假设检验σ1方和σ2方
第七讲 假设检验
第七讲假设检验第一节假设检验的基本问题一、假设检验的基本概念对总体的概率分布或分布参数作出某种“假设”，根据抽样得到的样本观测值，运用社会统计的分析方法，检验这种“假设”是否正确，从而决定接受或拒绝“假设”，这就是本讲要讨论的假设检验问题。
1、什么是假设？假设：定义为一个调研者或管理者对被调查总体的某些特征所做的一种假定或猜想。
本讲所讨论的假设都是经验假设，而非理论假设。
是对总体参数的一种假设。
常见的是对总体均值或比例和方差的检验；在分析之前，被检验的参数将被假定取一确定值。
什么是假设?对总体参数的一种看法总体参数包括总体均值、比例、方差等分析之前必需陈述什么是假设检验？1.概念事先对总体参数或分布形式作出某种假设然后利用样本信息来判断原假设是否成立2.类型参数假设检验（μ—检验法、t—检验法等）非参数假设检验（在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法，在推断过程中不涉及有关总体分布的参数，如卡方检验）3. 特点采用逻辑上的反证法依据统计上的小概率原理3. 小概率原理小概率原理是假设检验的基本依据，即认为小概率事件在一次试验中几乎是不可能发生的。
当进行假设检验时，先假设H0正确，在此假设下，若小概率事件A出现的概率很小，例如P（A）=0.01，经过取样试验后，A出现了，则违反了上述原理，我们认为这是一个不合理的结果。
例如，我们每天从电视、报纸上都能看到交通事故的发生，但人们绝不会因此而放弃交通工具的使用。
“套中人”每天带雨伞、雨鞋而被视作怪人。
可见，人们总是在不自觉地运用小概率原理。
这时，我们只能怀疑作为小概率事件A的前提假设H0的正确性，于是否定H0。
反之，如果试验中A没有出现，我们就没有理由否定假设H0，从而做出接受H0的结论。
下面我们通过实例来说明假设检验的基本思想及推理方法。
4、原假设和备择假设▪原假设H0(零假设、虚无假设)✓是关于总体均值而非样本统计量的假设✓总是假设原假设是正确的✓原假设可能被接受也可能被拒绝▪备择假设H1（研究假设）✓是原假设的对立✓备择假设可能被接受也可能被拒绝✓备择假设是试图要建立的检验二、假设检验的基本思路与方法•假设检验的步骤提出原假设和备择假设确定适当的检验统计量规定显著性水平计算检验统计量的值作出统计决策提出原假设和备择假设•什么是原假设？(Null Hypothesis)1. 待检验的假设，又称“0假设”2. 如果错误地作出决策会导致一系列后果3. 总是有等号=, ≤或≥4. 表示为H0H0：μ=某一数值指定为= 号，即≤或≥ 例如, H0：μ= 3190（元）什么是备择假设？(Alternative Hypothesis)1. 与原假设对立的假设2. 总是有不等号: ≠,< 或>3. 表示为H1 H1：μ <某一数值，或>μ某一数值例如, H1：μ < 3910(元)，或>μ3910(元)确定适当的检验统计量•什么检验统计量？1.用于假设检验问题的统计量2.选择统计量的方法与参数估计相同，需考虑1.是大样本还是小样本2.总体方差已知还是未知3.检验统计量的基本形式为•什么是显著性水平？1. 是一个概率值2. 原假设为真时，拒绝原假设的概率(被称为抽样分布的拒绝域)3. 表示为 α(alpha)(常用的 α值有0.01, 0.05, 0.10)4. 由研究者事先确定作出统计决策1.计算检验的统计量2.根据给定的显著性水平α，查表得出相应的临界值Zα或Z/2α3.将检验统计量的值与α水平的临界值进行比较4.得出接受或拒绝原假设的结论两类错误分析小概率原理是假设检验的基本依据，然而，对于小概率事件，无论其概率多么小，还是可能发生的，所以，利用小概率原理为基础的假设检验方法进行检验，可能会做出错误的判断，主要有两种形式（1）原假设H0实际是正确的，但却错误地拒绝了H0，这样就犯了“弃真”的错误，通常称为第一类错误。
假设检验的基本概念2
二、假设检验旳基本原理
在大量观察中频频出现旳事件具有较大旳概率， 出现次数较小旳事件，具有小旳概率。
在日常生活中，人们习惯于把概率很小旳事件， 看成在一次观察中是不可能出现旳事件，这个原理 称作小概率原理。
举例说，我们几乎每天从电视、报纸、甚至街头 广告牌上都能看到交通事故旳统计，但人们绝不所 以而放弃交通工具旳使用 ，可见，在日常生活中， 人们是在不自觉利用小概率原理。
统计假设检验旳基本原理是小概率原理。
小概率原理能够归纳为两个方面：
能够以为小概率事件在一次观察中是不 可能出现旳。
假如在一次观察中出现了小概率事件， 那么，合理旳想法是否定原有事件具有小 概率旳说法(或称假设)。
即直接检验H0,间接检验H1。
•小概率 原理：
假如对总体旳某种假设是真实旳，那么不利于 或不能支持这一假设旳事件A（小概率事件）在 一次试验中几乎不可能发生旳；要是在一次试 验中A居然发生了，就有理由怀疑该假设旳真实 性，拒绝这一假设。
总体
抽样
（某种假设）
检验
（接受）
小概率事件 未发生
样本 （观察成果）
（拒绝） 小概率事件 发生
三、假设检验旳基本形式
虚无假设HO如前面所举女青年初婚年龄=20。原假设
在不会研被究假否中设定是，稳一不定般然、涉也受就到及失保两去护其旳部研，分究但意另：义一虚。方当面无经也假过并抽不设样表H调达O查永和，远研 究当假实际设数H据1。否定了原有假设H0时，就产生了需要接受其逻辑
