概率论与数理统计教程(七)-假设检验02：正态总体参数假设检验

§ 7.2 正态总体参数假设检验
本节对正态总体参数 $\mu$ 和 ${\sigma }^2$ 的各种检验分别进行讨论.
7.2.1 单个正态总体均值的检验
设 $x_1,x_2,\cdots ,x_n$ 是来自 $N\left(\mu ,{\sigma }^2\right)$
的样本, 考虑如下三种关于 $\mu$ 的检验问题:
$$\begin{array}{l}\text{ I }{H}_0:\mu ⩽{\mu }_0\text{ vs }{H}_1:\mu >{\mu }_0\text{, }\\ \text{ II }{H}_0:\mu ⩾{\mu }_0\text{ vs }{H}_1:\mu <{\mu }_0\text{, }\\ \text{ III }{H}_0:\mu ={\mu }_0\text{ vs }{H}_1:\mu \ne {\mu }_0\text{, }\end{array}$$

其中 ${\mu }_0$ 是已知常数.由于正态总体含两个参数, 总体方差 ${\sigma }^2$
已知与否对检验有影响.下面我们分 $\sigma$ 已知和未知两种情况叙述.
$一、\sigma ={\sigma }_0$ 已知时的 $u$ 检验
对于(7.2.1) 式所示的单侧检验问题 $\mathrm{I}$, 由于 $\mu$ 的点估计是
$\bar{x}$, 且
$\bar{x}\sim N\left(\mu ,{\sigma }_0^2/n\right)$,故选用检验统计量
$$u=\frac{\bar{x}-{\mu }_0}{{\sigma }_0/\sqrt{n}}$$
是恰当的. 直觉告诉我们: 当样本均值 $\bar{x}$ 不超过设定均值 ${\mu }_0$
时, 应倾向于接受原假设;当样本均值 $\bar{x}$ 超过 ${\mu }_0$ 时,
应倾向于拒绝原假设. 可是, 在有随机性存在的场合, 如果 $\bar{x}$比
${\mu }_0$ 大一点就拒绝原假设似乎不当, 只有当 $\bar{x}$ 比 ${\mu }_0$
大到一定程度时拒绝原假设才是恰当的. 这就存在一个临界值 $c$,拒绝域为
W 1 = { ( x 1 , x 2 , ⋯   , x n ) : u ⩾ c } , W_{1}=\left\{\left(x_{1}, x_{2}, \cdots, x_{n}\right): u \geqslant c\right\}, W1​={ (x1​,x2​,⋯,xn​):u⩾c},
常简记为 { u ⩾ c } \{u \geqslant c\} { u⩾c}. 若要求检验的显著性水平为 $\alpha$, 则 $c$
满足
$$P_{{\mu }_0}(u⩾c)=\alpha .$$
由于在 $\mu ={\mu }_0$ 时, $u\sim N(0,1)$, 故 $c=u_{1-\alpha }$ (见图
7.2.1(a)), 最后的拒绝域为
W 1 = { u ⩾ u 1 − α } .  W_{1}=\left\{u \geqslant u_{1-\alpha}\right\} \text {. } W1​={ u⩾u1−α​}. 
{width=“180px”}
(a)
$H_1:\mu >{\mu }_0${width=“174px”}
(b)
$H_1:\mu <{\mu }_0${width=“180px”}
© $H_1:\mu \ne {\mu }_0$
图7.2.1 $u$ 检验的拒绝域
该检验用的检验统计量是 $u$ 统计量,故一般称为 $u$ 检验. 该检验的势函数是
$\mu$ 的函数,它可用正态分布写出,具体如下: 对 $\mu \in (-\infty ,\infty )$,
$$\begin{array}{rl}g(\mu )& =P_{\mu }\left(\mathbf{X}\in W_1\right)=P_{\mu }\left(u⩾u_{1-\alpha }\right)\\ & =P_{\mu }\left(\frac{\bar{x}-{\mu }_0}{{\sigma }_0/\sqrt{n}}⩾u_{1-\alpha }\right)\\ & =P_{\mu }\left(\frac{\bar{x}-\mu +\mu -{\mu }_0}{{\sigma }_0/\sqrt{n}}⩾u_{1-\alpha }\right)\\ & =P_{\mu }\left(\frac{\bar{x}-\mu }{{\sigma }_0/\sqrt{n}}⩾\frac{{\mu }_0-\mu }{{\sigma }_0/\sqrt{n}}+u_{1-\alpha }\right)\\ & =1-\Phi \left(\sqrt{n}\left({\mu }_0-\mu \right)/{\sigma }_0+u_{1-\alpha }\right).\end{array}$$
由此可见, 势函数是 $\mu$ 的增函数, 其图形见图 7.2.2(a). 由增函数性质知,
只要 $g\left({\mu }_0\right)=\alpha$, 就可保证在 $\mu ⩽{\mu }_0$
时有 $g(\mu )⩽\alpha$. 所以上述求出的检验是显著性水平为
$\alpha$的检验.
