总体分布已知时,对总体X的分布中的参数提出的检验问题又称参数假设检验问题
基本概念
-
原假设: H 0 : θ ∈ Θ 0 H_0:\theta\in\Theta_0 H0:θ∈Θ0
-
备择假设: H 1 : θ ∈ Θ 1 H_1:\theta\in\Theta_1 H1:θ∈Θ1
-
拒绝域: W = { ( x 1 , x 2 , … , x n ) : T ( x ) ≥ c } W= \lbrace( x_1,x_2,…,x_n):T(x) \ge c\rbrace W={(x1,x2,…,xn):T(x)≥c}
-
接受域: W c = { ( x 1 , x 2 , … , x n ) : T ( x ) < c } W^c= \lbrace( x_1,x_2,…,x_n):T(x) < c\rbrace Wc={(x1,x2,…,xn):T(x)<c}
-
拒绝原假设 H 0 H_0 H0: ( x 1 , x 2 , … , x n ) ∈ ( x_1,x_2,…,x_n)\in (x1,x2,…,xn)∈ W W W
其中 T ( x ) T(x) T(x)是能从样本空间划分出拒绝域的统计量,称为检验统计量; c c c是一个待定的常数,称其为检验的临界值 -
检验函数:拒绝域上的示性函数
-
第一类错误: H 0 H_0 H0为真时,拒绝原假设,其概率为:
-
第二类错误: H 0 H_0 H0为假时,接受原假设,其概率为:
-
检验的势(功效):当 H 0 H_0 H0不成立时拒绝它的概率(这回是对的):
-
势函数(功效函数):检验犯第一类错误的概率:
当 θ ∈ Θ 0 \theta\in\Theta_0 θ∈Θ0时, g ( θ ) = α ( θ ) g(\theta)=\alpha(\theta) g(θ)=α(θ)
当 θ ∈ Θ 1 \theta\in\Theta_1 θ∈Θ1时, g ( θ ) = γ ( θ ) g(\theta)=\gamma(\theta) g(θ)=γ(θ) -
Neyman-Pearson检验原理:控制犯第一类错误的概率在给定的范围内,寻找检验量使犯第二类错误的概率尽可能小(即使检验的功效尽可能大),即给定一个较小的数 α ∈ ( 0 < α < 1 ) \alpha\in(0<\alpha<1) α∈(0<α<1),在满足
P θ { P_\theta\lbrace Pθ{ x ∈ W } = E θ ( φ ( x ) ) ≤ α , x\in W\rbrace=E_\theta(\varphi(x))\leq\alpha, x∈W}=Eθ(φ(x))≤α, θ ∈ Θ 0 \theta\in\Theta_0 θ∈Θ0
的检验函数中,寻找势尽可能大的检验函数 -
水平为 α \alpha α的检验: φ ( x ) \varphi(x) φ(x)满足 E θ ( φ ( x ) ) ≤ α E_\theta(\varphi(x))\leq\alpha Eθ(φ(x))≤α,其中 θ ∈ Θ 0 \theta\in\Theta_0 θ∈Θ0, α ( 0 < α < 1 ) \alpha(0<\alpha<1) α(0<α<1)
-
检验的大小(真实水平):对任何满足 α < α ′ ≤ 1 的 α ′ , φ ( x ) 也 是 水 平 为 α ′ \alpha<\alpha'\leq1的\alpha',\varphi(x)也是水平为\alpha' α<α′≤1的α′,φ(x)也是水平为α′的检验,称
为检验 φ ( x ) \varphi(x) φ(x)的大小或真实水平
正态总体参数的假设检验
单个总体:
前提 | 检验问题 | 检验统计量 | 拒绝域 |
---|---|---|---|
方差已知 | H 0 : μ = μ 0 H_0:\mu=\mu_0 H0:μ=μ0 | z = x ˉ − μ 0 σ / n z=\frac{\bar{x}-\mu_0}{\sigma/\sqrt{n}} z=σ/nxˉ−μ0 | W = { ( x 1 , x 2 , . . . , x n ) : W=\lbrace(x_1,x_2,...,x_n): W={(x1,x2,...,xn):| z z z|>= z 1 − α 2 z_{1-\frac{\alpha}{2}} z1−2α |
方差未知 | H 0 : μ = μ 0 H_0:\mu=\mu_0 H0:μ=μ0 | t = x ˉ − μ 0 S / n t=\frac{\bar{x}-\mu_0}{S/\sqrt{n}} t=S/nxˉ−μ0 | W = { ( x 1 , x 2 , . . . , x n ) : ∥ t ∥ > = t 1 − α 2 ( n − 1 ) W=\lbrace(x_1,x_2,...,x_n):\|t\|>=t_{1-\frac{\alpha}{2}}(n-1) W={(x1,x2,...,xn):∥t∥>=t1−2α(n−1) |
均值未知 | H 0 : σ 2 = σ 0 2 H_0:\sigma^2=\sigma^2_0 H0:σ2=σ02 | χ 2 = ( n − 1 ) S 2 σ 0 2 \chi^2=\frac{(n-1)S^2}{\sigma_0^2} χ2=σ02(n−1)S2 | W = { χ 2 ⩽ χ α 2 2 ( n − 1 ) } ∪ { χ 2 ⩾ χ 1 − α 2 2 ( n − 1 ) } W=\lbrace\chi^2\leqslant\chi^2_{\frac{\alpha}{2}}(n-1)\rbrace\cup\lbrace\chi^2\geqslant\chi^2_{1-\frac{\alpha}{2}}(n-1)\rbrace W={χ2⩽χ2α2(n−1)}∪{χ2⩾χ1−2α2(n−1)} |
##两个正态总体
前提 | 检验统计量 |
---|---|
方差已知 | z z z~N(0,1) |
方差未知但相等 | t |
方差未知,n1=n2=n | t |
方差未知,不等,样本数不同 | |
两个正态总体方差相等 |