拟定α，就拟定了 临界点c。拟定了 临界点c，就拟定 了否定域旳大小。
第二节 正态总体均值的假设检验
σ
~ N(0,1)
n
（σ 2 已知)
原假设 备择假设 检验统计量及其在 H0为真时的分布 H0 H1
=0 ≠0
X 0 T= ~ T(n 1) S n
接受域
x 0 s n
≤ tα
（σ 2未知）
2
待估参数
枢轴量及其分布 置信区间
X 0 T= ~ T(n 1) S n
( x tα
2
= 0 ≥ 0 ≤ 0
≠ 0 < 0 > 0
U=
X 0
σ
U ≥ zα
2
n
U ≤ zα
N(0,1)
U ≥ zα
未知) T 检验法 (σ2 未知) 原假设 备择假设 检验统计量及其 H0 H1 H0为真时的分布 拒绝域
= 0 ≥ 0 ≤ 0
≠ 0 < 0 > 0
X 0 T= S n ~ t(n 1)
（2）关于 σ
2
χ2检验法 的检验
拒绝域
原假设 备择假设 检验统计量及其在 H1 H0为真时的分布 H0
σ
2=σ 2 0
σ
2≠σ 2 0
χ =
2
∑(X )
i=1 i
n
χ ≤ χ (n)
2 2 1α 2
2
或 χ 2 ≥ χα2 (n)
2
σ 2≥σ 02 σ 2<σ 02
σ
2 0
~ χ (n)
2
χ ≤ χ (n)
(1) 关于均值差 1 – 2 的检验
原假设 备择假设 检验统计量及其在 H0为真时的分布 H0 H1
1 – 2 = δ 1 – 2 ≠ δ 1 – 2 ≥ δ 1 – 2 < δ 1 – 2 ≤ δ 1 – 2 > δ
第4章 假设检验(田间试验与统计分析 四川农业大学)
2 2
2
s2 1
s2 2
Hale Waihona Puke s2 es2 e
df1
s2 1
df1
df
2
s
2 2
df2
s2 e
5 2.412 4 3.997 54
3.1164
1.提出假设
H0 ：1=2； HA ：1≠2 。
2、计算t值
t x1 x2 s x1 x2
s x1 x2
第二节 单个样本平均数的假设检验
在实际研究工作中，常常要检验某样本
所属总体平均数与已知的总体平均数 0 是 否有差异。已知的总体平均数 0 一般为一些
公认的理论数值、经验数值或期望数值。
若σ2已知
u x 0 x
x
n
u检验
s2 若σ2未知
t x 0
sx
sx
s n
x2 1 ( x)2
x x 30.3667(g) s
n
n
2.5328 (g)
n 1
sx
s 0.8443 (g) n
t x 0 30.3667 27.5 3.395
sx
0.8443
df=n-1=9-1=8
t0.05(8) =2.306 t0.01(8) =3.355 | t |=3.395 > t0.01(8)
第四章 假设检验
第一节 假设检验的基本原理 第二节 单个样本平均数的假设检验 第三节 两个样本平均数的假设检验 第四节 百分率资料的假设检验 第五节 参数的区间估计
假设检验(test of hypothesis)又叫显著性 检验 (test of significance)，是统计学中的一 个重要内容 。假设检验的方法很多 ，常用的
第七章 假设检验
第七章假设检验第一节假设检验的基本知识一、假设陈述1、原假设/虚无假设：用H表示，常常是根据已有资料得出的，稳定、保守的经验性看法，没有充分根据是不会被推翻的。
2、备选假设/研究假设：与原假设对立的假设，用H1表示，经过抽样调查后，获得证据希望予以支持的假设。
二、假设检验的基本原理——小概率原理小概率原理：一次观察中小概率事件被认为不可能发生；如果一次观察出现了小概率事件，合理的想法应该是否定原有事件具有小概率的说法。
小概率原理在假设检验中的运用：抽取一个样本并计算出检验统计量，如果在原假设成立的条件下这个统计量几乎不可能发生，则拒绝原假设而接受备选假设。
反之，如果计算出的统计量发生的可能性不太小，则接受原假设。
即在原假设下，检验统计量是小概率事件则拒绝原假设。
例1：某市场有100位摊贩，根据以往统计，其中非本地居民占10%，现随机抽取10人调查，发现5个都不是本地人，则原有统计结果是否成立？解：H：100人中10个是非本地人。
计算在原假设成立的情况下，抽取5人都是非本地人的概率：P= C105 C905/C10010＜10-4可见，出现5名非本地人的结果概率极其小，但一次实验就出现了，所以怀疑原假设的真实性，拒绝原假设。
三、拒绝域与显著性水平1、显著性水平α，在原假设成立条件下，统计检验中规定的小概率的数量界限，常用的有α=0.10,0.05,0.01。
2、接受域和拒绝域根据原假设画出统计量的分布，以Z分布为例。
如果把拒绝原假设的小概率α事件定在分布的右侧尾部，则右侧面积代表的概率即显著性水平，Zα是临界值。
如果检验统计量值Z＞Zα，则应拒绝原假设；如Z＜Zα，则接受原假设。
以Zα为临界值，左边为接受域，右边为拒绝域。
也可把α定在左边或两边。
α1、双边检验如果拒绝域放在抽样分布的两侧，每侧拒绝域的概率分别为α/2，假设抽样本分布以0为对称，则P(|Z|＞Z α/2)= α；双边检验的假设如下：H 0: μ=μ0H 1: μ≠-Z α/2 Z α/2如果检验统计量|Z|＞Z α/2，则拒绝原假设，否则接受。
单侧假设检验
以能否认为这批导线的标准差显著地偏大?
