第一章:概率统计基础
|
|
- 叹否孵 安
- 5 years ago
- Views:
Transcription
1 Chp1: 假设检验 本节课内容
2 假设检验 例 : 考虑某种化学物质是否致癌 将一些老鼠随机分成两组, 其中一组置于正常环境, 另一组暴露于该化学物质 原假设 / 零假设 : 两组的癌症发病率相同 备择假设 : 两组的癌症发病率不相同 若暴露于化学物质的一组的癌症发病率远远高于另一组, 则我们拒绝原假设, 得到结论为 : 证据更支持备择假设 换句话说, 证据表明该化学物质会引起癌症
3 假设检验 假设检验的形式化描述为 : 根据来自分布的样本数据, 其中 我们希望检验 : 原假设 : 对备择假设 : F θ F X F= { F, θ Θ} H H : θ Θ : θ Θ c 1 其中 Θ Θ =Θ c 为整个样本空间 假设检验为一个规则, 确定对哪些样本出拒绝的决定 H X = x, 做
4 假设检验 双边假设 : 单边假设 : 或 H : θ= θ versus H : θ θ 1 H : θ θ versus H : θ> θ 1 H : θ> θ versus H : θ θ 1
5 χ 拒绝域 令为随机变量 X 的取值范围, 我们通过找到一个拒绝域 R χ 进行假设检验 X R X R 拒绝 H 保留 ( 不拒绝 ) H 但根据全部数据 X设计一个规则通常很难 ( ) 常用方法 : 寻找一个检验统计量 T X, 统计量的大小可以反映对原假设 H 有利或不利 这样 R 的形式为 R= x: T x > c ( ) { } 临界值 T
6 假设检验中的问题 原假设和备择假设的确定 统计量及其临界值的选择
7 假设检验的基本思想 概率反证法 : 小概率原理 假设命题 H是符合实际情况的, 即承认 H为真, 在这种条件下进行统计推导 若结果得到了矛盾的结果, 则认为命题不成立, 因而接受反命题 H 矛盾意为 小概率事件, 即发生的概率非常之小, 以至于我们原则上认为仅仅一次观测是不会出现的 那么如果出现, 就认为有了矛盾 与数学的反证法不同是 : H 在数学证明中, 一旦命题被推翻, 否命题就被完全接受 在统计学中, 否定假设 H 时, 还应指出 冒多大的风险, 不是简单的完全否定 比如, 在显著性水平 α=.5 下拒绝 H, 就是说拒绝冒的风险不超过.5 H H 1
8 原假设 vs. 备择假设 在假设检验中, 常常把那些保守的 历史的 经验的结论取为原假设, 而把那些猜测的 可能的 预期的结论作为备择假设 原假设通常应该受到保护, 没有充足的证据不能被拒绝 而备择假设只有当零假设被拒绝后, 才能被接受, 这就决定了零假设与备择假设不是处于对等的地位 或者我们可以反过来说, 备择假设可能是我们真正感兴趣的, 接受备择假设可能以为得到有某种特别意义的结论, 或意味着采取某种重要决断 因此对备择假设应取慎重态度, 没有充足的证据不能轻易接受
9 原假设 vs. 备择假设 在假设检验中, 如果数据 / 证据强烈反对原假设, 我们拒绝原假设, 即认为原假设不成立 当证据不足以反对原假设, 这时我们称拒绝原假设失败, 但并不意味着原假设是正确的, 可能的情况有 原假设确实是正确的 原假设是错误的, 只是该检验功效不够 功效低, 犯第二类错误的概率大 ( 即虽然原假设为假, 但仍然保留原假设 )
10 法律上的类比 原假设 : 被告无罪 备择假设 : 被告是有罪的 原则 : 无罪推论 ( 保护原假设 ) 最后的判决 : 当有明显犯罪证据时, 法官才判决被告有罪 证据明显 : 由临界值决定 ( 法律条文的规定 ) 法律条文的严厉程度, 决定了对被告的保护程度 如乱世用重典, 即法律条文严厉, 保护被告的程度弱 不管怎样制定条文, 总有好人被冤枉, 总有坏人漏网, 即总会犯错误 如在高考中, 一个水平很高的人可能这次考试分数低, 而不被录取, 这样我们做错了错误的选择, 即拒绝其进入高校继续学习 相反, 某个人可能特别幸运, 本来水平一般, 但考试题都被他复习到了, 成绩很高, 从而被录取 但这样的事件是小概率事件, 所以我们犯错误的可能性不是很大
11 两类错误 假设检验是根据样本的信息并依据小概率原理, 作出保留还是拒绝 H 的判断 由于样本具有随机性, 因而假设检验所作出的结论有可能是错误的 这种错误有两类 : 当原假设 H 为真, 观察值却落入拒绝域, 而作出了拒绝 H 的判断, 称做第一类错误, 又叫弃真错误 犯第一类错误的概率记为 α α 越小, 法律条文越严厉, 表示原假设为真 ( 被告无罪 ), 我们却做出拒绝的判断 ( 判其有罪 ) H 当原假设不真, 而观察值却没有落入拒绝域, 而作出了保留 H 的判断, 称做第二类错误, 又叫纳伪错误 犯第二类错误的概率记为 β
12 两类错误 真实情况 ( 未知 ) 保留 H 所作决策 拒绝 H H 为真 H 不真 正确 犯第 II 类错误 犯第 I 类错误 正确 P ( T( X) H) P T( X) ( H ) 1
13 错误的概率 当 θ Θ 时, 若 X R, 则检验会犯第一类错误 则犯第一类错误的概率为 c c 当 θ Θ时, 若 X R, 则检验会犯第二类错误 则犯第二类错误的概率为 所以 P θ X θ α = P θ ( X R) ( c X R ) 1 P ( X R) β = P = ( R) θ 包含了拒绝域为 R 的检验的全部信息
14 ( ) 功效函数 P θ X R 包含了拒绝域为 R 的检验的全部信息 P θ P( Type I Error) θ Θ = 1 P ( Type II Error) θ Θ ( X R) 拒绝域为 R 的假设检验的功效函数 (Power Function) 定义为 θ 的函数 β( θ ) = Pθ ( X R), 即拒绝 H 的概率 当时, β θ 越小越好 θ Θ 此时不应拒绝 θ Θ c ( ) ( ) β θ 当时, 越大越好 此时功效越大, 越反对原假设 P ( T( X) H ) c P ( T( X) H ) 1
15 假设检验的容量和水平 检验的容度 (size) 定义为 α= ( ) sup β θ θ Θ 检验的水平 (level): 若一个检验的容度小于等于 α, 则称检验的水平为 α 即犯第一类错误的概率, 亦称显著水平
16 例 : 二项分布的功效函数 ( ) X ~ Binomial 5, θ H : θ 1 2 vs. H1: θ> 1 H, 考虑假设 检验 1: 当且仅当所有样本值都为 1 时, 才拒绝 则功效函数为 β θ = P X R = P X = = θ ( ) ( ) ( ) 1 θ θ 5 当 θ 1 2时, 发生第一类错误的概率为 θ 12, β θ 12 =.312 1( ) ( ) 5 对大多数 θ >1 2的情况, 发生第二类错误的概率很大 当时, 第二类错误的概率才小于.5 ( ) 15 θ > 12 =.87 5 β2( θ) β1( θ) 2 为了得到较小的第二类错误, 我们考虑第二个检验
17 例 : 二项分布的功效函数, 考虑假设 H : θ 1 2 vs. H : θ> 1 2 检验 2: 当 X 3, 即 X = 3, 4,5 时, 拒绝 则功效函数为 ( ) X ~ Binomial 5, θ 1 ( ) P ( X R) P ( X 3, 4,5) C ( 1 ) 2 C ( 1 ) β θ = = = = θ θ + θ θ + θ θ θ 5 5 β 2 ( θ) 2 ( ) 当 θ >1 2时, 较大, 发生第二类错误的概率较小 但当 θ 1 2时, β θ 也较大, 发生第一类错误的概率较大 如果需要在这两个检验中选择, 我们应该考虑哪种错误结构对具体的应用来说更可以接受 H β2 ( θ) β1( θ)
18 例 : 正态分布的功效函数 ( ) 2 X ~ N μσ,,σ 已知 要检验 H: μ vs. H1: μ> 因此 Θ = [, ), Θ 1= (,) 考虑检验 : 当 T > c, 拒绝 H 其中 T = X, 拒绝域为 R= {( x1,, xn) : T( x1,, xn) > c} 令 Z 表示标准正态分布的随机变量, 则功效函数为 ( ) P ( X c) β μ ( μ) n( c μ) n X = μ > = P μ > σ σ n( c μ) = P Z > σ n( c μ) = 1 Φ σ βμ ( ) 2 ( μσ, ) X~N n α μ
19 例 : 正态分布的功效函数 β( μ) n( c μ) = 1 Φ σ β( μ) 为增函数, 所以检测的容度为 nc supβ( μ) = β( ) = 1 Φ μ σ 为了得到一个容度为 α 的检验, 则 β( μ) nc σ 1 α= 1 Φ c = Φ ( 1 α) σ n σ n > Φ ( X ) > n σ 当 X 1 ( 1 α), 等价于时, 拒绝原假设 z α 2 α μ
20 例 : 正态分布的功效函数 通常功效函数与样本数目 n 有关 如果我们可以选择样本数, 通过功效函数可以帮助我们觉得样本数目 假设我们需第一类错误的最大概率为.1,μ>σ 时, 发生第二类错误的最大概率为.2, 则 c=?, n=? 由于 β( μ) 为增函数 βμ ( ) nc nc β( ).1 1 = Φ 1.28 σ σ n( c σ) n( c σ) βσ ( ).8 1 = Φ -.84 σ σ 1 n 5, c 1.28σ n μ
21 两类错误 当样本容量 n 一定时, 若减少犯第一类错误的概率, 则犯第二类错误的概率往往增大 反之亦然 若要使犯两类错误的概率都减小, 除非增加样本容量 n 若实验者可以选择样本数目 n, 根据功效函数可以帮助我们选择合适的 n
22 最优检验 为了找到一个好的检验, 通常只考虑将第一类错误的概率控制在某个水平的检验, 然后再在这些检验中找发生第二类错误的概率较小的检验 最优检验 : 在所有容量为 α 的检验中, 在 H1下功效 β( θ) 最大 (most powerful), 从而犯第二类错误的概率最小 但通常找到最优检验很难, 我们在此只讨论几种常用检验方法 :Wald 检验 似然比检验 (LRT) 检验和置换检验 2 χ 在特殊情况下, 可用 Neyman Pearson 定理找到最优检验 ( 见教材附录 )
