假设检验_笔记|关于假设检验的一些内容

之前的t分布、正态分布等内容，都是样本推断总体的方法。

用样本指标估计总体指标，其结论有的完全可靠，有的只有不同程度的可靠性，需要进一步加以检验和证实。

通过检验，对样本指标与假设的总体指标之间是否存在差别作出判断：是否接受原假设。

这里必须明确，进行检验的目的不是怀疑样本指标本身是否计算正确，而是为了分析样本指标和总体指标之间是否存在显著差异。

从这个意义上，假设检验又称为显著性检验。

所有的假设检验都是建立在原假设基础之上，对原假设进行的推论进行检验。

PPT上的一个例子：

一个工厂，生产包装，标准的质量应该是0.5kg。所生产的包装的质量服从正态分布。工作人员采集了9个样本，平均值是0.5090kg，样本方差是0.015^2.那么，需要我们推断一下，这个机器工作的是否正常或者说合格？

其实问题在于，用上述样本估计出的总体特征值(也即是包装质量的总体平均值)是不是接近0.5kg？

这里就又衍生出一个问题，接近0.5kg到底是什么意思？

我们可以设定一个范围，认为在0.5左右的一个区间中，可以认为是接近0.5kg的。

说白了还是区间估计，还是要用之前说的正态分布(或t分布等)去做。

假设，我们认为，样本均值只要在0.5kg左右95%的概率区间出现，那么就说明0.5kg是对的。

由于质量其实是满足正态分布的(其他的情况下可能是t分布或者其他什么分布，看具体的场景和要求)，所以可以进一步把问题转化为标准正态分布下的95%置信区间求解问题。

0左右的95%就是非拒绝域，95%再往外的，就是拒绝域。

插一句：

这里之所以叫拒绝域，是因为，拒绝可以很简单，接受却很难。

只要有证据证明均值落在了拒绝域里，就可以轻松拒绝，不留责任；

但是即使落在非拒绝域里很多次，也不能说就接受了假设。

因为原假设本身是个大概率事件，拒绝原假设却是个小概率事件。小概率事件竟然都发生了，说明这个事情真的不靠谱，所以要拒绝它。但是大概率事件本身很容易发生，做了一些实验，没有发现它掉到拒绝域，也只是说没有足够的证据证明它错，并不能证明它对。

拒绝就直接拒绝，接受却是畏畏缩缩、姑且接受。

和司法判决类似，有罪就需要强有力的证据证明，原告需要有足够的证据证明被告有罪，被告并不需要证明自己无罪。如果原告证明不了被告有罪，那就疑罪从无。

回归正文：

由于此处仍然是：所有的假设检验都是建立在原假设基础之上，对原假设进行的推论进行检验。

所以可以认为u0=0.5，然后把原来服从正态分布的X转化为标准的正态分布，也即：

算出来，0.5090kg对应标准正态分布的点是1.8

其中，1.8就在标准正态分布概率密度图中找就行，同时也找到你的拒绝域临界点上下限(也可能只有上限或下限)

这里考虑2种情况。

情况1:我们要求，拒绝域有10%，双边检验；

拒绝域比较大，就是说，更容易拒绝原假设，所以对原假设的要求就更加严格。

情况2:我们要求，拒绝域只有5%，双边检验。

拒绝域比较小，不容易拒绝原假设，对原假设的要求比较宽松。

先考虑情况1:

正态分布，双边检验10%，则左右各5%，查正态分布表对应的上下限临界值就是1.645和-1.645

在这种比较严格的条件下(拒绝域比较大)，就不接受原假设，认为H0不成立，H1备择假设成立。

再考虑情况2:

左右各2.5%，查表得到对应的上下限临界值为1.96和-1.96

在这种比较宽松的条件下(拒绝域比较小)，特征值掉在了区间范围内，不拒绝原假设H0。

所以实际上假设检验还是区间估计。

以上过程实际上就是把u0就当成实际的u，然后把原分布(正态分布)转化到标准正态分布去看。

也可以像PPT里那样将标准正态分布转化到原分布去看，比如下面的过程。这样的好处是算出来的结果具有物理意义，比如下面的结果就告诉我们在0.4902kg～0.5098kg之间都是可以不拒绝的。

只算情况2:

再考虑几个例子就结束。

先做的1、3题，再做的2题，顺序2、3题搞反了，这也是PPT上的题。

用x的分布、z的分布、p值都可以判断是否拒绝。