解：假设： H0 : 0.005 H1 : 0.005
由
2分布表查得临界值
2 0.05
8
15.507
又
2
8 0.007 2 0.005 2
15.68
15.507
拒绝H0，即认为这批导线的标准差显著地偏大。
例7 按规定，每100g的罐头，番茄汁中VC的含量
又 f s12 3.325 1.49 s22 2.225
因为 0.248＜1.49＜4.03。故应接受H0，即认为两种方 法的方差无显著差异，可以认为相等，亦即σ12=σ22
其次在σ12=σ22 的前提下，检验假设：
H 0
：1≥
，
2
H1：
＜
1
。
2
由于两总体方差相等，因此可选择检验统计量
T X Y
因此，在实际应用中，除了上述的双侧假设检 验之外，还有许多其它形式的假设检验问题：
(3)原假设H0：≥0(或≤0)， 备择假设H1：＜0(或＞0)。其中为总体X的
未知参数，0为一常数； (4)原假设H0：1≥2(或1≤2)， 备择假设H1：1＜2(或1＞2)。其中1，2为
相互独立的总体X与Y的未知参数。 (3)(4)两种统计假设，常称之为单侧假设，相应的
由于方差2未知，故采用t—检验法。由样本值得，
x
1
265 C ,
s2
1 3
4 i 1
一、单侧假设检验的概念
以上介绍的假设检验，归纳起来为下面两种形式： (1)原假设H0：=0，备择假设H1：≠0，其中0
为某一常数； (2)原假设H0： 1=2，备择假设H1： 1≠2，其中
1，2分别为两相互独立的总体X与Y的参数。
实验1 假设检验
项目八 假设检验、回归分析与方差分析实验1 假设检验实验目的 掌握用Mathematica 作单正态总体均值、方差的假设检验, 双正态总体的均值差、方差比的假设检验方法, 了解用Mathematica 作分布拟合函数检验的方法.基本命令1.调用假设检验软件包的命令<<Statistics\HypothesisTests.m输入并执行命令<<Statistics\HypothesisTests.m2.检验单正态总体均值的命令MeanTest命令的基本格式为MeanTest[样本观察值,0H 中均值0μ的值, TwoSided->False(或True), Known Variance->None (或方差的已知值20σ),SignificanceLevel->检验的显著性水平α,FullReport->True]该命令无论对总体的均值是已知还是未知的情形均适用.命令MeanTest 有几个重要的选项. 选项Twosided->False 缺省时作单边检验. 选项Known Variance->None 时为方差未知, 所作的检验为t 检验. 选项Known Variance->20σ时为方差已知(20σ是已知方差的值), 所作的检验为u 检验. 选项Known Variance->None 缺省时作方差未知的假设检验. 选项SignificanceLevel->0.05表示选定检验的水平为0.05. 选项FullReport->True 表示全面报告检验结果.3.检验双正态总体均值差的命令MeanDifferenceTest命令的基本格式为MeanDifferenceTest[样本1的观察值,样本2的观察值,0H 中的均值21μμ-,选项1,选项2,…]其中选项TwoSided->False(或True), SignificanceLevel->检验的显著性水平α,FullReport->True 的用法同命令MeanTest 中的用法. 选项EqualVariances->False(或True)表示两个正态总体的方差不相等(或相等).4.检验单正态总体方差的命令VarianceTest命令的基本格式为VarianceTest[样本观察值,0H 中的方差20σ的值,选项1,选项2,…]该命令的选项与命令MeanTest 中的选项相同.5.检验双正态总体方差比的命令VarianceRatioTest命令的基本格式为VarianceRatioTest[样本1的观察值,样本2的观察值,0H 中方差比2221σσ的值,选项1,选项2,…] 该命令的选项也与命令MeanTest 中的选项相同.注: 在使用上述几个假设检验命令的输出报告中会遇到像OneSidedPValue->0.000217593这样的项,它报告了单边检验的P 值为0.000217593. P 值的定义是: 在原假设成立的条件下, 检验统计量取其观察值及比观察值更极端的值(沿着对立假设方向)的概率. P 值也称作“观察”到的显著性水平. P 值越小, 反对原假设的证据越强. 通常若P 低于5%, 称此结果为统计显著; 若P 低于1%,称此结果为高度显著.6.当数据为概括数据时的假设检验命令当数据为概括数据时, 要根据假设检验的理论, 计算统计量的观察值, 再查表作出结论. 用以下命令可以代替查表与计算, 直接计算得到检验结果.(1)统计量服从正态分布时, 求正态分布P 值的命令NormalPValue. 其格式为NormalPValue[统计量观察值,显著性选项,单边或双边检验选项](2)统计量服从t 分布时, 求t 分布P 值的命令StudentTPValue. 其格式为StudentTPValue[统计量观察值,自由度,显著性选项,单边或双边检验选项](3)统计量服从2χ分布时, 求2χ分布P 值的命令ChiSquarePValue. 其格式为ChiSquarePValue[统计量观察值,自由度,显著性选项,单边或双边检验选项](4)统计量服从F 分布时, 求F 分布P 值的命令FratioPValue. 其格式为FratioPValue[统计量观察值,分子自由度,分母自由度,显著性选项,单边或双边检验选项](5)报告检验结果的命令ResultOfTest. 