是一个样本,求𝜇和𝜎^2的矩估计量。
解:𝜇1=𝐸(𝑋)=𝜇,𝜇2=𝐸(𝑋^2)=𝐷(𝑋)+𝐸(𝑋)^2=𝜎^2+𝜇^2,令𝜇=𝐴1,𝜎^2+𝜇^2=𝐴2.
解方程组得到矩估计量分别为
。
极大似然估计方法【重点】
适用范围:总体分布类型已知时。
极大似然法的基本思想:参数(p)的选择应对所出现的观察结果最有利,即参数(p)的选择应使观察结果出现的概率最大。
极大似然估计——设𝑥1,𝑥2,⋯,𝑥𝑛是取自总体𝐹(𝑥;𝜃)的样本观察值,如果当未知参数𝜃取^𝜃时,(𝑥1,𝑥2,⋯,𝑥𝑛)被取到的概率最大,则称^𝜃为𝜃的极大似然估计。
其求法如下:
1)构建似然函数𝐿(𝜃)=𝐿(𝑥1,𝑥2,⋯,𝑥𝑛;𝜃)
若总体是离散型分布,其分布律为𝑃{𝑋=𝑥}=𝑝(𝑥;𝜃)其中𝜃为未知参数,则样本的联合分布律为
若总体为连续型,其概率密度为𝑓(𝑥;𝜃),则样本的联合概率密度为
2)求似然函数𝐿(𝜃)=𝐿(𝑥)1,𝑥2,⋯,𝑥𝑛;𝜃的最大值点^𝜃
若似然函数𝐿是𝜃的可微函数,则最大值点^𝜃必满足似然方程𝑑𝐿/𝑑𝜃=0
从中解得𝜃,经过检验即可得到𝐿的最大值点^𝜃,^𝜃就是𝜃的极大似然估计。由于𝐿为乘积函数,而𝐿与ln𝐿在同一处取得最大值,所以由对数似然方程 𝑑ln𝐿/𝑑𝜃=0 求解^𝜃。
例题 设𝑋1,𝑋2,⋯,𝑋𝑛是取自总体𝑋~𝐵(1,𝑝)的一个样本,求参数𝑝的极大似然估计。
例题 已知总体𝑋~𝑁(𝜇,𝜎^2),𝜇和𝜎^2均未知,求这两个参数的极大似然估计。
区间估计
基本概念
参数的区间估计——由样本给出未知参数的一个估计范围(称为估计区间),并使其包含未知参数真值的可靠性达到一定的要求,是对未知参数的另一种估计方法,这就是参数的区间估计。
设𝑋1,𝑋2,...,𝑋𝑛是来自总体𝑋的样本,𝑋的分布𝐹(𝑥;𝜃)中含有未知参数𝜃。
对给定的数𝛼(0<𝛼<1),若有统计量^𝜃1=^𝜃1(𝑋1,𝑋2,...,𝑋𝑛)和^𝜃2=^𝜃2(𝑋1,𝑋2,...,𝑋𝑛)(^𝜃1<^𝜃2)使得𝑃{^𝜃1<𝜃<^𝜃2}=1−𝛼,则称随机区间(^𝜃1,^𝜃2)是𝜃的一个双侧置信区间,称1−𝛼为置信度(置信水平)(可靠度),称^𝜃1和^𝜃2是该双侧置信区间的置信下限和置信上限。
【注意】区分上侧分位点𝛼与置信度1−𝛼
确切的解释是:随机区间(^𝜃1,^𝜃2)包含𝜃的概率是1−𝛼。
置信度𝟏−𝜶是指:参数𝜃的真值在置信区间内的可靠程度(可信度)。
置信区间的长度则是对估计精度的度量。置信区间的长度越短,表示估计的精度越高。即:在概率密度为单峰且对称的情形,当𝒂=−𝒃时求得的置信区间的长度为最短。即使在概率密度不对称的情形,如𝝌𝟐分布,F分布,习惯上仍取对称的分位点来计算未知参数的置信区间。
在求置信区间时,要查表求分位点。
求未知参数𝜽的置信区间的步骤如下:
1.寻找一个样本𝑋1,𝑋2,...,𝑋𝑛的函数:𝐺=𝑔(𝑋1,𝑋2,...,𝑋𝑛;𝜃),它包含待估参数𝜃,但不包含其它未知参数,并且𝐺的分布已知且不依赖于任何未知参数。
2.对于给定的置信水平1−𝛼,定出两个常数𝑎和𝑏,使得𝑃{𝑎<𝑔(𝑋1,𝑋2,...,𝑋𝑛;𝜃)<𝑏}=1−𝛼
3.若能从𝑎<𝑔(𝑋1,𝑋2,⋯,𝑋𝑛;𝜃)<𝑏得到等价的不等式^𝜃1<𝜃<^𝜃2,其中^𝜃1=^𝜃1(𝑋1,𝑋2,⋯,𝑋𝑛),^𝜃2=^𝜃2(𝑋1,𝑋2,⋯,𝑋𝑛)都是统计量,那么(^𝜃1,^𝜃2)就是𝜃的一个置信度为1−𝛼的置信区间。
例题 设总体𝑋~𝑁(𝜇,𝜎^2),𝜎^2为已知,𝜇为未知, 设𝑋1,𝑋2,...,𝑋𝑛是来自𝑋的样本,求𝜇的置信度为0.95的置信区间。