23 显著性检验 当样本容量给定时, 只是对犯第一类错误的概率加以控制, 使它小于或等于事先给定的水平 α, 我们称此水平为显著性水平 这种先对犯第一类错误的概率加以控制, 再尽量减少犯第二类错误的概率的检验, 称之为显著性检验
24 显著性检验 检验的结果是保留原假设还是接受备择假设与检验的显著性水平 α有关 α 如果取得很小, 则拒绝域也会较小, 其产生的后果是原假设难以被拒绝 因此, 限制显著水平原则体现了 保护原假设 的原则, 显著水平的值越小, 对零假设的 保护 程度就越大 反之, α 值越大, 对零假设的 保护 程度越小 一般说来, 应 保护 零假设, 不能轻易否定, 所以根据实际问题的需要, 一般控制的值不宜过大, 通常取 α=.5,.1 α
25 假设检验的体系 Neyman & Person 体系 Jerzy Neyman Karl Pearson 原假设 H 和备择假设 H 看看究竟在原假设下更容易观测到手头的数据还是在备择假设下更容易观测到手头的数据 二者相除即为几位 Likelihood Ratio Test Fisher 体系 不存在备择假设 无论想证明什么, 先假假它不正确, 然后看是否发生了小概率事件, 从而推翻原假设 p 值就是显著性概率 ( 小概率到底有多小 ) 当 p 值很大时, 表示并不奇怪 ( 非小概率事件 ), 按反证法的原理来看, 我们并不知道原假设是否正确 但很小的 p 值说明原假设是不正确的 Baysian 体系 原假设和备择假设都看成随机变量 变量的分布有先验和后验共同决定 因为两个假设都不是固定事实, 所以也谈不上哪个 判断 更正确, 所以在决策理论下看平均情况下哪个假设更可能发生
26 Wald 检验 令 θ为一标量参数, θ 为 θ 的估计值, se为估计 θ的标准误差, 考虑检验 : H : θ= θ versus H1: θ θ 假设 θ 是渐近正态的, 即 θ θ N (,1) se 则显著水平为 α的 Wald 检验为 : 当 W > z α 2 时, 拒绝 H, 其中 W θ θ = se
27 Wald 检验 Wald 的渐近显著水平为, 即当 n 时, P { W z } 2 α θ > α α Wald 检验渐近等价于似然比检验 (Likelihood Ratio Test, LRT) 稍后介绍 LRT
28 Wald 检验的功效 假设原假设为假 ( 即 θ θ, 其中 θ 为 θ的真值 ) 时, 功效 βθ ( ) 为正确拒绝原假设的概率, 其近似值为 θ θ θ θ β( θ ) = 1 Φ + z α 2 +Φ z α 2 se se 当样本数较多时, 很小, 这时功效较大 当 θ θ * se 较大时, 功效较大
29 Wald 检验的功效 证明 : θˆ θ βθ ( ) = Pθ { W > zα 2} = P θ > z α 2 se θˆ θ ˆ θ θ = P z 2 z θ > 2 se α + P < θ se α = P θˆ > θ + z se + P θˆ < θ z se { } { } 2 2 θ α θ α θˆ θ ˆ θ θ z θ θ θ θ θ α 2 θ z = P > + + P < α 2 se se se se θ θ Z z θ θ 2 Z z = P θ > + 2 se α + P < θ se α 1 θ θ z θ θ = Φ + α 2 +Φ z α 2 se se
30 Wald 检验 θ 的估计可以通过 MLE 来估计, 此时标准误差可以用 Fisher 信息来计算 对非参数估计量 θ, 可以用嵌入式估计计算其估计值, 标准误差可以用 bootstrap 方法估计
31 Wald 检验 例 1.7: 比较两种预测算法 算法 1: 测试样本数为 m,x 表示预测不正确的样本数, X 算法 2: 测试样本数为 n,y 表示预测不正确的样本数, Y ~ Binomial( n, p2) 为了检验原假设 p1= p2, 记 H: δ= vs. H1: δ 其中 δ = p1 p 2 的极大似然估计为 ˆ X Y δ = pˆ ˆ ˆ ˆ 1 p2, 其中 p1=, p2= m n ˆδ 的标准误差为 ˆ 1( 1- ˆ 1) ˆ 2( 1- ˆ 2) se= p p + p p m n Wald 检验的显著水平为 α, 即当 W > z α 2 时, 拒绝 H, 其中 δˆ pˆ1 pˆ2 W = = se pˆ1( 1-pˆ1) pˆ2( 1-pˆ2) + m n 当 p 1 和 p 2 离得较远是, 功效大 ~ Binomial( m, p ) 1
32 Wald 检验 例 1.7: 比较两种预测算法 ( 续 ) 如果用同一个测试集测试两个算法, 这样两个样本不再独立 算法 1: Xi = 1 正确预测第 i个样本 Xi = otherwise 算法 2: Yi = 1 正确预测第 i个样本 Yi = otherwise 定义 D, i = Xi Yi 令 δ = E( D i ) δ 的嵌入式估计为 n n 1 ˆ S 1 δ = D= Di, se δ =, S = ( Di D) n n n 为了检验 H: δ= vs. H1: δ δˆ 令 W =, 当 W > z α 2 时, 拒绝 se ( ) 2 2 i= 1 i= 1 H
33 Wald 检验 例 1.9 ( 比较两个中值 ): 令 X1,..., Xm, Y1,..., Yn 为分别来自两个分布的样本 检验这两个分布的中值是否相等 : H : δ= versus H : δ 1 υ 2 δ= υ1 υ2, 1 和 υ是中值 δ 的非参数插值估计是 δ= υ1 υ2, 其中 υ 和 υ 1 2是样本中位数 δ 的标准差的估计 se 可用 bootstrap 方法得到 Wald 检验统计是 W = δ se
34 t 检验 问题 : 数据,...,, 2 2 X1 X n N μσ, 其中 θ= μ, σ 均未知 我们要检验 H : μ μ 对 H : μ μ 当样本数目很大时, 可用 Wald 检验 当样本数目较小时, 一般用 t 检验 令 n( X ) n μ T = Sn 2 其中 S n 为样本方差 在 H 下, 当 n 很大时, T N(,1) 在 H 下, T 的真正分布为 tn 1 所以当 T > tn 1, α 2, 水平为 α的检验拒绝原假设 分位数 ( ) ( ) = 1
35 Wald 检验 vs. 区间估计 假设检验和区间估计是两种重要的统计推断形式, 初看起来, 二者似乎完全不同, 实际上有一定的联系 在一般情况下, 利用参数的置信区间可以确定该参数假设检验的拒绝域 ; 反之亦然 当且仅当 θ C 时, 其中 C= θ z 2se, α θ+ zα 2se 显著水平为 α的 Wald 检验拒绝假设 H : θ θ vs H : θ θ = 1 ( ) 即假设检验等价于检验原假设的值是否落在置信区间 若落在置信区间内, 则保留, 否则拒绝 H H
36 Wald 检验 vs. 区间估计 ( ) μ 1 α σ σ C= X zα 2, X + z α 2 n n μ α 2 例如 X N μσ,, 已知, 的置信区间为 由此可以确定的显著水平为拒绝域为 X μ σ n σ z α 2
37 置信区间 vs. 假设检验 虽然置信区间亦可回答假设检验的问题, 并能提供更多的信息 假设检验 : 统计显著, 但不一定科学 / 实践显著 置信区间可提供更多信息 但并不意味着置信区间能够完全代替假设检验, 置信区间只能在预先规定的概率 检验水准 α 的前提下进行计算, 而假设检验能够获得一较为确切的概率 p 值
38 p 值 引言 仅仅报告 拒绝 H 或 保留 H 并不是很有信息量, 相反, 我们还关心对每个 α, 是否在水平 α 拒绝 H 通常, 如果检验在水平 α 拒绝也会拒绝 H 因此存在一个拒绝 H H, 则在水平 α > 的 最小的值 α p 值 α 注意 : α 为冒第一类错误 ( H 为真却拒绝 ) 的风险 α 越大, 即越不保护原假设, 越容易拒绝 H
39 p 值的定义 假设对每个, 水平为 α 的检验的拒绝域为 则 α (,1) { ( n α ) } pvalue - = inf : T X R α H 即以现有的数据, 能拒绝的最小水平 H p 值可以度量证据反对的程度 p 值越小, 证据越反对 通常证据强弱度量为 p 值 证据 <.1 很强拒绝 H 的证据.1~.5 较强拒绝 H 的证据.5~.1 较弱拒绝 H 的证据 >.1 没有证据可以拒绝 H R α
40 p 值的计算 p 值较小 发生了小概率事件或者 H 是错误的 ( ) f T H P t obs = ( T t H ) 4.5 obs 若水平为 α 的检验的形式为 n 当且仅当 T X c α 时, 拒绝 H 其中, 则 当 Θ= {} θ 时, ( ) ( ) n X = X, 1, X n p-value = supp T X T x θ Θ θ { ( n) ( n) } 检验统计量的值,RV 当前的观测值 { ( n) ( n) } pvalue - = P T X T x θ
41 p 值的计算 ( ) f T H P ( T t H ) obs - sup θ Θ { ( n) ( n) } p value = P T X T x θ t obs = 4.5 即 p 值为 ( 在 H 成立的情况下 ) 观测检验统计量的值大于等于真正观测值的概率 ( 比观测数据更极端 ) 不要与在观测数据的条件下原假设的概率 P ( H Data ) 混淆 在 H 成立的情况下, 如果重新采样, 结果比当前样本更极端的概率
42 证明 { } 若拒绝域形式为 R= x: T( x) c α 则 α R, 即 c α 为 α 的减函数 c α 显著水平 α 越大, 拒绝域 R 越大, 对应的 c 越小 { ( n α ) } pvalue - = inf : T X R α { ( n α T x ) c } α = inf : ( 给定数据 X n ) { ( n α c T x )} α = inf : { : ( n α )} cα T x = = ( inf 对应最小 α, n ( ) 对应 c α 最大, 即 c = α T x 记这个最小的 α 为 α )