其格式为ResultOfTest[P 值,显著性选项,单边或双边检验选项,FullReport->True]注:上述命令中, 缺省默认的显著性水平都是0.05, 默认的检验都是单边检验.实验举例单正态总体均值的假设检验(方差已知情形)例 1.1 (教材 例 1.1) 某车间生产钢丝, 用X 表示钢丝的折断力, 由经验判断),(~2σμN X , 其中228,570==σμ, 今换了一批材料, 从性能上看, 估计折断力的方差2σ不会有什么变化(即仍有228=σ), 但不知折断力的均值μ和原先有无差别. 现抽得样本, 测得其折断力为578 572 570 568 572 570 570 572 596 584取,05.0=α试检验折断力均值有无变化?根据题意, 要对均值作双侧假设检验570:,570:10≠=μμH H输入<<Statistics\HypothesisTests.m 执行后, 再输入 data1={578,572,570,568,572,570,570,572,596,584};MeanTest[data1,570,SignificanceLevel->0.05,KnownVariance->64,TwoSided->True,FullReport->True](*检验均值, 显著性水平05.0=α, 方差083.02=σ已知*)则输出结果{FullReport->MeanTestStat Distribution 575.2 2.05548 NormalDistribution[]TwoSidedPValue->0.0398326,Reject null hypothesis at significance level ->0.05}即结果给出检验报告: 样本均值2.575=x , 所用的检验统计量为u 统计量(正态分布),检验统计量的观测值为 2.05548, 双侧检验的P 值为0.0398326, 在显著性水平05.0=α下, 拒绝原假设, 即认为折断力的均值发生了变化.例 1.2 (教材 例 1.2) 有一工厂生产一种灯管, 已知灯管的寿命X 服从正态分布)40000,(μN , 根据以往的生产经验, 知道灯管的平均寿命不会超过1500小时. 为了提高灯管的平均寿命, 工厂采用了新的工艺. 为了弄清楚新工艺是否真的能提高灯管的平均寿命,他们测试了采用新工艺生产的25只灯管的寿命. 其平均值是1575小时, 尽管样本的平均值大于1500小时, 试问: 可否由此判定这恰是新工艺的效应, 而非偶然的原因使得抽出的这25只灯管的平均寿命较长呢?根据题意, 需对均值的作单侧假设检验 1500:,1500:10>≤μμH H检验的统计量为 n X U /0σμ-=, 输入 p1=NormalPValue[(1575-1500)/200*Sqrt[25]]ResultOfTest[p1[[2]],SignificanceLevel ->0.05,FullReport ->True]执行后的输出结果为OneSidedPValue ->0.0303964{OneSidedPValue->0.0303964,Fail to reject null hypothesis at significance level ->0.05}即输出结果拒绝原假设单正态总体均值的假设检验(方差未知情形)例1.3 (教材 例1.3) 水泥厂用自动包装机包装水泥, 每袋额定重量是50kg, 某日开工后随机抽查了9袋, 称得重量如下:49.6 49.3 50.1 50.0 49.2 49.9 49.8 51.0 50.2设每袋重量服从正态分布, 问包装机工作是否正常(05.0=α)?根据题意, 要对均值作双侧假设检验:50:;50:10≠=μμH H输入 data2={49.6,49.3,50.1,50.0,49.2,49.9,49.8,51.0,50.2};MeanTest[data2,50.0,SignificanceLevel ->0.05,FullReport ->True](*单边检验且未知方差,故选项TwoSided,KnownVariance 均采用缺省值*)执行后的输出结果为{FullReport->Mean TestStat Distribution,49.9 -0.559503 StudentTDistribution[8]OneSidedPValue ->0.295567,Fail to reject null hypothesis at significance level ->0.05}即结果给出检验报告: 样本均值9.49=X , 所用的检验统计量为自由度8的t 分布(t 检验),检验统计量的观测值为-0.559503, 双侧检验的P 值为0.295567, 在显著性水平05.0=α下, 不拒绝原假设, 即认为包装机工作正常.例1.4 (教材 例1.4) 从一批零件中任取100件,测其直径,得平均直径为5.2,标准差为1.6.在显著性水平05.0=α下,判定这批零件的直径是否符合5的标准.根据题意, 要对均值作假设检验:.5:;5:10≠=μμH H 检验的统计量为n s T /0μ-=, 它服从自由度为1-n 的t 分布. 已知样本容量,100=n 样本均值2.5=X , 样本标准差6.1=s .输入StudentTPValue[(5.2-5)/1.6*Sqrt[100],100-1,TwoSided->True]则输出TwoSidedPValue->0.214246 即P 值等于0.214246, 大于0.05, 故不拒绝原假设, 认为这批零件的直径符合5的标准.单正态总体的方差的假设检验例1.5 (教材 例1.5) 某工厂生产金属丝, 产品指标为折断力. 折断力的方差被用作工厂生产精度的表征. 方差越小, 表明精度越高. 以往工厂一直把该方差保持在64(kg 2)与64以下. 