目录
一、基本思想
无论是怎样的假设,假设检验的思想是一样的,就是所谓概率性质的反证法。其根据是实际推断原理:小概率事件在一次试验中是几乎不可能发生的。进一步讲,要检验某假设H0,先假设H0正确,在此假设下构造某一事件A,它在H0正确的条件下概率很小,例如 P ( A ∣ H 0 ) = α ( = 0.05 ) P(A|H_0)=α(=0.05) P(A∣H0)=α(=0.05)。现在进行一次实验,如果A事件发生了,也就是说小概率事件在一次实验中居然发生了,这与实际推断原理相矛盾,这表明“假定H0为正确”是错误的,因而拒绝H0;反之,如果小概率事件没有发生,我们就没有理由拒绝H0,通常就接受H0。
二、两类错误
从主观上讲,我们总希望经过假设检验,能作出正确的判断,即若H0确实为真,则接受H0;若H0确实为假,则拒绝H0。但在客观上,我们是根据样本所确定的统计量的值来推断的,由于样本的随机性,在推断时就不免要犯错误。
- 第一类错误——弃真: α = P ( 拒 绝 H 0 ∣ H 0 为 真 ) α=P(拒绝H_0|H_0为真) α=P(拒绝H0∣H0为真)
- 第二类错误——取伪: β = P ( 接 受 H 0 ∣ H 0 为 假 ) β=P(接受H_0|H_0为假) β=P(接受H0∣H0为假)
我们当然希望犯两类错误的概率都很小,但是在样本容量固定时是办不到的。通常把解决这一问题的原则简化成只对第一类错误的最大概率α加以限制,而不考虑犯第二类错误的概率β。这种统计假设检验问题称为显著性检验,并将犯第一类错误的最大概率α称为假设检验的显著性水平。
在一个假设检验问题中,拒绝原假设H0的最小显著性水平称为检验的p值。
三、检验步骤
- 提出原假设H0与备择假设H1;
- 选择检验统计量W并确定其分布;
- 在给定的显著性水平下,确定H0关于统计量W的拒绝域;
- 算出样本点对应的检验统计量的值;
- 判断:若统计量的值落在拒绝域内,则拒绝H0,否则接受H0。
四、一个总体参数的检验
总体均值的检验
1、方差已知时μ的检验:z检验
z = X ‾ − μ 0 σ 0 / n ∼ N ( 0 , 1 ) z = {\overline{X}-μ_0\overσ_0/\sqrt{n}} \sim N(0,1) z=σ0/nX−μ0∼N(0,1)
2、方差未知时μ的检验:t检验
t = X ‾ − μ 0 S / n ∼ t ( n − 1 ) t={\overline X-μ_0\over S/\sqrt n}\sim t(n-1) t=S/nX−μ0∼t(n−1)
总体比例的检验
X 1 , . . . , X n X_1,...,X_n X1,...,X