下面我们讲述用 $p$ 值进行检验的方法.
类似于 7.1.3 节的讲述, 对给定的样本观测值, 可以计算出相应的检验统计量
$u$ 的值, 记为
$u_0=\frac{\sqrt{n}\left(\bar{x}-{\mu }_0\right)}{{\sigma }_0}$, 这里的
$\bar{x}$ 是样本观测值. 因在 $\mu ={\mu }_0$ 时, $u$
是服从标准正态分布{width=“168px”}
(a)
$H_1:\mu >{\mu }_0${width=“168px”}
(b)
$H_1:\mu <{\mu }_0${width=“168px”}
© $H_1:\mu \ne {\mu }_0$
图 7.2.2 $g(\mu )$ 的图形
的随机变量, 令
$$p_1=P\left(u⩾u_0\right)=1-\Phi \left(u_0\right),$$
此即说明 $u_0=u_{1-p_1}$,
于是由正态分布函数的反函数的单调性有如下结论:
- 当 $p_1⩽\alpha$ 时,
$u_{1-\alpha }⩽u_0$,于是观测值落在拒绝域里,应拒绝原假设.
- 当 $p_1>\alpha$ 时, $u_{1-\alpha }>u_0$, 于是观测值不在拒绝域里,
应接受原假设.
由此可以看出, (7.2.7) 计算出的值就是该检验的 $p$ 值.
对检验问题 (7.2.2) 所示的单侧检验问题 II 的讨论是完全类似的. 仍选用 $u$
作为检验统计量, 考虑到(7.2.2) 的备择假设 $H_1$ 在左侧, 其拒绝域 (见图
7.2.1(b)) 为
W II  = { u ⩽ u α } . W_{\text {II }}=\left\{u \leqslant u_{\alpha}\right\} . WII ​={ u⩽uα​}.
而检验的 $p$ 值为
$$p_{\text{II }}=P\left(u⩽u_0\right)=\Phi \left(u_0\right),$$
$u_0,u$ 的含义同上,后面还会用到就不再一一指出了.
对检验问题 (7.2.3) 所示的双侧检验问题 III, 也可类似进行讨论,
只不过检验的 $p$值稍有不同. 仍选用 $u$ 作为检验统计量, 考虑到 (7.2.3)
的备择假设 $H_1$ 分散在两侧, 故其拒绝域亦应在两侧,
即拒绝域应有如下形式
W I  = { ∣ u ∣ ⩾ c } .  W_{\text {I }}=\{|u| \geqslant c\} \text {. } WI ​={ ∣u∣⩾c}. 
对给定的显著性水平 $\alpha (0<\alpha <1)$, 由
$P_{{\mu }_0}(|u|⩾c)=\alpha$ 可定出 $c=u_{1-\alpha /2}$ (见图
$\mathrm{7.2.1}(\mathrm{c}))$, 最后的拒绝域为
$$W_{\text{II }}=\left\{|u|⩾u_{1-\alpha /2}\right\}.$$
下面介绍双侧检验的 $p$ 值的计算. 在检验统计量分布对称场合, 双侧检验的
$p$ 值的计算与单侧检验是类似的,不对称场合我们在后面介绍.
仿上, 令
$$p_{\text{III }}=P\left(|u|⩾\left|u_0\right|\right)=2\left(1-\Phi \left(\left|u_0\right|\right)\right),$$
此即说明 $\left|u_0\right|=u_{1-p_{\mathbb{I}}/2}$, 这里要用到
$u_0$ 的绝对值是因为对双侧假设检验,
观测值可能为正,也可能为负,二者机会相同,于是有类似的结论:
- 当 $p_{\text{II }}⩽\alpha$ 时,
$u_{1-\alpha /2}⩽\left|u_0\right|$, 于是观测值落在拒绝域里,
应拒绝原假设.
- 当 p I > α p_{\mathbb{I}}>\alpha