最近从一批产品中抽取10根作折断力试验, 测得的结果(单位为千克) 如下:578 572 570 568 572 570 572 596 584 570 由上述样本数据算得74.75,2.5752==s x .为此, 厂方怀疑金属丝折断力的方差是否变大了. 如确实增大了, 表明生产精度不如以前, 就需对生产流程作一番检验, 以发现生产环节中存在的问题.根据题意, 要对方差作双边假设检验:64:;64:2120>≤σσH H 输入 data3={578,572,570,568,572,570,572,596,584,570};VarianceTest[data3,64,SignificanceLevel->0.05,FullReport->True](*方差检验,使用双边检验,05.0=α*)则输出{FullReport->Variance TestStat Distribution75.7333 10.65 ChiSquareDistribution[9]OneSidedPValue->0.300464,Fail to reject null hypothesis at significance level->0.05}即检验报告给出: 样本方差,7333.752=s 所用检验统计量为自由度4的2χ分布统计量(2χ 检验), 检验统计量的观测值为10.65, 双边检验的P 值为0.300464, 在显著性水平05.0=α 时, 接受原假设, 即认为样本方差的偏大系偶然因素, 生产流程正常, 故不需再作进一步的 检查.例1.6 (教材 例1.6) 某厂生产的某种型号的电池, 其寿命(以小时计) 长期以来服从方差50002=σ的正态分布, 现有一批这种电池, 从它的生产情况来看, 寿命的波动性有所改变. 现随机取26只电池, 测出其寿命的样本方差92002=s .问根据这一数据能否推断这批电池的寿命的波动性较以往的有显著的变化(取02.0=α)?根据题意, 要对方差作双边假设检验: 5000:;5000:2120≠=σσH H 所用的检验统计量为,)1(2022σχS n -=它服从自由度为1-n 的2χ分布.已知样本容量,26=n 样本方差.92002=s 输入ChiSquarePValue[(26-1)*9200/5000, 26-1,TwoSided->True]则输出TwoSidedPValue->0.0128357.即P 值小于0.05, 故拒绝原假设. 认为这批电池寿命的波动性较以往有显著的变化.双正态总体均值差的检验(方差未知但相等)例1.7 (教材 例1.7) 某地某年高考后随机抽得15名男生、12名女生的物理考试成绩如下:男生: 49 48 47 53 51 43 39 57 56 46 42 44 55 44 40女生: 46 40 47 51 43 36 43 38 48 54 48 34从这27名学生的成绩能说明这个地区男女生的物理考试成绩不相上下吗?(显著性水平05.0=α).根据题意, 要对均值差作单边假设检验:211210:,:μμμμ≠=H H输入 data4={49.0,48,47,53,51,43,39,57,56,46,42,44,55,44,40};data5={46,40,47,51,43,36,43,38,48,54,48,34};MeanDifferenceTest[data4,data5,0,SignificanceLevel->0.05,TwoSided->True,FullReport->True,EqualVariances->True,FullReport->True](*指定显著性水平05.0=α,且方差相等*) 则输出{FullReport->MeanDiff TestStat Distribution3.6 1.56528 tudentTDistribution[25],OneSidedPValue->0.13009,Fail to reject null hypothesis at significance level->0.05} 即检验报告给出: 两个正态总体的均值差为3.6, 检验统计量为自由度25的t 分布(t 检验),检验统计量的观察值为1.56528, 单边检验的P 值为0.13009, 从而没有充分理由否认原假 设, 即认为这一地区男女生的物理考试成绩不相上下.双正态总体方差比的假设检验例1.8 (教材 例1.8) 为比较甲、乙两种安眠药的疗效, 将20名患者分成两组, 每组10人, 如服药后延长的睡眠时间分别服从正态分布, 其数据为(单位:小时):甲: 5.5 4.6 4.4 3.4 1.9 1.6 1.1 0.8 0.1 -0.1乙: 3.7 3.4 2.0 2.0 0.8 0.7 0 -0.1 -0.2 -1.6问在显著性水平05.0=α下两重要的疗效又无显著差别.根据题意, 先在21,μμ未知的条件下检验假设:2221122210:,:σσσσ≠=H H输入 list1={5.5,4.6,4.4,3.4,1.9,1.6,1.1,0.8,0.1,-0.1};list2={3.7,3.4,2.0,2.0,0.8,0.7,0,-0.1,-0.2,-1.6};VarianceRatioTest[list1,list2,1,SignificanceLevel->0.05,TwoSided->True,FullReport->True](*方差比检验,使用双边检验,05.0=α*) 则输出 {FullReport->Ratio TestStat Distribution1.41267 1.41267 FratioDistribution[9,9],TwoSidedPValue->0.615073,Fail to reject null hypothesis at significancelevel->0.05}即检验报告给出: 两个正态总体的样本方差之比2221s s 为1.41267, 检验统计量的分布为)9,9(F 分布(F 检验), 检验统计量的观察值为1.41267, 双侧检验的P 值为0.615073. 