DAY3-GB-A-04 假设检验.ppt

假设检验 (Hypothesis Testing);Define;目 录;亲爱的 Abby: 你在你的专栏里说妇女怀孕期是266天。这是谁说的？我怀我的孩子用了10个月零5天，这是确信无疑的，因为我精确地知道孩子怀上的那一天。我的丈夫在海军服役，这个孩子不可能在其他任何时间怀上，因为我见到他只一次，只有一个小时，而且在孩子出生之前我再也没有和他见面。 我不饮酒，也不东奔西跑，而且这个孩子不可能不是他的。所以请在报纸上声明收回关于 266 天怀孕的时间。因为否则我将面临许多的麻烦！ - 圣地亚哥读者;250 ;医生很早就知道孩子自然出生有以下特征… 正态分布 平均怀孕时间 = 天 标准偏差 = 天 ; 产科医生早就知道： 正态分布 平均 = 266 天 标准偏差 = 16 天 ;平均 = __266__ 标准偏差 = _16___;假设检验概要;假设检验概要;妥善处理不确定 使主观最小化 问题假设 预防重要信息的遗漏 控制判断错误的风险;是处理实际问题的方法,把实际问题变成统计问题 因为我们用(相对小的)样本来估计总体的参数,因而总有可能为我们的实验选择一个“怪异” 的样本,它可能不能代表一子群“典型”的观测. 因此,推论统计学可利用一些假设, 允许我们估计纯粹由于偶然原因导致的得到一个“怪异”结果的概率. 比如,如果我们要知道一个硬币是否“公平”, 我们可以抛它数次,记录我们看到它出现正面的次数. 根据随机我们期望大约看到50%正面. 如果我们抛了10次硬币,得到10次正面, 我们将清楚的确信这个硬币不“公平”. 用一个公平的硬币1000次只有一次机会获得10个正面.因此我们可以说我们对于“不公平”的硬币的判断将有0.1%的错误机会. 即只有1000分之1 (概率性的) 很难得发生的事件却在一次实验中发生了，则我们这时判断为硬币是非正常的。）;在不好的一天我们可以得到一个好的工程 而在一个好天里我们可以得到一个坏工程 无论哪一种情况,我们都可能作出错误的结论;假设是关于某事是对的描述.如果我们抛10次硬币得到了8次正面,我们将说这个硬币是不公平的.在此我们有错误的概率(约5%),但我们愿意承担这个风险. 在工厂里我们用同样的方法验证假设─我们将把原因归结于非常的事件,而不是纯粹偶然. 问题: 我们如何鉴别非常事件? 我们如何利用统计学来帮助我们作出判断? 我们知道样本数据服从自然散布。当某事“真的发生”时我们怎样知道是真实发生还是偶然发生？ 让我们开始研究这个程序。;为何使用假设检验？;Reactor 1 Reactor 2 89 84 81 86 84 83 84 91 87 86 79 79 85 82 81 89 83 83 84 88;实际问题: 与代表现有工艺的反应器1相比，对反应器2的改造能提高良品率吗？ ; . . .. . . : ::. .. . . . . . . ----+---------+---------+---------+---------+---------+- 80.0 82.5 85.0 87.5 90.0 92.5;假设检验的前提假设;主要核心术语; 7、Ⅱ类错误: 又名”取伪错误”,是指零假设是假的时候而接受它. 8、β值:是指犯二类错误的概率，β越大，则越有可能接受不真实的零假设 显著差异 (Significant Difference) - 用于描述统计性假设检验的结果 的术语，在此差异大的不能合理的随机发生。那里很可能在发生什么特殊事 9、检验功效（Power） - 统计检验的能力，探测出某事很重要时，实际上 某事确实很重要。常被用来决定在处置中样本的大小是否足以探测到存在差异。 零假设不真实时推翻错误零假设的概率, 即能够检出假的零假设的概率。(1-β) 11.检验统计量（Test Statistic） -一个标准化的数值(z、t、F等)，代表错误 确认的可能性，分布于一个已知的方式，以便可以决定这个观察到的数值的概率 通常错误确认越可行，检验统计量的绝对值就越小, 而且在其分布内观察