【注意】给定样本,给定置信水平,置信区间也不是唯一的。对同一个参数,我们可以构造许多置信区间。
在概率密度为单峰且对称的情形,当𝒂=−𝒃时求得的置信区间的长度为最短。即使在概率密度不对称的情形,如𝝌𝟐分布,F分布,习惯上仍取对称的分位点来计算未知参数的置信区间。
单正态总体参数的区间估计
1. 𝜎^2已知时,求𝝁的置信区间
由上述例题可知,𝜇的置信水平为1−𝛼的一个置信区间为
2. 𝜎^2未知时,求𝝁的置信区间
因为𝑆^2是𝜎^2的无偏估计,可用𝑆替换𝜎,由第六章学过的定理3可知
例题 有一大批糖果,现从中随机地取16袋,称得重量(克)如下:
506 508 499 503 504 510 497 512 514 505 493 496 506 502 509 496
设袋装糖果的重量服从正态分布,试求总体均值的置信度为0.95的置信区间。
3. 求𝜎^2的置信区间
因𝑆^2是𝜎^2的无偏估计,可以以𝑆^2为基础来构建𝜎^2的置信区间。根据第六章学习的定理2可知:
对于给定的𝛼,查附表得𝜒2分布得分位点,使得
例题 有一大批糖果,现从中随机地取16袋,称得重量(克)如下:
506 508 499 503 504 510 497 512 514 505 493 496 506 502 509 496
设袋装糖果的重量服从正态分布,试求总体方差的置信度为0.95的置信区间。
假设检验的基本概率
假设检验问题的提法、原则与基本步骤
假设检验问题——根据样本的信息检验关于总体的某个假设是否正确,这类问题称作假设检验问题。
假设检验问题主要包括:
(1)已知总体分布的形式,需对其中的未知参数给出假设检验—参数检验
(2)总体的分布形式完全未知的情况下,对总体的分布或数字特征进行假设检验—非参数检验
通常的办法是进行抽样检查。
假设检验的基本思想:
(1)提出假设:𝑯𝟎为原假设(或零假设); 𝑯𝟏为备选假设(或对立假设)
(2)选检验统计量,已知总体分布时根据总体分布的式子进行选定
(3)对给定的显著性水平𝛼,可以在𝑁(0,1)表中查到分位点的值𝑧(𝛼/2),使𝑃{|Z|>𝑧(𝛼/2)}=𝛼,确定H0的拒绝域W
(4)由样本观察值计算统计量观察值t
(5)作出判断:当t∈W时,则拒绝H0,否则不拒绝H0,即认为在显著水平𝛼下,H0与实际情况差异不显著
如果𝐻0是对的,那么衡量差异大小的某个统计量落入拒绝域𝑊(𝑊:|Z|>𝑧(𝛼/2))是个小概率事件。如果该统计量的实测值落入了𝑊,说明𝐻0成立下的小概率事件发生了,那么就认为𝐻0不可信而否定它。否则我们就不能否定𝐻0。
而不否定𝐻0并不是肯定𝐻0一定对,而只是说差异还不够显著,还没有达到足以否定𝐻0的程度。所以假设检验又叫“显著性检验”。
如果显著性水平𝛼取得很小,则拒绝域𝑊也会比较小。产生的后果是:𝐻0难于被拒绝。
如果在𝛼很小的情况下𝐻0仍被拒绝了,则说明实际情况很可能与之有显著差异。
基于这个理由,人们常把𝜶=0.05 时拒绝𝐻0称为是显著的,而把在𝜶=0.01 时拒绝𝐻0称为是高度显著的。
【注意】注意区分上侧分论点𝛼、置信水平1-𝛼和显著水平𝛼
例题 某工厂生产的一种螺钉,标准要求长度是32.5毫米。实际生产的产品,其长度𝑋假定服从正态分布𝑁(𝜇,𝜎^2),𝜎^2未知,现从该厂生产的一批产品中抽取6件,得尺寸数据如下:32.56, 29.66, 31.64, 30.00, 31.87, 31.03,此时显著水平𝜶=0.01,问这批产品是否合格?