由检验报告知两总体方差相等的假设成立.其次, 要在方差相等的条件下作均值是否相等的假设检验:211210:,:μμμμ≠'='H H 输入MeanDifferenceTest[list1,list2,0,EqualVariances->True,SignificanceLevel->0.05,TwoSided->True,FullReport->True](*均值差是否为零的检验,已知方差相等,05.0=α,双边检验*)则输出{FullReport->MeanDiff TestStat Distribution1.26 1.52273 StudentTDistribution[18],TwoSidedPValue->0.1452,Fail to reject null hypothesis at significance level->0.05}根据输出的检验报告, 应接受原假设,:210μμ='H 因此, 在显著性水平05.0=α下可认为21μμ=.综合上述讨论结果, 可以认为两种安眠药疗效无显著差异.例1.9 (教材 例1.9) 甲、乙两厂生产同一种电阻, 现从甲乙两厂的产品中分别随机抽取12个和10个样品, 测得它们的电阻值后, 计算出样本方差分别为,40.121=s .38.422=s 假设电阻值服从正态分布, 在显著性水平10.0=ε下, 我们是否可以认为两厂生产的电阻值的方差相等.根据题意, 检验统计量为,2221S S F =它服从自由度(1,121--n n )的F 分布.已知样本容量10,1221==n n , 样本方差.38.4,40.12221==s s 该问题即检验假设: 2221122210:,:σσσσ≠=H H输入FRatioPValue[1.40/4.38,12-1,10-1,TwoSided->True,SignificanceLevel->0.1]则输出TwoSidedPValue->0.0785523,Reject null hypothesis at significance level->0.1}所以, 我们拒绝原假设, 即认为两厂生产的电阻阻值的方差不同分布拟合检验——2χ检验法例1.10 (教材 例1.10) 下面列出84个伊特拉斯坎男子头颅的最大宽度(单位:mm):141 148 132 138 154 142 150 146 155 158 150 140 147 148 144150 149 145 149 158 143 141 144 144 126 140 144 142 141 140145 135 147 146 141 136 140 146 142 137 148 154 137 139 143140 131 143 141 149 148 135 148 152 143 144 141 143 147 146150 132 142 142 143 153 149 146 149 138 142 149 142 137 134144 146 147 140 142 140 137 152 145试检验上述头颅的最大宽度数据是否来自正态总体(1.0=α)?输入数据data2={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};输入Min[data2]|Max[data2] 则输出126|158 即头颅宽度数据的最小值为126, 最大值为158. 考虑区间[124.5,159.5], 它包括了所有的数据. 以5为间隔, 划分小区间. 计算落入每个小区间的频数, 输入pshu=BinCounts[data2,{124.5,159.5,5}] 则输出{1,4,10,33,24,9,3} 因为出现了两个区间内的频数小于5, 所以要合并小区间. 现在把频数为1, 4的两个区间合并, 再把频数为9, 3的两个区间合并. 这样只有5个小区间. 这些区间为(5.134,-∞),),,5.154(,],5.139,5.134(+∞为了计算分布函数在端点的值, 输入zu=Table[129.5+j*5,{j,1,4}] 则输出{134.5,139.5,144.5,149.5} 以这4个数为分点,把),(+∞-∞分成5个区间后,落入5个小区间的频数分别为5, 10, 33, 24, 12.它们除以数据的总个数就得到频率. 输入plv={5,10,33,24,12}/Length[data2]则输出⎭⎬⎫⎩⎨⎧71,72,2811,425,845下面计算在0H 成立条件下, 数据落入5个小区间的概率. 输入nor=NormalDistribution[Mean[data2],StandardDeviationMLE[data2]];(*Mean[data2]是总体均值的极大似然估计,StandardDeviationMLE[data2]是总体标准差的极大似然估计,NormalDistribution 是正态分布,因此nor 是由极大似然估计得到的正态分布*)Fhat=CDF[nor,zu] (*CDF 是分布函数的值*)则输出{0.0590736,0.235726,0.548693,0.832687}此即0H 成立条件下分布函数在分点的值. 再求相邻两个端点的分布函数值之差, 输入 Fhat2=Join[{0},Fhat,{1}];glv=Table[Fhat2[[j]]-Fhat2[[j-1]],{j,2,Length[Fhat2]}]则输出{0.0590736,0.176652,0.312967,0.283994,0.167313}输入计算检验统计量2χ值的命令chi=Apply[Plus,(plv-glv)^2/glv*Length[data2]]则输出3.59235再输入求2χ分布的P 值命令ChiSquarePValue[chi,2] (*5-2-1=2为2χ分布的自由度*)则输出OneSidedPValue->0.165932这个结果表明0H 成立条件下, 统计量2χ取3.59235及比它更大的概率为0.165932, 因此不拒绝0H , 即头颅的最大宽度数据服从正态分布.