43 证明 又因为 θ Θ θ { } α = sup P X R α { ( n T X ) c } α = sup P > θ Θ θ n ( ) { α } α p- value = : c = T x 所以 { ( n) ( n) } pvalue - = supp T X > T x θ Θ θ
44 Wald 检验的 p 值 在 Wald 检验中, W =, 令 w 为 W 的值, N,1 则 se = 2Φ( w ) θ θ ( ) { } P{ } p-value = P W w Z w θ { } = 2P Z w
45 p 值的性质 如果测试统计量为连续分布, 则在 H: θ= θ 下,p 值服从 Uniform(,1) 换句话说, 如果 H 为真, 则 p 值为 Uniform(,1) 上的随机变量 ; 若 H 1 为真 ( H 为假 ), 则证据强烈反对 H,p 值很小, 集中于 附近 所以若 p 值小于等于.5, 则称结果在 5% 的水平上统计显著 这意味着如果我们使用水平为 α =.5 的检验, 则拒绝原假设 通常当且仅当 pvalue - < α 时, 水平为 α 的检验拒绝原假设
46 证明 ( ) f T H P ( T t H ) obs 令 G 为 T 的 CDF( 在 H 下 ) p 值为图中阴影部分的面积 根据积分变换公式, () p-value = 1 CDF t = 1 Gt ( ) ( ) ~ Uniform(,1) G t p 值的 CDF 为 P p-value < c = P 1 G t < c ( ) ( ) ( ) ( Gt () 1 c) = P > ( Gt ( ) c) = 1 P < 1 t obs = 4.5 = 1 ( 1 c) = c 均匀分布的 CDF
47 例 1.14: p 值 51 位无心脏病病人的血浆胆固醇样本 : X = , se X = 位动脉狭窄病人的血浆胆固醇样本 : Y = , se Y = 2.4 原假设 H : δ vs. H1: δ, 其中 均值差 (Wald 检验 ) δˆ X Y W = = = = se δˆ se X + se Y 则 ( ) ( ) = δ = X Y ( ) ( ) ( ) ( ( )) { } P{ } p-value = 2P Z 3.78 = 2 Z < 3.78 =.2 <.1 所以特别强烈 (very strong) 反对原假设, 即有显著差异
48 似然比检验 (Likelihood Ratio Test, LRT) 基本思想 : 考查在原假设下更可能观测到当前数据还是在备择假设下更可能观测到当前数据 很自然的, 用二两个可能性 ( 似然 ) 相比 c 为了检验 H: θ Θ vs. H1: θ Θ, 定义似然比检验统计量 (likelihood ratio test statistic) 为 n = θ Θ ( ) ( ) ( θ) ( θ) ( θ ) 其中 L θ f Xi; θ 为似然函数, 其中为 θmle, 为 i= 1 在范围内的 MLE Θ supl L θ Θ λ = 2log = 2log supl( θ) L ˆ ˆ ˆθ ˆθ
49 似然比检验 (Likelihood Ratio Test, LRT) 似然比检验统计量 θ Θ ( θ) supl θ Θ λ = 2log = supl ( θ) L 2log L ˆ ( θ) ˆ ( θ ) 当 θ Θ, λ= c 当 θ Θ λ很大,, 所以似然比检验的拒绝域的形式为 n n x : λ x > c { ( ) }
50 似然比检验 Wald 检验适合检验标量, 而 LRT 检验更一般, 适合用来检测向量参数 假设参数为 θ θ, 感兴趣参数为 1,..., θq, θq+ 1,..., θr Θ = θ: θ,..., θ = θ,..., θ 令 = ( ) ( θ,..., ) q+ 1 θr ( ) ( ) { } q+ r q+ r 1, 1, 则在 H : θ Θ 下, ( n λ X ) χ rq 2- 其中 λ 为似然比统计量,r-q 是 Θ 减去 Θ 的维数 2 检验的 p 值为 P χ > λ ( r-q ) ( ) 2-, n 所以水平为 α 的检验为 : 当且仅当 λ X > χrqα时, 拒绝 H
51 例 1.23:LRT 例 1.23( 孟德尔豌豆杂交试验 ): 用圆润黄色豌豆与皱皮的绿色豌豆杂交, 得到后代的可能有 4 种 : 圆润黄色 皱皮黄色 皱皮绿色 圆润绿色 对其概率 p 的历史预测为 : p =,,, ( 315,11,18,32) 现在 556 个样本中, 观测到 X = 我们要检验假设 : H : p= p vs. H : p p 1
52 λ 利用 LRT 检验量 : 4 = L( pˆ ) X ( p ) = L 2log 2 log 例 1.23:LRT pˆ j j j= 1 p j log log log log 556 = =.48 在 H 1 下, 共有 4 个参数, 但 j, 所以自由度为 3; j= 1 在 H 下, 没有自由参数, 所以自由度为 ; 所以两个参数空间的维度差为 3-=3 2 所以 p value = P( χ 3 >.48) =.92 不反对原假设 4 pˆ = 1 p X = =,,, ( 315,11,18,32)
53 分布的假设检验 Goodness of fit 前面我们讲的都是参数检验问题, 即事先认为样本分布为某种指定的形式, 而其中有一些参数未知 下面我们讲述另一类问题 : 分布假设检验问题, 即目标不是针对具体的参数, 而是针对分布的类型 2 χ 如分布是否为正态分布 : 皮尔逊 (Pearson) 检验 两部分样本 X, 1, X ~ m FX和 Y, 1, Y ~, n FY, 两个分布是否相同 参数模型 : 同参数假设检验 非参数模型 : 置换检验
54 χ 2 检验 请见参考 ppt 2 χ 分布表网上可查 :
55 例 1.23: 2 χ 检验 例 1.23 利用检验量 : χ 2 4 = ( X ) 2 j np j np j= 1 j χ ( ) ( ) ( ) ( ) =.47 自由度为 3, 所以 = ( ) p value = P χ 3 >.47 =.93 不反对原假设, 与 LRT 测试的结果相同 p X = =,,, ( 315,11,18,32)
56 置换 (permutation) 检验 问题 : X, 1, X ~ m FX 和 Y, 1, Y ~ n FY为独立样本, 我们要检验假设 : H : F = F vs. H : F F X Y 1 X Y 令 ( 1,, m, 1,, n) (,,,,, ) T x x y y 为检验统计量, 如 T X X Y Y = X Y 1 m 1 n m n 置换检验 : 一种重采样技术, 用于上述假设检验问题
57 例 : 老鼠存活的数据 The mouse data [Efron] 比较两组观测 :16 只老鼠分成两组, 记录其治疗后存活的天数 治疗组 :7 只 控制组 :9 只 问 : 治疗延长了生命吗? 数据 ( 治疗组 ) 94; 197; 16; 38; 99; 141; 23 数据 ( 控制组 ) 52; 14; 146; 1; 51; 3; 4; 27; 46
58 置换检验 由 R.A. Fisher 与 193 年代提出 置换样本 : 对原始样本 1 m 1 n 进行 N=m+n 次无放回采样, 得到 N 个样本, 称为一个置换样本 * * * * * Z = X,..., X, Y,..., Y ( ) b m n 1 1 共有 N! 个置换样本 ( 次序不同对应不同的置换样本, 因为 X 与 Y 分别属于 Z 中不同的部分 * bootstrap 样本中不计次序, 因为 ( * * X ) b = X,..., X 中每 1 n * 个的地位相等 X i 置换复制 : 置换样本对应的统计量的值 * * * * * T = T X,..., X, Y,..., Y ( ) b m n 1 1 (,,,,, ) Z = X X Y Y
59 t 置换检验 在原假设 H 下, FX = FY,X 与 Y 的地位相等, 所以置换样本的分布为 Uniform 1, N! ( ) ( ) 置换分布 : Z * b ~ Uniform, N! 对应的统计量的分布 T * * 称为置换分布 则 g t = P t H ( ) ( ) ~ ( ) G T * * b 老鼠例子数据中置换复制的直方图如右图所示 * * ( ) = P( ) g t t H p 值
60 t 置换检验的 p 值 令 则 (,...,,,..., ) t = T X X Y Y obs 1 m 1 n p-value N! 1 = P > = > * ( T t ) I( T t ) G obs b obs N! b = 1 * * ( ) = P( ) g t t H p 值
61 例 :1.17 本例为一个示例, 可以使思想更清楚 假设数据为 X, X, Y = 1,9,3, T X, X, Y = X Y = 2 ( ) ( ) ( ) 置换为 则 置换 T 值概率 (1, 9, 3) 2 1/6 (9, 1, 3) 2 1/6 (1, 3, 9) 7 1/6 (3, 1, 9) 7 1/6 (3, 9, 1) 5 1/6 (9, 3, 1) 5 1/6 ( T ) p-value = P > 2 = 4 6
62 置换检验 当 N 较大时, 通常不用所有的 N! 个置换样本, 而是从置换样本集合中随机选择一部分样本, 来近似 p 值 置换检验的步骤 : 1. 计算检验统计量的观测值 2. 计算 B 个置换样本 Z * b, b= 1,..., B, 其中 * * * * * Z = X,..., X, Y,..., Y 3. 计算 B 个置换样本对应的统计量的值 ( 置换复制 ) * * * * * T = T X,..., X, Y,..., Y 4. p 值近似为 ( ) b m n 1 1 ( ) b m n 1 B I T * b ( b tobs) B = > (,...,,,..., ) t = T X X Y Y obs 1 m 1 n
