统计学基础_task3

假设检验和p值

极端情况的概率称为p值

小鼠注射实验，注射前小鼠反应时间$$\mu$$=1.2s，现在进行药物实验，样本大小$$n$$=100，$$s_{\overline{x}}$$=0.5,mean=1.05。

假设$$H_0$$= 药物无效果

备择假设$$H_1$$=药物有效

思路：对于$$H_0$$如果药物无效果，则抽样分布中，$${\mu }_{\overline{x}}=\mu =1.2s$$;$${\sigma }_{\overline{x}}=\frac{\sigma }{\sqrt{100}}$$; 其中由于总体的标准差$$\sigma$$ 未知，因此可使用$$s$$进行估计，得到$${\sigma }_{\overline{x}}$$=0.05,计算1.05距离1.2有几个标准差的距离：$$z=\frac{1.2-1.05}{0.05}=3$$ ,如果$$H_0$$成立，反应时间为1.05发生的概率p = 1-99.7%=0.3%

因此拒绝假设$$H_0$$.

单侧检验和双侧检验

双侧：考虑两侧极端情况

单侧：考虑某一侧极端情况

z统计量/t统计量

当计算距离样本均值多少个标准差时，如果n>30，则使用z-table;如果n<=30,则使用t-table，分别得到相应的z统计量和t统计量

第一型错误

拒绝了正确的零假设。（即使是零假设，依然是有一定的概率可能发生）

小样本假设检验

1、计算相关统计量：如$$\mu ,\sigma$$等

2、定义零假设、备择假设

3、计算z/t-score

允许以概率p犯第一型错误，当得到实际P<p时，拒绝$$H_0$$

t统计量置信区间

根据具体的题目，可以不用$$\mu$$表示$${\mu }_{\overline{x}}$$ ,而是估计某置信区间内，$${\mu }_{\overline{x}}$$的真实可能范围

大样本占比假设检验

显著性水平

$$\begin{gathered} np>5 \\ n(1-p)>5 \end{gathered}$$

满足此条件时，假定样本占比的分布为正态分布

第一型错误的p值和显著性水平

随机变量之差的方差

处理随机变量的和与差

随机变量X和Y，相互独立

$$E(X)={\mu }_x$$

$$E(Y)={\mu }_y$$

$$Var(X)=E((X-{\mu }_x{)}^2)={\sigma }_x^2$$

$$Var(Y)=E((Y-{\mu }_y{)}^2)={\sigma }_x^2$$

$$Z=X+Y$$

$$E(Z)=E(X+Y)=E(x)+E(Y)$$

$${\mu }_z={\mu }_x+{\mu }_y$$

$$Var(Z)=Var(X)+Var(Y)$$

$${\sigma }_z^2={\sigma }_{x+y}^2={\sigma }_x^2+{\sigma }_y^2$$

$${\sigma }_y^2={\sigma }_{-y}^2$$

随机变量之差的均值等于均值之差

随机变量之和的均值等于均值之和

随机变量之差的方差等于方差之和

随机变量之和的方差等于方差之和

$${\sigma }_{\overline{x}-\overline{y}}^2={\sigma }_{\overline{x}}^2+{\sigma }_{\overline{y}}^2=\frac{{\sigma }_x^2}{n}+\frac{{\sigma }_y^2}{m}$$

在95%的置信度下，在均值之差的分布上距离该分布均值1.96个标准差，通过该值可计算出相应的置信区间

均值之差的假设检验

具体方法同均值分布做法相同

总体占比的比较

1、两个伯努利分布-相关统计量计算

2、计算均值之差-差值的抽样分布相关统计量计算

3、应用：两个抽样分布是否有差别？

​ a-计算置信区间-置信度-（估计）多少个标准差-置信区间

​ b-运用假设检验-得到差值落在什么区间-是否达到显著性

其中a方法中，用估计的方法计算差值分布的标准差，最终得到一定置信度下的置信区间

b方法中，由于我们已经有了两组样本，并且做了零假设（零假设中，假设两组样本是无差别的），因此整合两组数据，使得$$P_1=P_2=P$$,整合两组样本重新计算整体的P值，从而得到更合适的标准差估计。