实验习题1.设某种电子元件的寿命X (单位:h)服从正态分布22,),,(σμσμN 均未知. 现测得16只元件的寿命如下:159 280 101 212 224 379 179 264222 362 168 250 149 260 485 170问是否有理由认为元件的平均寿命225h?是否有理由认为这种元件寿命的方差≤852?2.某化肥厂采用自动流水生产线,装袋记录表明,实际包重)2,100(~2N X ,打包机必须定期进行检查,确定机器是否需要调整,以确保所打的包不至过轻或过重,现随机抽取9包, 测得数据(单位:kg)如下102 100 105 103 98 99 100 97 105若要求完好率为95%,问机器是否需要调整?3.某炼铁厂的铁水的含碳量X 在正常情况下服从正态分布.现对操作工艺进行了某些改进,从中抽取5炉铁水测得含碳量百分比的数据如下4.421 4.052 4.357 4.287 4.683据此是否可以认为新工艺炼出的铁水含碳量的方差仍为?)05.0(108.02=α4.机器包装食盐,假设每袋盐的净重服从正态分布,规定每袋标准重量为500g,标准差不能超过0.02.某天开工后,为检验机械工作是否正常,从装好的食盐中随机地抽取9袋,则其净重(单位:500g)为0.994 1.014 1.02 0.95 0.968 0.968 1.048 0.982 1.03 问这天包装机工作是否正常(05.0=α)?5.(1)某切割机在正常工作时,切割每段金属棒的平均长度为10.5cm.今从一批产品中随机地抽取15段,测得其长度(单位:cm)如下10.4 10.6 10.1 10.4 10.5 10.3 10.3 10.210.9 10.6 10.8 10.5 10.7 10.2 10.7 设金属棒长度服从正态分布,且标准差没有变化,试问该机工作是否正常(05.0=α)?(2)上题中假定切割的长度服从正态分布,问该机切割的金属棒的平均长度有无显著变化(05.0=α)? (3)如果只假定切割的长度服从正态分布,问该机切割的金属棒长度的标准差有无显著变化(05.0=α)?6. 在平炉上进行一项试验以确定改变操作方法的建议是否会增加钢的得率,试验是在同一平炉进行的, 每炼一炉钢时除操作方法外, 其他方法都尽可能做到相同.先用标准方法炼一炉, 然后用建议的新方法炼一炉, 以后交替进行, 各炼了10炉, 其得率分别为(1) 标准方法 78.1 72.4 76.2 74.3 77.4 78.4 76.0 75.5 76.7 77.3(2) 新 方 法 79.1 81.0 77.3 79.1 80.0 79.1 79.1 77.3 80.2 82.1设这两个样本相互独立, 且分别来自正态总体),(21σμN 和),(22σμN ,21,μμ和2σ均未知.问建议的新操作方法能否提高得率(05.0=α).7.某自动机床加工同一种类型的零件.现从甲、乙两班加工的零件中各抽验了5各,测得它们的直径(单位:cm)分别为甲: 2.066 2.063 2.068 2.060 2.067乙: 2.058 2.057 2.063 2.059 2.060已知甲、乙二车床加工的零件其直径分别为),(~),,(~2221σμσμN Y N X ,试根据抽样结果来说明两车床加工的零件的平均直径有无显著性差异(05.0=α)?8.设某产品的使用寿命近似服从正态分布,要求平均使用寿命不低于1000h.现从一批产品中任取25只, 测得平均使用寿命为950h,样本方差为100, 在05.0=α下,检验这批产品是否合格.9. 两台机器生产某种部件的重量近似服从正态分布.分别抽取60与30个部件进行检测,样本方差分别为.66.9,46.152221==s s 试在05.0=α下检验假设 .:;:2221122210σσσσ>=H H 10.设某电子元件的可靠性指标服从正态分布,合格标准之一为标准差.05.00=σ现检测15次,测得指标的平均值95.0=x ,指标的标准差.03.0=s 试在1.0=α下检验假设.05.0:;05.0:221220≠=σσH H11.对两种香烟中尼古丁含量进行6次测试,得到样本均值与样本方差分别为 22.9,25.6,67.25,5.252221====s s y x 设尼古丁含量都近似服从正态分布,且方差相等.取显著性水平,05.0=α检验香烟中尼古丁含量的方差有无显著差异.。
大学统计学 第6章 假设检验与方差分析
35%
16
30%
14
12
25%
10
20%
8
`
15%
6
10%
4
2
5%
0
0%
50-60
70-80
90-100
统计学导论
第六章 假设检验与方差分析
第一节 假设检验的基本原理 第二节 总体均值的假设检验 第三节 总体比例的假设检验 第四节 单因子方差分析 第五节 双因子方差分析 第六节 Excel在假设检验与方差分析
记为 H1:。150
整理课件
6-7
三、检验统计量
所谓检验统计量，就是根据所抽取的样本计 算的用于检验原假设是否成立的随机变量。
检验统计量中应当含有所要检验的总体参数， 以便在“总体参数等于某数值”的假定下研 究样本统计量的观测结果。
检验统计量还应该在“H0成立”的前提下有 已知的分布，从而便于计算出现某种特定的 观测结果的概率。
为 =x 149.8克，样本标准差s=0.872克。问该
生产线的装袋净重的期望值是否为150克（即 问生产线是否处于控制状态）?