63 例 :1.18 DNA 芯片可用来测量 DNA 的表达水平, 数据为每个基因的 erna 的水平,mRNA 可提供该基因产生的蛋白质的数目 粗略地讲, 该数值越大, 基因越活跃 下表 [Efron] 为 1 位携带两类肝癌细胞的病人的基因的表达水平, 共有 个基因 类型 1 类型 2 病人 基因 基因 我们要检验 : 两组基因中基因 1 的中值是否有明显差异
64 例 :1.18 v 1 v 2 : 第一组基因中基因 1 的中值 : 第二组基因中基因 1 的中值 检验统计量 : T = vˆ vˆ = 现在用置换检验, 得到 p value =.45 则我们取 α =.5> p value, 我们拒绝 H, 即两个中值有显著差异
65 假设检验总结 假设检验的基本概念及基本步骤 原假设 备择假设 拒绝域 检验统计量 两类错误及其概率 : 功效函数 p 值的含义 计算及性质 假设检验的基本思想 : 小概率原理 常用的假设检验 ( 相应的统计量及其临界值 /p 值 ) Wald 检验 似然比检验 分布的假设检验 χ 2 检验 置换检验
66 下节课内容 作业 :Chp1: Chp11: 贝叶斯推断
67 证明 证明 : 若拒绝域形式为 则 c 越大, 拒绝域 R 越小, 对应显著水平 α 越小 c 1 : 较大 α 的对应的拒绝的临界点 c 2 : 较小 α 的对应的拒绝的临界点, 则 c 1) 若临界点 c1 < T x, 则 H 被拒绝, 但这是在较大显著水平下做出的判断 2) 若临界点 c ( ), 则 H 不被拒绝, 但这是在较小显著水平下做 2 > T x 出的判断 所以, ( ) { : ( ) } R= x T x c α > c 2 1 降低 c1 对应的显著水平, 则 c1往右移, 但不能让它超过能拒绝的界限 降低对应的显著水平, 则 c 往左移, 但不能让它超过能拒绝的界限 c2 2 最后, 与相遇于 T( x), 二者的显著水平合二为一, 即 p 值 c 1 c 2
68 证明 ( 续 ) 此时显著水平为 θ 为 H 的边界点 { ( n T X ) c; } α= P θ= θ 当显著水平 = p 值时, c n ( ) = T x { ( n) ( n) } pvalue - = P T X T x ; θ= θ
Microsoft PowerPoint - 概率统计Ch02.ppt [Compatibility Mode]
66 随机变量的函数.5 随机变量的函数的分布 设 是一随机变量, 是 的函数, g(, 则 也是一个随机变量. 本节的任务 : 当 取值 x 时, 取值 y g 67 ( 一 离散型随机变量的函数 设 是离散型随机变量, 其分布律为 或 P { x } p (,, x x, P p p, x p 已知随机变量 的分布, 并且已知 g 要求随机变量 的分布. (, 是 的函数 : g(, 则 也是离散型随机变
More information! # % & # % & ( ) % % %# # %+ %% % & + %, ( % % &, & #!.,/, % &, ) ) ( % %/ ) %# / + & + (! ) &, & % & ( ) % % (% 2 & % ( & 3 % /, 4 ) %+ %( %!
! # # % & ( ) ! # % & # % & ( ) % % %# # %+ %% % & + %, ( % % &, & #!.,/, % &, ) ) ( % %/ ) 0 + 1 %# / + & + (! ) &, & % & ( ) % % (% 2 & % ( & 3 % /, 4 ) %+ %( %! # ( & & 5)6 %+ % ( % %/ ) ( % & + %/
More informationΖ # % & ( ) % + & ) / 0 0 1 0 2 3 ( ( # 4 & 5 & 4 2 2 ( 1 ) ). / 6 # ( 2 78 9 % + : ; ( ; < = % > ) / 4 % 1 & % 1 ) 8 (? Α >? Β? Χ Β Δ Ε ;> Φ Β >? = Β Χ? Α Γ Η 0 Γ > 0 0 Γ 0 Β Β Χ 5 Ι ϑ 0 Γ 1 ) & Ε 0 Α
More information) & ( +,! (# ) +. + / & 6!!!.! (!,! (! & 7 6!. 8 / ! (! & 0 6! (9 & 2 7 6!! 3 : ; 5 7 6! ) % (. ()
! # % & & &! # % &! ( &! # )! ) & ( +,! (# ) +. + / 0 1 2 3 4 4 5 & 6!!!.! (!,! (! & 7 6!. 8 / 6 7 6 8! (! & 0 6! (9 & 2 7 6!! 3 : ; 5 7 6! ) % (. () , 4 / 7!# + 6 7 1 1 1 0 7!.. 6 1 1 2 1 3
More information《分析化学辞典》_数据处理条目_1.DOC
3 4 5 6 7 χ χ m.303 B = f log f log C = m f = = m = f m C = + 3( m ) f = f f = m = f f = n n m B χ α χ α,( m ) H µ σ H 0 µ = µ H σ = 0 σ H µ µ H σ σ α H0 H α 0 H0 H0 H H 0 H 0 8 = σ σ σ = ( n ) σ n σ /
More information,!! #! > 1? = 4!! > = 5 4? 2 Α Α!.= = 54? Β. : 2>7 2 1 Χ! # % % ( ) +,. /0, , ) 7. 2
! # %!% # ( % ) + %, ). ) % %(/ / %/!! # %!! 0 1 234 5 6 2 7 8 )9!2: 5; 1? = 4!! > = 5 4? 2 Α 7 72 1 Α!.= = 54?2 72 1 Β. : 2>7 2 1 Χ! # % % ( ) +,.
More information! + +, ) % %.!&!, /! 0! 0 # ( ( # (,, # ( % 1 2 ) (, ( 4! 0 & 2 /, # # ( &
! # %! &! #!! %! %! & %! &! & ( %! & #! & )! & & + ) +!!, + ! + +, ) % %.!&!, /! 0! 0 # ( ( # (,, # ( % 1 2 ) (, 3 0 1 ( 4! 0 & 2 /, # # ( 1 5 2 1 & % # # ( #! 0 ) + 4 +, 0 #,!, + 0 2 ), +! 0! 4, +! (!
More information%% &% %% %% %% % () (! #! %!!!!!!!%! # %& ( % & ) +, # (.. /,) %& 0
!! # # %% &% %% %% %% % () (! #! %!!!!!!!%! # %& ( % & ) +, # (.. /,) %& 0 +! (%& / 1! 2 %& % & 0/ / %& + (.%.%, %& % %& )& % %& ) 3, &, 5, % &. ) 4 4 4 %& / , %& ).. % # 6 /0 % &. & %& ) % %& 0.!!! %&
More information! /. /. /> /. / Ε Χ /. 2 5 /. /. / /. 5 / Φ0 5 7 Γ Η Ε 9 5 /
! # %& ( %) & +, + % ) # % % ). / 0 /. /10 2 /3. /!. 4 5 /6. /. 7!8! 9 / 5 : 6 8 : 7 ; < 5 7 9 1. 5 /3 5 7 9 7! 4 5 5 /! 7 = /6 5 / 0 5 /. 7 : 6 8 : 9 5 / >? 0 /.? 0 /1> 30 /!0 7 3 Α 9 / 5 7 9 /. 7 Β Χ9
More information! # % & ( & # ) +& & # ). / 0 ) + 1 0 2 & 4 56 7 8 5 0 9 7 # & : 6/ # ; 4 6 # # ; < 8 / # 7 & & = # < > 6 +? # Α # + + Β # Χ Χ Χ > Δ / < Ε + & 6 ; > > 6 & > < > # < & 6 & + : & = & < > 6+?. = & & ) & >&
More information!! # % & ( )!!! # + %!!! &!!, # ( + #. ) % )/ # & /.
! # !! # % & ( )!!! # + %!!! &!!, # ( + #. ) % )/ # & /. #! % & & ( ) # (!! /! / + ) & %,/ #! )!! / & # 0 %#,,. /! &! /!! ) 0+(,, # & % ) 1 # & /. / & %! # # #! & & # # #. ).! & #. #,!! 2 34 56 7 86 9
More information! # %& ( %! & & + %!, ( Α Α Α Α Χ Χ Α Χ Α Α Χ Α Α Α Α
Ε! # % & ( )%! & & + %!, (./ 0 1 & & 2. 3 &. 4/. %! / (! %2 % ( 5 4 5 ) 2! 6 2! 2 2. / & 7 2! % &. 3.! & (. 2 & & / 8 2. ( % 2 & 2.! 9. %./ 5 : ; 5. % & %2 2 & % 2!! /. . %! & % &? & 5 6!% 2.
