第四章 假设检验.PPTVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 若取? =0.05，则 u0.95=1.645，拒绝域为 如今 u=2.556 已落入拒绝域，故拒绝原假设， 认为该建筑公司的宣称明显不成立。 大样本检验是近似的: 近似的含义是指检验的实际显著性水平与原先设 定的显著性水平有差距，这是由于诸如(4.3.12)中 u 的分布与N(0,1)有距离。如果n 很大，则这种差 异就很小。实用中我们一般并不清楚对一定的n, u 的分布与N(0,1) 的差异有多大，因而也就不能 确定检验的实际水平与设定水平究竟差多少。在 区间估计中也有类似问题。因此，大样本方法是 一个“不得已而为之”的方法。只要有基于精确 分布的方法一般总是首先要加以考虑的。 4.3.4 检验的 p 值 假设检验的结论通常是简单的: 在给定的显著水平下，不是拒绝原假设就是保留原假设。然而有时也会出现这样的情况：在一个较大的显著水平（? =0.05）下得到拒绝原假设的结论，而在一个较小的显著水平（? =0.01）下却会得到相反的结论。 这种情况在理论上很容易解释： 因为显著水平变小后会导致检验的拒绝域变小，于是原来落在拒绝域中的观测值就可能落入接受域。 但这种情况在应用中会带来一些麻烦：假如这时一个人主张选择显著水平? =0.05，而另一个人主张选? =0.01，则第一个人的结论是拒绝H0，而后一个人的结论是接受H0， 我们该如何处理这一问题呢？ 例4.3.5 一支香烟中的尼古丁含量X 服从正态 分布N(?,1)，质量标准? 规定不能超过1.5毫 克。现从某厂生产的香烟中随机抽取20支测 得其中平均每支香烟的尼古丁含量为 毫克，试问该厂生产的香烟尼古丁含量是否 符合质量标准的规定。 这是一个假设检验问题： H0 : ??1.5, H1 : ? 1.5, 采用u检验，计算得: 对一些的显著性水平，表4.3.1列出了相应的拒绝域和检验结论。 表4.3.1 例4.3.5中的拒绝域 显著性水平 拒绝域 u=2.10对应的结论 ? =0.05 u?1.645 拒绝H0 ? =0.025 u?1.96 拒绝H0 ? =0.01 u?2.33 接受H0 ? =0.005 u?2.58 接受H0 我们看到，不同的? 有不同的结论。 现在换一个角度来看，在? =1.5时，u的分布是N(0,1)。此时可算得，P(u?2.10)=0.0179，若以0.0179为基准来看上述检验问题，可得 当? 0.0179时， 2.10。于是2.10就不在 中，此时应接受原假设H0; 当? ?0.0179时， ?2.10。于是2.10就落在 中，此时应拒绝H0。 u 由此可以看出，0.0179是能用观测值2.10做出“拒绝H0”的最小的显著性水平，这就是p值。 u 定义4.3.1 在一个假设检验问题中，利用观测 值能够做出拒绝原假设的最小显著性水平称 为检验的p 值。 引进检验的p 值的概念有明显的好处: 第一，它比较客观，避免了事先确定 显著水平； 其次，由检验的p 值与人们心目中的显 著性水平? 进行比较可以很容易 作出检验的结论： 如果? ? p，则在显著性水平? 下拒绝 H0； 如果? p，则在显著性水平? 下保留 H0. p 值在应用中很方便，如今的统计软件中对检验问题一般都会给出检验的p 值。 例4.3.6 设 是来自b(1,? )的样本， 要检验如下假设： 若取显著性水平为? ，则在得到观测值 后，我们只需要计算概率: 这就是检验的p 值。譬如 若取? =0.05，由于p ? ，则应拒绝原假设。 例4.3.7 某工厂两位化验员甲、乙分别独立地用 相同方法对某种聚合物的含氯量进行测定。甲 测9次，样本方差为0.7292；乙测11次，样本方 差为0.2114。假定测量数据服从正态分布，试 对两总体方差作一致性检验: 检验统计量为 ，在原假设成立下， F ? F (8,10) ，拒绝域为 如今我们不是把拒绝域具体化，而是由观测值算得F=0.7292/0.2114=3.4494,再去计算该检验的p 值。 或 首先，我们用F 分布算