整理课件
6-4
所谓假设检验，就是事先对总体的参数 或总体分布形式做出一个假设，然后利用抽 取的样本信息来判断这个假设（原假设）是 否合理，即判断总体的真实情况与原假设是 否存在显著的系统性差异，所以假设检验又 被称为显著性检验。
量所得结果落入接受域的概率。
问题，对于 和 大小的选择有
不同的考虑。例如，在例 6-1 中，如果检验者站在卖方 的立场上，他较为关心的是不要犯第一类错误，即不 要发生产品本来合格却被错误地拒收这样的事情，这
时， 要较小。反之，如果检验者站在买者的立场上，
统计4：显著性检验
统计4：显著性检验在统计学中，显著性检验是“假设检验”中最常⽤的⼀种，显著性检验是⽤于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的办法。
⼀，假设检验显著性检验是假设检验的⼀种，那什么是假设检验？假设检验就是事先对总体（随机变量）的参数或总体分布形式做出⼀个假设，然后利⽤样本信息来判断这个假设是否合理。
在验证假设的过程中，总是提出两个相互对⽴的假设，把要检验的假设称作原假设，记作H0，把与H0对⽴的假设称作备择假设，记作H1。
假设检验需要解决的问题是：指定⼀个合理的检验法则，利⽤已知样本的数据作出决策，是接受假设H0，还是拒绝假设H0。
1，假设检验的基本思想假设检验的基本思想是⼩概率反证法思想。
⼩概率思想是指⼩概率事件（P<0.01或P<0.05）在⼀次试验中基本上不会发⽣。
反证法思想是先提出原假设(记作假设H0)，再⽤适当的统计⽅法确定原假设成⽴的可能性⼤⼩：若可能性⼩，则认为原假设不成⽴；若可能性⼤，则认为原假设是成⽴的。
2，假设检验的思路假设检验思路是：先假设，后检验，通俗地来说就是要先对数据做⼀个假设，然后⽤检验来检查假设对不对。
⼀般⽽⾔，把要检验的假设称之为原假设，记为H0；把与H0相对对⽴（相反）的假设称之为备择假设，记为H1。
如果原假设为真，⽽检验的结论却劝你拒绝原假设，把这种错误称之为第⼀类错误（弃真），通常把第⼀类错误出现的概率记为α；就是说，拒绝真假设的概率是α。
如果原假设不真，⽽检验的结论却劝你接受原假设，把这种错误称之为第⼆类错误（取伪），通常把第⼆类错误出现的概率记为β；就是说，接受假假设的概率是β。
因此，在确定检验法则时，应尽可能使犯这两类错误的概率都较⼩。
⼀般来说，当样本容量固定时，如果减少犯⼀类错误的概率，则犯另⼀类错误的概率往往增⼤。
如果要使犯两类错误的概率都减少，除⾮增加样本容量。
⼆，显著性检验什么是显著性检验？在给定样本容量的情况下，我们总是控制犯第⼀类错误的概率α，这种只对犯第⼀类错误的概率加以控制，⽽不考虑犯第⼆类错误的概率β的检验，称作显著性检验。
假设检验
第五章假设检验本章介绍假设检验的基本概念以及参数检验与非参数检验的主要方法。
通过学习，要求：1.掌握统计检验的基本概念，理解该检验犯两类错误的可能；2.熟练掌握总体均值与总体成数指标的各种检验方法；包括：z 检验、t 检验和p-值检验；4.掌握基本的非参数检验方法，包括：符号检验、秩和检验与游程检验；5.能利用Excel 进行假设检验。
第一节假设检验概述一、假设检验的基本概念假设检验是统计推断的另一种方式，它与区间估计的差别主要在于：区间估计是用给定的大概率推断出总体参数的范围，而假设检验是以小概率为标准，对总体的状况所做出的假设进行判断。
假设检验与区间估计结合起来，构成完整的统计推断内容。
假设检验分为两类：一类是参数假设检验，另一类是非参数假设检验。
本章分别讨论这两类检验方法。
进行假设检验，首先要对总体的分布函数形式或分布的某些参数做出假设，然后再根据样本数据和“小概率原理”，对假设的正确性做出判断。
这种思维方法与数学里的“反证法”很相似，“反证法”先将要证明的结论假设为不正确的，作为进一步推论的条件之一使用，最后推出矛盾的结果，以此否定事先所作的假设。
反证法所认为矛盾的结论，也就是不可能发生的事件，这种事件发生的概率为零，该事件是不能接受的现实。
其实，我们在日常生活中，不仅不肯接受概率为0的事件，而且对小概率事件，也持否定态度。
比如，虽然偶尔也有媒体报导陨石降落的消息，但人们不必担心天空降落的陨石会砸伤自己。
所谓小概率原理，即指概率很小的事件在一次试验中实际上不可能出现。
这种事件称为“实际不可能事件”。
小概率的标准是多大？这并没有绝对的标准，一般我们以一个所谓显著性水平α(0<α<1)作为小概率的界限，α的取值与实际问题的性质有关。
所以，统计检验又称显著性检验。
下面通过一个具体例子说明假设检验是怎样进行的。
【例5-1】消费者协会接到消费者投诉，指控品牌纸包装饮料存在容量不足，有欺骗消费者之嫌。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
假设检验σ1方和σ2方
【原创版】
目录
1.假设检验的背景和意义
2.σ1 方和σ2 方的概念介绍
3.σ1 方和σ2 方的具体应用
4.σ1 方和σ2 方的比较和选择
5.结论
正文
一、假设检验的背景和意义
在统计学中，假设检验是一种用来判断数据之间是否存在显著差异的方法。
在进行假设检验时，我们通常需要对数据进行一些预处理，如计算均值、方差等统计量。
其中，方差是一种衡量数据离散程度的指标，可以反映数据的稳定性和一致性。
在假设检验中，我们通常会涉及到两个方差，即σ1 方和σ2 方。
二、σ1 方和σ2 方的概念介绍
σ1 方和σ2 方是两个不同总体的方差。
σ1 方代表第一个总体的方差，σ2 方代表第二个总体的方差。
这两个方差可以用来衡量两个总体之间的差异。
三、σ1 方和σ2 方的具体应用
在进行假设检验时，我们通常会使用σ1 方和σ2 方来计算一些统计量，如 t 值或 F 值。
这些统计量可以帮助我们判断两个总体之间是否存在显著差异。
例如，当我们使用 t 检验时，我们会计算 t 值，然后根据t 值和相应的临界值来判断两个总体之间是否存在显著差异。
四、σ1 方和σ2 方的比较和选择
在进行假设检验时，我们通常需要比较σ1 方和σ2 方。
比较这两个方差的目的是为了确定哪个方差更能反映两个总体之间的差异。
通常，我们会选择较大的方差作为统计量，因为较大的方差可以提供更强的证据来支持我们的假设。
五、结论
σ1 方和σ2 方是假设检验中常用的统计量，可以帮助我们判断两个总体之间是否存在显著差异。
在进行假设检验时，我们需要仔细分析σ1 方和σ2 方，并选择合适的方差作为统计量。