More information! Ν! Ν Ν & ] # Α. 7 Α ) Σ ),, Σ 87 ) Ψ ) +Ε 1)Ε Τ 7 4, <) < Ε : ), > 8 7
!! # & ( ) +,. )/ 0 1, 2 ) 3, 4 5. 6 7 87 + 5 1!! # : ;< = > < < ;?? Α Β Χ Β ;< Α? 6 Δ : Ε6 Χ < Χ Α < Α Α Χ? Φ > Α ;Γ ;Η Α ;?? Φ Ι 6 Ε Β ΕΒ Γ Γ > < ϑ ( = : ;Α < : Χ Κ Χ Γ? Ε Ι Χ Α Ε? Α Χ Α ; Γ ;
More information% %! # % & ( ) % # + # # % # # & & % ( #,. %
!!! # #! # % & % %! # % & ( ) % # + # # % # # & & % ( #,. % , ( /0 ) %, + ( 1 ( 2 ) + %, ( 3, ( 123 % & # %, &% % #, % ( ) + & &% & ( & 4 ( & # 4 % #, #, ( ) + % 4 % & &, & & # / / % %, &% ! # #! # # #
More information, & % # & # # & % & + # & # # # & # % #,
! # #! % # & # & & ( ( # ) % , & % # & # # & % & + # & # # # & # % #, # % % # % # ) % # % % # % # # % # % # + # % ( ( # % & & & & & & % & & # % # % & & % % % . % # / & & # 0 ) & # % & % ( # # & & & # #
More information& & ) ( +( #, # &,! # +., ) # % # # % ( #
! # % & # (! & & ) ( +( #, # &,! # +., ) # % # # % ( # Ι! # % & ( ) & % / 0 ( # ( 1 2 & 3 # ) 123 #, # #!. + 4 5 6, 7 8 9 : 5 ; < = >?? Α Β Χ Δ : 5 > Ε Φ > Γ > Α Β #! Η % # (, # # #, & # % % %+ ( Ι # %
More information& &((. ) ( & ) 6 0 &6,: & ) ; ; < 7 ; = = ;# > <# > 7 # 0 7#? Α <7 7 < = ; <
! # %& ( )! & +, &. / 0 # # 1 1 2 # 3 4!. &5 (& ) 6 0 0 2! +! +( &) 6 0 7 & 6 8. 9 6 &((. ) 6 4. 6 + ( & ) 6 0 &6,: & )6 0 3 7 ; ; < 7 ; = = ;# > 7 # 0 7#? Α
More informationVol. 15 No. 1 JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb O21 A
5 200 2 Vol 5 No JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 200 2 2 50080 2 30024 O2 A 007-2683 200 0-0087- 05 A Goodness-of-fit Test Based on Empirical Likelihood and Application ZHOU
More informationΡ Τ Π Υ 8 ). /0+ 1, 234) ς Ω! Ω! # Ω Ξ %& Π 8 Δ, + 8 ),. Ψ4) (. / 0+ 1, > + 1, / : ( 2 : / < Α : / %& %& Ζ Θ Π Π 4 Π Τ > [ [ Ζ ] ] %& Τ Τ Ζ Ζ Π
! # % & ( ) + (,. /0 +1, 234) % 5 / 0 6/ 7 7 & % 8 9 : / ; 34 : + 3. & < / = : / 0 5 /: = + % >+ ( 4 : 0, 7 : 0,? & % 5. / 0:? : / : 43 : 2 : Α : / 6 3 : ; Β?? : Α 0+ 1,4. Α? + & % ; 4 ( :. Α 6 4 : & %
More information&! +! # ## % & #( ) % % % () ) ( %
&! +! # ## % & #( ) % % % () ) ( % &! +! # ## % & #( ) % % % () ) ( % ,. /, / 0 0 1,! # % & ( ) + /, 2 3 4 5 6 7 8 6 6 9 : / ;. ; % % % % %. ) >? > /,,
More information!! )!!! +,./ 0 1 +, 2 3 4, # 8,2 6, 2 6,,2 6, 2 6 3,2 6 5, 2 6 3, 2 6 9!, , 2 6 9, 2 3 9, 2 6 9,
! # !! )!!! +,./ 0 1 +, 2 3 4, 23 3 5 67 # 8,2 6, 2 6,,2 6, 2 6 3,2 6 5, 2 6 3, 2 6 9!, 2 6 65, 2 6 9, 2 3 9, 2 6 9, 2 6 3 5 , 2 6 2, 2 6, 2 6 2, 2 6!!!, 2, 4 # : :, 2 6.! # ; /< = > /?, 2 3! 9 ! #!,!!#.,
More information( ) (! +)! #! () % + + %, +,!#! # # % + +!
!! # % & & & &! # # % ( ) (! +)! #! () % + + %, +,!#! # # % + +! ! %!!.! /, ()!!# 0 12!# # 0 % 1 ( ) #3 % & & () (, 3)! #% % 4 % + +! (!, ), %, (!!) (! 3 )!, 1 4 ( ) % % + % %!%! # # !)! % &! % () (! %
More information: ; # 7 ( 8 7
(! # % & ( ) +,. / +. 0 0 ) 1. 2 3 +4 1/,5,6 )/ ) 7 7 8 9 : ; 7 8 7 # 7 ( 8 7 ; ;! #! % & % ( # ) % + # # #, # % + &! #!. #! # # / 0 ( / / 0! #,. # 0(! #,. # 0!. # 0 0 7 7 < = # ; & % ) (, ) ) ) ) ) )!
More information# # # #!! % &! # % 6 & () ) &+ & ( & +, () + 0. / & / &1 / &1, & ( ( & +. 4 / &1 5,
# # # #!! % &! # % 6 & () ) &+ & ( & +, () + 0. / & / &1 / &1, & ( 0 2 3 ( & +. 4 / &1 5, !! & 6 7! 6! &1 + 51, (,1 ( 5& (5( (5 & &1 8. +5 &1 +,,( ! (! 6 9/: ;/:! % 7 3 &1 + ( & &, ( && ( )
More information4= 8 4 < 4 ϑ = 4 ϑ ; 4 4= = 8 : 4 < : 4 < Κ : 4 ϑ ; : = 4 4 : ;
! #! % & ( ) +!, + +!. / 0 /, 2 ) 3 4 5 6 7 8 8 8 9 : 9 ;< 9 = = = 4 ) > (/?08 4 ; ; 8 Β Χ 2 ΔΔ2 4 4 8 4 8 4 8 Ε Φ Α, 3Γ Η Ι 4 ϑ 8 4 ϑ 8 4 8 4 < 8 4 5 8 4 4
More informationΠ Ρ! #! % & #! (! )! + %!!. / 0% # 0 2 3 3 4 7 8 9 Δ5?? 5 9? Κ :5 5 7 < 7 Δ 7 9 :5? / + 0 5 6 6 7 : ; 7 < = >? : Α8 5 > :9 Β 5 Χ : = 8 + ΑΔ? 9 Β Ε 9 = 9? : ; : Α 5 9 7 3 5 > 5 Δ > Β Χ < :? 3 9? 5 Χ 9 Β
More information., /,, 0!, + & )!. + + (, &, & 1 & ) ) 2 2 ) 1! 2 2
! # &!! ) ( +, ., /,, 0!, + & )!. + + (, &, & 1 & ) ) 2 2 ) 1! 2 2 ! 2 2 & & 1 3! 3, 4 45!, 2! # 1 # ( &, 2 &, # 7 + 4 3 ) 8. 9 9 : ; 4 ), 1!! 4 4 &1 &,, 2! & 1 2 1! 1! 1 & 2, & 2 & < )4 )! /! 4 4 &! &,
More information# ( + + # + # 6 +,! + # +! +, + # ( + ) ( + ( + ) + 7! + # + /8 + ) ( +! + #. + ( +, +! + # + # + + ( ! ( + ) ( + ) +, + ( + 9% +! +, + ( +
! ## % & (! ) # (! + ) (, ( + ) ( +! ( + + # + #! + ( + + ( + ) ( + + ( + # + ) +! ( + ( + # +! ( + ) + # ( + ) + # +! ( +. + / 0. + ( + # + # + +, + ) + + ) + 1!, ( 2 1 # 3 )! # ( 4 5 #3 (! # ( 4 # #
More information%! # # % % & # ( ) ( +, & +, +, & +, & +, +, &!