分析:这批产品(螺钉长度)的全体组成问题的总体𝑋。现在要检验𝐸(𝑋)是否为32.5。此时相当于𝜎^2未知,关于𝝁的检验。
解:第一步:提出原假设和对立假设
𝐻0:𝜇=32.5 𝐻1:𝜇≠32.5
第二步:取一检验统计量(能衡量差异大小且分布已知),在𝑯𝟎成立下求出它的分布第三步:对给定的显著水平𝜶=0.01 ,查表确定临界值:
𝑡𝛼/2(5)=𝑡0.005(5)=4.0322使得𝑃{|𝑇|>𝑡𝛼/2(5)}=𝛼,即“|𝑇|>𝑡𝛼/2(5)”是一小概率事件,并得到拒绝域𝑊:|𝑇|>4.0322
第四步:将样本值代入算出统计量𝑇的实测值𝑇=2.997<4.0322故不能拒绝𝐻0
注意:这并不意味着𝑯𝟎一定对,只是差异还不够显著,不足以否定𝑯𝟎
两种错误
【注意】需要区分第一类错误和第二类错误,并记住其代表的内容
第一类错误:当H0为真时,却拒绝了H0,也称这类错误为去真错误。
第二类错误:当H0不真时,却接受了H0,也称这类错误为存伪错误。
关于正态总体的假设检验
1. 𝝈^𝟐已知,关于𝝁的检验
可以提出三种假设检验问题:
(i)𝐻0:𝜇=𝜇0⇔𝐻1:𝜇≠𝜇0(通常)
(ii)𝐻0:𝜇≤𝜇0⇔𝐻1:𝜇>𝜇0
(iii)𝐻0:𝜇≥𝜇0⇔𝐻1:𝜇<𝜇0
当对立假设𝐻1分散在原假设𝐻0两侧时的检验称为双侧检验,否则称为单侧检验。
由于𝜎已知,选检验统计量,
对于假设检验问题𝐻0:𝜇=𝜇0,对给定的显著性水平𝛼,其拒绝域为:
对于假设检验问题𝐻0:𝜇≤𝜇0,构造的拒绝域为:
对于假设检验问题𝐻0:𝜇≥𝜇0,构造的拒绝域为:
2. 𝝈^𝟐未知,关于𝝁的检验
对于上述的假设检验,我们选用的检验统计量为:
例题 某种元件的寿命𝑋(以小时记)服从正态分布𝑁(𝜇,𝜎^2),𝜇,𝜎^2均未知。现测得16只元件的寿命如下:159 280 101 212 224 379 179 264222 362 168 250 149 260 485 170
问是否有理由认为元件的平均寿命大于225(小时)?(取显著性水平为0.05)
解:按题意需检验𝐻0:𝜇≤𝜇0=225,𝐻1:𝜇>225.
拒绝域为:
没有落在拒绝域内,故不能拒绝原假设,认为元件的平均寿命不大于225小时。
3.均值𝝁未知时,关于方差𝝈^𝟐的检验
对于上述的假设检验,我们选用的检验统计量为:
例题 某炼铁厂铁水中碳含量的百分数𝑋服从正态分布𝑁(𝜇,0.112^2),现在对工艺进行改进,从中选取7炉铁水,测得碳含量的百分数为4.411,4.062,4.337,4.394,4.346,4.277,4.693,试问新工艺炼出铁水碳含量百分数的方差是否有显著性改变(𝛼=0.05)?
解:这里的零假设为𝐻0:𝜎^2=0.112^2⇔𝐻1:𝜎^2≠0.112^2
根据均值未知时,方差假设检验的(i),拒绝域为
因𝜒2落在拒绝域内,故拒绝原假设,认为新工艺炼出铁水碳含量百分数的方差有显著性改变。
相关总结
具有可加性的分布
二项分布、泊松分布、正态分布、𝝌𝟐分布