数学建模之假设检验

在总体的分布函数完全未知或只知其形式但不知其参数的情况，为了推断总体的某些性质，提出某些关于总体的假设。例如，提出总体服从泊松分布的假设，又如对于正态总体提出数学期望等于μ$_{0}$的假设等。假设检验就是根据样本对所提出的假设做出判断：是接受还是拒绝。这就是所谓的假设检验问题。

1. 单个总体N(μ,σ$^{2}$) 均值μ的检验

---

1.1 σ$^{2}$已知，关于μ 的检验（Z 检验）

在 Matlab 中Z 检验法由函数 ztest 来实现，命令为

[h,p,ci]=ztest(x,mu,sigma,alpha,tail) 

1.2 σ$^{2}$未知，关于μ 的检验（t 检验）

在 Matlab 中t检验法由函数 ttest 来实现，命令为

[h,p,ci]=ttest(x,mu,alpha,tail) 

2 两个正态总体均值差的检验（t检验）

---

还可以用t检验法检验具有相同方差的 2 个正态总体均值差的假设。在 Matlab 中 由函数 ttest2 实现，命令为：

[h,p,ci]=ttest2(x,y,alpha,tail) 

与上面的 ttest 相比，不同处只在于输入的是两个样本 x,y（长度不一定相同）， 而不是一个样本和它的总体均值；tail 的用法与 ttest 相似，可参看帮助系统。

3 分布拟合检验

---

在实际问题中，有时不能预知总体服从什么类型的分布，这时就需要根据样本来检 验关于分布的假设。下面介绍χ$^{2}$检验法和专用于检验分布是否为正态的“偏峰、峰度检验法”。

3.1 χ$^{2}$检验法

H0: 总体 x的分布函数为F(x)
H1: 总体 x的分布函数不是F(x)
在用下述χ$^{2}$检验法检验假设H0时，若在假设H0下F(x)的形式已知，但其参数值未知，这时需要先用极大似然估计法估计参数，然后作检验。

例1:
下面列出了 84 个伊特拉斯坎（Etruscan）人男子的头颅的大宽度（mm）， 试检验这些数据是否来自正态总体（取α=0.1)

141  148  132  138  154  142  150  146  155  158 
150  140  147  148  144  150  149  145  149  158 
143  141  144  144  126  140  144  142  141  140 
145  135  147  146  141  136  140  146  142  137 
148  154  137  139  143  140  131  143  141  149 
148  135  148  152  143  144  141  143  147  146 
150  132  142  142  143  153  149  146  149  138 
142  149  142  137  134  144  146  147  140  142 
140  137  152  145

解:编写matlab代码如下:

clc 
x=[141  148  132  138  154  142  150  146  155  158 ... 
    150  140  147  148  144  150  149  145  149  158 ... 
    143  141  144  144  126  140  144  142  141  140 ... 
    145  135  147  146  141  136  140  146  142  137 ... 
    148  154  137  139  143  140  131  143  141  149 ... 
    148  135  148  152  143  144  141  143  147  146 ... 
    150  132  142  142  143  153  149  146  149  138 ... 
    142  149  142  137  134  144  146  147  140  142 ... 
    140  137  152  145]; 
mm=minmax(x)   %求数据中的小数和大数 
hist(x,8)      %画直方图 
fi=[length(find(x<135)),...    
    length(find(x>=135&x<138)),...    
    length(find(x>=138&x<142)),...    
    length(find(x>=142&x<146)),...    
    length(find(x>=146&x<150)),...    
    length(find(x>=150&x<154)),...    
    length(find(x>=154))] %各区间上出现的频数 
mu=mean(x),sigma=std(x)   %均值和标准差 
fendian=[135,138,142,146,150,154] %区间的分点 
p0=normcdf(fendian,mu,sigma) %分点处分布函数的值 
p1=diff(p0)                  %中间各区间的概率 
p=[p0(1),p1,1-p0(6)]         %所有区间的概率 
chi=(fi-84*p).^2./(84*p)               
chisum=sum(chi)              %皮尔逊统计量的值 
x_a=chi2inv(0.9,4)     %chi2分布的0.9分位数