%! # # % % & # ( ) ( +, & +, +, & +, & +, +, &! & &./ 0 # #1 # 2! +, 3 4 4 +,!!!! 4 4 4 4 4 56 7 89 #! 4! 4 4! 4 4! 14 #: 2 4! +,! +, 14 4 ; < = ( 4 < = +14 # : 1 1 4 # : : 3 # (4,! / +, +, +, > +,? 3
More information# #! ) ( ( +,! %,! ( # # %& % ( ) +! +, +. /
! ( ) # # % % ( % % %! % % & % # #! ) ( ( +,! %,! ( # # %& % ( ) +! +, +. / 12 23 4 5 6 7 3.! (. ( / ( ) ). 1.12 ( 4 4 % & &!7 % (!!!!, (! % !!! % %!,! ( & (!! 8!!!,!!+!! & !!%! & 9 3 3 :;
More information: Previous Next First Last Back Forward 1
7-3: : 7.3.................. 1 7.3.1.............. 2 7.3.2..... 8 7.3.3.............. 12 Previous Next First Last Back Forward 1 7.3,, (X 1,, X n )., H 0 : X F Karl Pearson χ 2. : F ˆF n, D( ˆF n, F ),
More information8 9 8 Δ 9 = 1 Η Ι4 ϑ< Κ Λ 3ϑ 3 >1Ε Μ Ε 8 > = 8 9 =
!! % & ( & ),,., / 0 1. 0 0 3 4 0 5 3 6!! 7 8 9 8!! : ; < = > :? Α 4 8 9 < Β Β : Δ Ε Δ Α = 819 = Γ 8 9 8 Δ 9 = 1 Η Ι4 ϑ< Κ Λ 3ϑ 3 >1Ε 8 9 0 Μ Ε 8 > 9 8 9 = 8 9 = 819 8 9 =
More information/ Ν #, Ο / ( = Π 2Θ Ε2 Ρ Σ Π 2 Θ Ε Θ Ρ Π 2Θ ϑ2 Ρ Π 2 Θ ϑ2 Ρ Π 23 8 Ρ Π 2 Θϑ 2 Ρ Σ Σ Μ Π 2 Θ 3 Θ Ρ Κ2 Σ Π 2 Θ 3 Θ Ρ Κ Η Σ Π 2 ϑ Η 2 Ρ Π Ρ Π 2 ϑ Θ Κ Ρ Π
! # #! % & ( ) % # # +, % #. % ( # / ) % 0 1 + ) % 2 3 3 3 4 5 6 # 7 % 0 8 + % 8 + 9 ) 9 # % : ; + % 5! + )+)#. + + < ) ( # )# < # # % 0 < % + % + < + ) = ( 0 ) # + + # % )#!# +), (? ( # +) # + ( +. #!,
More information7 6 Η : Δ >! % 4 Τ & Β( Β) 5 &! Α Υ Υ 2 Η 7 %! Φ! Β! 7 : 7 9 Λ 9 :? : 9 Λ Λ 7 Φ! : > 9 : 7Δ 2 Η : 7 ΛΔ := ς : Ν 7 Λ Δ = Ν : Ν 7 ΛΔ : = Λ ς :9 Λ 7 Λ! Λ
! % & ( ),. / & 0 1 & 2 1 // % & 3 0 4 5 ( 6( ) ( & 7 8 9:! ; < / 4 / 7 = : > : 8 > >? :! 0 1 & 7 8 Α :! 4 Β ( & Β ( ( 5 ) 6 Χ 8 Δ > 8 7:?! < 2 4 & Ε ; 0 Φ & % & 3 0 1 & 7 8 Α?! Γ ), Η % 6 Β% 3 Ι Β ϑ Ι
More informationΒ 8 Α ) ; %! #?! > 8 8 Χ Δ Ε ΦΦ Ε Γ Δ Ε Η Η Ι Ε ϑ 8 9 :! 9 9 & ϑ Κ & ϑ Λ &! &!! 4!! Μ Α!! ϑ Β & Ν Λ Κ Λ Ο Λ 8! % & Π Θ Φ & Ρ Θ & Θ & Σ ΠΕ # & Θ Θ Σ Ε
! #!! % & ( ) +,. /. 0,(,, 2 4! 6! #!!! 8! &! % # & # &! 9 8 9 # : : : : :!! 9 8 9 # #! %! ; &! % + & + & < = 8 > 9 #!!? Α!#!9 Α 8 8!!! 8!%! 8! 8 Β 8 Α ) ; %! #?! > 8 8 Χ Δ Ε ΦΦ Ε Γ Δ Ε Η Η Ι Ε ϑ 8 9 :!
More information) Μ <Κ 1 > < # % & ( ) % > Χ < > Δ Χ < > < > / 7 ϑ Ν < Δ 7 ϑ Ν > < 8 ) %2 ): > < Ο Ε 4 Π : 2 Θ >? / Γ Ι) = =? Γ Α Ι Ρ ;2 < 7 Σ6 )> Ι= Η < Λ 2 % & 1 &
! # % & ( ) % + ),. / & 0 1 + 2. 3 ) +.! 4 5 2 2 & 5 0 67 1) 8 9 6.! :. ;. + 9 < = = = = / >? Α ) /= Β Χ Β Δ Ε Β Ε / Χ ΦΓ Χ Η Ι = = = / = = = Β < ( # % & ( ) % + ),. > (? Φ?? Γ? ) Μ
More information!!! #! )! ( %!! #!%! % + % & & ( )) % & & #! & )! ( %! ),,, )
! # % & # % ( ) & + + !!! #! )! ( %!! #!%! % + % & & ( )) % & & #! & )! ( %! ),,, ) 6 # / 0 1 + ) ( + 3 0 ( 1 1( ) ) ( 0 ) 4 ( ) 1 1 0 ( ( ) 1 / ) ( 1 ( 0 ) ) + ( ( 0 ) 0 0 ( / / ) ( ( ) ( 5 ( 0 + 0 +
More information= Υ Ξ & 9 = ) %. Ο) Δ Υ Ψ &Ο. 05 3; Ι Ι + 4) &Υ ϑ% Ο ) Χ Υ &! 7) &Ξ) Ζ) 9 [ )!! Τ 9 = Δ Υ Δ Υ Ψ (
! # %! & (!! ) +, %. ( +/ 0 1 2 3. 4 5 6 78 9 9 +, : % % : < = % ;. % > &? 9! ) Α Β% Χ %/ 3. Δ 8 ( %.. + 2 ( Φ, % Γ Η. 6 Γ Φ, Ι Χ % / Γ 3 ϑκ 2 5 6 Χ8 9 9 Λ % 2 Χ & % ;. % 9 9 Μ3 Ν 1 Μ 3 Φ Λ 3 Φ ) Χ. 0
More information8 9 < ; ; = < ; : < ;! 8 9 % ; ϑ 8 9 <; < 8 9 <! 89! Ε Χ ϑ! ϑ! ϑ < ϑ 8 9 : ϑ ϑ 89 9 ϑ ϑ! ϑ! < ϑ < = 8 9 Χ ϑ!! <! 8 9 ΧΧ ϑ! < < < < = 8 9 <! = 8 9 <! <
! # % ( ) ( +, +. ( / 0 1) ( 2 1 1 + ( 3 4 5 6 7! 89 : ; 8 < ; ; = 9 ; ; 8 < = 9! ; >? 8 = 9 < : ; 8 < ; ; = 9 8 9 = : : ; = 8 9 = < 8 < 9 Α 8 9 =; %Β Β ; ; Χ ; < ; = :; Δ Ε Γ Δ Γ Ι 8 9 < ; ; = < ; :
More information. /!Ι Γ 3 ϑκ, / Ι Ι Ι Λ, Λ +Ι Λ +Ι
! # % & ( ) +,& ( + &. / 0 + 1 0 + 1,0 + 2 3., 0 4 2 /.,+ 5 6 / 78. 9: ; < = : > ; 9? : > Α
More information! # %! #! #! # % + &, % % ) %. /! # 0 1
! # %! #! #! # % + &, % % ) %. /! # 0 1 2 32 % 4! #! # 4 4 2 32 4 4! # 2 32 ! # % 2 5 2 32 % % 6 2 7 8 %! 6 # %3 3 9 % /, 9 % 2 % % 3 #7 9 % 2 8 7 2 % 3 7 7 7 8 7 7 7 7 3 9 8 8 % 3! # 7 12 1191 1 ; % %
More information: p Previous Next First Last Back Forward 1
7-2: : 7.2......... 1 7.2.1....... 1 7.2.2......... 13 7.2.3................ 18 7.2.4 0-1 p.. 19 7.2.5.... 21 Previous Next First Last Back Forward 1 7.2 :, (0-1 ). 7.2.1, X N(µ, σ 2 ), < µ 0;
More information2 2 Λ ϑ Δ Χ Δ Ι> 5 Λ Λ Χ Δ 5 Β. Δ Ι > Ε!!Χ ϑ : Χ Ε ϑ! ϑ Β Β Β ϑ Χ Β! Β Χ 5 ϑ Λ ϑ % < Μ / 4 Ν < 7 :. /. Ο 9 4 < / = Π 7 4 Η 7 4 =
! # % # & ( ) % # ( +, & % # ) % # (. / ). 1 2 3 4! 5 6 4. 7 8 9 4 : 2 ; 4 < = = 2 >9 3? & 5 5 Α Α 1 Β ΧΔ Ε Α Φ 7 Γ 9Η 8 Δ Ι > Δ / ϑ Κ Α Χ Ε ϑ Λ ϑ 2 2 Λ ϑ Δ Χ Δ Ι> 5 Λ Λ Χ Δ 5 Β. Δ Ι > Ε!!Χ ϑ : Χ Ε ϑ!
More information9!!!! #!! : ;!! <! #! # & # (! )! & ( # # #+
! #! &!! # () +( +, + ) + (. ) / 0 1 2 1 3 4 1 2 3 4 1 51 0 6. 6 (78 1 & 9!!!! #!! : ;!! ? &! : < < &? < Α!!&! : Χ / #! : Β??. Δ?. ; ;
More information> # ) Β Χ Χ 7 Δ Ε Φ Γ 5 Η Γ + Ι + ϑ Κ 7 # + 7 Φ 0 Ε Φ # Ε + Φ, Κ + ( Λ # Γ Κ Γ # Κ Μ 0 Ν Ο Κ Ι Π, Ι Π Θ Κ Ι Π ; 4 # Ι Π Η Κ Ι Π. Ο Κ Ι ;. Ο Κ Ι Π 2 Η
1 )/ 2 & +! # % & ( ) +, + # # %. /& 0 4 # 5 6 7 8 9 6 : : : ; ; < = > < # ) Β Χ Χ 7 Δ Ε Φ Γ 5 Η Γ + Ι + ϑ Κ 7 # + 7 Φ 0 Ε Φ # Ε + Φ, Κ + ( Λ # Γ Κ Γ #
More information第五章 数理统计中的统计量 及其分布
第五章 数理统计中的统计量 及其分布 随机样本 统计量 三大抽样分布 正态总体下常用统计量的一些重要结论 数理统计 以概率论为基础 主要研究如何收集 整理和分析实际问题的数据 有限的资源 以便对所研究的问题作出有效的 精确而可靠 推断 基础 概率论 功能 处理数据 目的 作出科学推断 就概率特征 总体与随机样本 总体 研究对象的某项数量指标值的全体 记作 Y 个体 总体中每个研究对象 元素.
More information幻灯片 1
第 1 页 3.1 假设检验 3. 正态总体均值的假设检验 3.3 正态总体方差的假设检验 3.4 置信区间与假设检验之间的关系 3.5 样本容量的选取 3.6 分布拟合检验 3.7 小结 第 页 3.1 假设检验 3.1.1 假设检验问题 例 3.1.1 某厂生产的合金强度服从 N(,16), 其中的设计值 为不低于 110(Pa) 为保证质量, 该厂每天都要对生产情况做例行检查, 以判断生产是否正常进行,
More information% & :?8 & : 3 ; Λ 3 3 # % & ( ) + ) # ( ), ( ) ). ) / & /:. + ( ;< / 0 ( + / = > = =? 2 & /:. + ( ; < % >=? ) 2 5 > =? 2 Α 1 Β 1 + Α
# % & ( ) # +,. / 0 1 2 /0 1 0 3 4 # 5 7 8 / 9 # & : 9 ; & < 9 = = ;.5 : < 9 98 & : 9 %& : < 9 2. = & : > 7; 9 & # 3 2
More information4 # = # 4 Γ = 4 0 = 4 = 4 = Η, 6 3 Ι ; 9 Β Δ : 8 9 Χ Χ ϑ 6 Κ Δ ) Χ 8 Λ 6 ;3 Ι 6 Χ Δ : Χ 9 Χ Χ ϑ 6 Κ
! # % & & ( ) +, %. % / 0 / 2 3! # 4 ) 567 68 5 9 9 : ; > >? 3 6 7 : 9 9 7 4! Α = 42 6Β 3 Χ = 42 3 6 3 3 = 42 : 0 3 3 = 42 Δ 3 Β : 0 3 Χ 3 = 42 Χ Β Χ 6 9 = 4 =, ( 9 6 9 75 3 6 7 +. / 9
More informationΑ 3 Α 2Η # # > # 8 6 5# Ι + ϑ Κ Ι Ι Ι Η Β Β Β Β Β Β ΔΕ Β Β Γ 8 < Φ Α Α # >, 0 Η Λ Μ Ν Ο Β 8 1 Β Π Θ 1 Π Β 0 Λ Μ 1 Ρ 0 Μ ϑ Σ ϑ Τ Ο Λ 8 ϑ
! # % & ( ) % + ( ), & ). % & /. % 0 1!! 2 3 4 5# 6 7 8 3 5 5 9 # 8 3 3 2 4 # 3 # # 3 # 3 # 3 # 3 # # # ( 3 # # 3 5 # # 8 3 6 # # # # # 8 5# :;< 6#! 6 =! 6 > > 3 2?0 1 4 3 4! 6 Α 3 Α 2Η4 3 3 2 4 # # >
More informationMatlab之检验假设
Matlab 之检验假设 专业 : 天体物理姓名 : 聂俊丹学号 :712162 在统计中常见的是 : 需要多大的样本? 这是我们很关心的一个问题 在 matlab 统计工具箱中有一个函数 :sampsizepwr 可以用来计算样本大小 这篇论文的目的就是阐述如何来使用这个函数 文章中通过特殊的例子来实现具体的计算过程 同时 sampsizepwr 这个函数还有其它的功能 : 可以用来计算功效 在本文中也具体介绍了如何用
More information, ( 6 7 8! 9! (, 4 : : ; 0.<. = (>!? Α% ), Β 0< Χ 0< Χ 2 Δ Ε Φ( 7 Γ Β Δ Η7 (7 Ι + ) ϑ!, 4 0 / / 2 / / < 5 02
! # % & ( ) +, ) %,! # % & ( ( ) +,. / / 01 23 01 4, 0/ / 5 0 , ( 6 7 8! 9! (, 4 : : ; 0.!? Α% ), Β 0< Χ 0< Χ 2 Δ Ε Φ( 7 Γ Β Δ 5 3 3 5 3 1 Η7 (7 Ι + ) ϑ!, 4 0 / / 2 / 3 0 0 / < 5 02 Ν!.! %) / 0
More information% % %/ + ) &,. ) ) (!
! ( ) + & # % % % %/ + ) &,. ) ) (! 1 2 0 3. 34 0 # & 5 # #% & 6 7 ( ) .)( #. 8!, ) + + < ; & ; & # : 0 9.. 0?. = > /! )( + < 4 +Χ Α # Β 0 Α ) Δ. % ΕΦ 5 1 +. # Ι Κ +,0. Α ϑ. + Ι4 Β Η 5 Γ 1 7 Μ,! 0 1 0
More informationMicrosoft Word - 第八章.doc
第八章假设检验 数理统计的主要任务 : 从样本出发, 对总体的分布或分布特征作出推断 统计推断 ) 参数估计统计推断的主要方面 : 假设检验 点估计 置信区间 假设检验 : 针对总体的某种假设 如正态总体的期望 μ 总体服从泊松分布), 根据样本对提出的假设作出接受还是拒绝的决策, 假设检验就是作出这一决策的过程 8. 假设检验 例 : 某厂生产合金钢, 其抗拉强度 X 单位 :kg/mm) 可以认为服从正态分布
More informationMicrosoft PowerPoint - 概率统计Ch08 [Compatibility Mode]
-6-8 第八章 假设检验 8 基本概念 下面, 我们讨论不同于参数估计问题的另一类统计推断问题 根据样本提供的信息, 检验总体的某个假设是否成立的问题 第 8 章 这类问题称为假设检验 3 假设检验 { 参数检验非参数检验 先看一个例子 总体分布已知情形下, 检验未知参数的某个假设 总体分布未知情形下的假设检验问题 4 例 : 某工厂生产 欧姆的电阻, 根据以往生产的电阻实际情况, 可以认为 :
More information?.! #! % 66! & () 6 98: +,. / / 0 & & < > = +5 <. ( < Α. 1
!! # % # & ( & ) # +, #,., # / 0 1. 0 1 3 4 5! 6 7 6 7 67 +18 9 : : : : : : : : : :! : : < : : ?.! #! % 66! & 6 1 1 3 4.5 () 6 98: +,. / / 0 & 0 0 + & 178 5 3 0. = +5
More information# # 4 + % ( ) ( /! 3 (0 0 (012 0 # (,!./ %
#! # # %! # + 5 + # 4 + % ( ) ( /! 3 (0 0 (012 0 # (,!./ % ,9 989 + 8 9 % % % % # +6 # % 7, # (% ) ,,? % (, 8> % %9 % > %9 8 % = ΑΒ8 8 ) + 8 8 >. 4. ) % 8 # % =)= )
More information1 <9= <?/:Χ 9 /% Α 9 Δ Ε Α : 9 Δ 1 8: ; Δ : ; Α Δ : Β Α Α Α 9 : Β Α Δ Α Δ : / Ε /? Δ 1 Δ ; Δ Α Δ : /6Φ 6 Δ
! #! %&! ( )! +,!. / 1,. + 2 ( 3 4 5 6 7 8 9: : 9: : : ; ; ? =
More informationPowerPoint 演示文稿
. ttp://www.reej.com 4-9-9 4-9-9 . a b { } a b { }. Φ ϕ ϕ ϕ { } Φ a b { }. ttp://www.reej.com 4-9-9 . ~ ma{ } ~ m m{ } ~ m~ ~ a b but m ~ 4-9-9 4 . P : ; Φ { } { ϕ ϕ a a a a a R } P pa ttp://www.reej.com
More informationⅠⅡⅢ Ⅳ
ⅠⅡⅢ Ⅳ ! "!"#$%&!!! !"#$%& ()*+,!"" *! " !! " #$%& ( Δ !"#$%& ()*+,!"" * !! " #$%& ( !"#$%& ()*+,!"" * !! " #$%& ( !"#$%& ()*+,!"" * !! " #$%& (! # !"#$%& ()*+,!"" * !! " #$%& ( 1 1 !"#$%& ()*+,!"" *
More information3 4 Ψ Ζ Ζ [, Β 7 7>, Θ0 >8 : Β0 >, 4 Ε2 Ε;, ] Ε 0, 7; :3 7;,.2.;, _ & αε Θ:. 3 8:,, ), β & Φ Η Δ?.. 0?. χ 7 9 Ε >, Δ? Β7 >7 0, Τ 0 ΚΚ 0 χ 79 Ε >, Α Ε
(! # # %& ) +,./ 0 & 0 1 2 / & %&( 3! # % & ( ) & +, ), %!,. / 0 1 2. 3 4 5 7 8 9 : 0 2; < 0 => 8?.. >: 7 2 Α 5 Β % Χ7 Δ.Ε8 0Φ2.Γ Φ 5 Η 8 0 Ι 2? : 9 ϑ 7 ϑ0 > 2? 0 7Ε 2?. 0. 2 : Ε 0 9?: 9 Κ. 9 7Λ /.8 720
More informationΒ Χ Χ Α Β Φ Φ ; < # 9 Φ ; < # < % Γ & (,,,, Η Ι + / > ϑ Κ ( < % & Λ Μ # ΝΟ 3 = Ν3 Ο Μ ΠΟ Θ Ρ Μ 0 Π ( % ; % > 3 Κ ( < % >ϑ Κ ( ; 7
! # % & ( ) +, + )% ). )% / 0 1. 0 3 4 5 6 7 8 7 8 9 : ; < 7 ( % ; =8 9 : ; < ; < > ;, 9 :? 6 ; < 6 5 6 Α Β 5 Δ 5 6 Χ 5 6 5 6 Ε 5 6 Ε 5 5 Β Χ Χ Α Β 7 8 9 Φ 5 6 9 Φ ; < # 9 Φ ; < # 7 8 5 5 < % Γ & (,,,,
More information《分析化学辞典》_数据处理条目_2.DOC
lg lg ) (lg µ lg lg lg g g g lg lg g lg g () f ma m ) ( ma f ) ( m f w w w w w / s s µ w sw w s w m s s m ( y Y ) w[ y ( a b Q w Q w w + Q w w a b )] a b H H H H H H α H α H H β H H H α H H α H H α α H
More information! Β Β? Β ( >?? >? %? Γ Β? %? % % %? Χ Η Ιϑ Κ 5 8 Λ 9. Μ Ν Ο Χ? Π Β # % Χ Χ Θ Ρ% Ρ% Θ!??? % < & Θ
! # % & ( ) +,. / 0 1 + 2. 3 4. 56. / 7 89 8.,6 2 ; # ( ( ; ( ( ( # ? >? % > 64 5 5Α5. Α 8/ 56 5 9. > Β 8. / Χ 8 9 9 5 Δ Ε 5, 9 8 2 3 8 //5 5! Α 8/ 56/ 9. Φ ( < % < ( > < ( %! # ! Β Β? Β ( >?? >?
More information: p Previous Next First Last Back Forward 1
: zwp@ustc.edu.cn Office: 1006 Phone: 63600565 http://staff.ustc.edu.cn/~zwp/ http://fisher.stat.ustc.edu.cn : 7.2......... 1 7.2.1....... 1 7.2.2......... 13 7.2.3................ 18 7.2.4 0-1 p.. 19
More informationMicrosoft PowerPoint - Lect06 HypothesesTest
统计与数据分析 tatstcs & Data Aalyss 6 推断统计学的 假设检验 Zhu Huaqu @Pekg Uversty The strogest argumets prove othg so log as the coclusos are ot verfed by experece. Expermetal scece s the quee of sceces ad the goal
More informationΨ! Θ! Χ Σ! Υ Χ Ω Σ Ξ Ψ Χ Ξ Ζ Κ < < Κ Ζ [Ψ Σ Ξ [ Σ Ξ Χ!! Σ > _ Κ 5 6!< < < 6!< < α Χ Σ β,! Χ! Σ ; _!! Χ! Χ Ζ Σ < Ω <!! ; _!! Χ Υ! Σ!!!! ββ /β χ <
! # %!! ( (! +,. /0 0 1 2,34 + 5 6 7,3. 7, 8, 2 7 + 1 9 #. 3 : + ; + 5 83 8 % 8 2 ; , 1 1 8 2 =? : + 2 = 2 = Α 1,!. Β 3 + 5 Χ Β Β
More informationMicrosoft PowerPoint - Lect06 HypothesesTest
统计与数据分析 tatstcs & Data Aalyss 6 推断统计学的 假设检验 Zhu Huaqu @Pekg Uversty The strogest argumets prove othg so log as the coclusos are ot verfed by experece. Expermetal scece s the quee of sceces ad the goal
More information.., + +, +, +, +, +, +,! # # % ( % ( / 0!% ( %! %! % # (!) %!%! # (!!# % ) # (!! # )! % +,! ) ) &.. 1. # % 1 ) 2 % 2 1 #% %! ( & # +! %, %. #( # ( 1 (
! # %! % &! # %#!! #! %!% &! # (!! # )! %!! ) &!! +!( ), ( .., + +, +, +, +, +, +,! # # % ( % ( / 0!% ( %! %! % # (!) %!%! # (!!# % ) # (!! # )! % +,! ) ) &.. 1. # % 1 ) 2 % 2 1 #% %! ( & # +! %, %. #(
More information# % & ) ) & + %,!# & + #. / / & ) 0 / 1! 2
!!! #! # % & ) ) & + %,!# & + #. / / & ) 0 / 1! 2 % ) 1 1 3 1 4 5 % #! 2! 1,!!! /+, +!& 2! 2! / # / 6 2 6 3 1 2 4 # / &!/ % ). 1!!! &! & 7 2 7! 7 6 7 3 & 1 2 % # ) / / 8 2 6,!!! /+, +! & 2 9! 3 1!! % %
More informationRemark:随机变量不只离散和连续两种类型
Remar: 随机变量不只离散和连续两种类型 当题目要求证明随机变量的某些共同性质时 很多同学只对连续和离散两种类型进行讨论 这是比较典型的错误 练习 4. () P( = ) = P( = ) = P( = ) = P( ) = = = = = = () 由 E < 且 lm a =+ 不妨设 a > 其中 j = f{ : a a j} ap ( a) = a p ap ap j j j a :
More information; < 5 6 => 6 % = 5
! # % ( ),,. / 0. 1, ) 2 3, 3+ 3 # 4 + % 5 6 67 5 6, 8 8 5 6 5 6 5 6 5 6 5 6 5 9! 7 9 9 6 : 6 ; 7 7 7 < 5 6 => 6 % = 5 Δ 5 6 ; Β ;? # Ε 6 = 6 Α Ε ; ; ; ; Φ Α Α Ε 0 Α Α Α Α Α Α Α Α Α Α Α Α Α Β Α Α Α Α Α
More information9 : : ; 7 % 8
! 0 4 1 % # % & ( ) # + #, ( ) + ) ( ). / 2 3 %! 5 6 7! 8 6 7 5 9 9 : 6 7 8 : 17 8 7 8 ; 7 % 8 % 8 ; % % 8 7 > : < % % 7! = = = : = 8 > > ; 7 Ε Β Β % 17 7 :! # # %& & ( ) + %&, %& ) # 8. / 0. 1 2 3 4 5
More informationΒ Χ + Δ Ε /4 10 ) > : > 8 / 332 > 2 / 4 + Φ + Γ 0 4 Η / 8 / 332 / 2 / 4 + # + Ι + ϑ /) 5 >8 /3 2>2 / 4 + ( )( + 8 ; 8 / 8. 8 :
!! # % & % () + (. / 0 ) 1 233 /. / 4 2 0 2 + + 5. 2 / 6 ) 6. 0 ) 7. 8 1 6 / 2 9 2 :+ ; < 8 10 ; + + ( =0 41 6< / >0 7 0?2) 29 + +.. 81 6> Α 29 +8 Β Χ + Δ Ε /4 10 )+ 2 +. 8 1 6 > 2 9 2 : > 8 / 332 > 2
More information< < ; : % & < % & > & % &? > & 5 % & ( ; & & % & Α Β + 8 ; Α9 Χ Δ () Χ Δ Ε 41 Φ # (Β % Γ : 9 Χ Δ Η +9 Χ Δ 2 9 Χ Δ 2 0 /? % & Ι 1 ϑ Κ 3 % & % & + 9 Β 9
!! #! % & ( ) +,. / 0 1 2 34 5 6 % & +7 % & 89 % & % & 79 % & : % & < < ; : % & < % & > & % &? > & 5 % & ( ; & & % & Α Β + 8 ; Α9 Χ Δ () Χ Δ Ε 41 Φ # (Β % Γ : 9 Χ Δ Η +9 Χ Δ 2 9 Χ Δ 2 0 /? % & Ι 1 ϑ Κ
More information% & ( ) +, (
#! % & ( ) +, ( ) (! ( &!! ( % # 8 6 7 6 5 01234% 0 / /. # ! 6 5 6 ;:< : # 9 0 0 = / / 6 >2 % % 6 ; # ( ##+, + # 5 5%? 0 0 = 0 0 Α 0 Β 65 6 66! % 5 50% 5 5 ΗΙ 5 6 Φ Γ Ε) 5 % Χ Δ 5 55 5% ϑ 0 0 0 Κ,,Λ 5!Α
More information: Π Δ 9 Δ 9 Δ 9 7 Θ Μ 9 8 Ρ Σ # = Μ 0 ; 9 < = 5 Λ 6 # = = # Μ Μ 7 Τ Μ = < Μ Μ Ο = Ρ # Ο Ο Ο! Ο 5 6 ;9 5 5Μ Ο 6
! # % # & ( ) +, #,. # / 0. 0 2 3 4! 5 6 5 6 7 8 5 6 5 6 8 9 : # ; 9 < = 8 = > 5 0? 0 Α 6 Β 7 5ΧΔ ΕΦ 9Γ 6 Η 5+3? 3Ι 3 ϑ 3 6 ΗΚ Η Λ!Κ Η7 Μ ΒΜ 7 Ν!! Ο 8 8 5 9 6 : Π 5 6 8 9 9 5 6 Δ 9 Δ 9 Δ 9 7 Θ Μ 9 8 Ρ
More information概率论与数理统计
数理统计 上海财经大学 统计与管理学院 ConTenTs 第四章假设检验 4.1 假设检验的基本思想与概念 4.2 正态总体参数假设检验 4.3 其他分布参数的假设检验 4.4 似然比检验与分布拟合检验 4.5 正态性检验 4.1 假设检验的基本思想与概念 假设检验问题 (HypoThesis TesTing): 在自然科学和社会科学等中, 常常要对某些重要问题做出回答 : 是或否 如月球比地球早形成吗?
More information)
.. 1. 2. ) () () Pilot test () 1. 2. 3. 4. Scale (1). (nominal scale) 1. 2. 3. (1,2,3) (scale value) (arithmetic mean) (median) (mode) (chi-square test) (2). (ordinal scale) 5 1 A>B>C>D>E A B C D (non-parametric
More information8 8 Β Β : ; Χ; ; ; 8 : && Δ Ε 3 4Φ 3 4Φ Ε Δ Ε > Β & Γ 3 Γ 3 Ε3Δ 3 3 3? Ε Δ Δ Δ Δ > Δ # Χ 3 Η Ι Ι ϑ 3 Γ 6! # # % % # ( % ( ) + ( # ( %, & ( #,.
! # % & ( ) ( +,.% /.0.% 1 2 3 4 5 6 #! 7 8 9 9 : ; 8 : ; &; ; < ; 7 => 9 9 8?; 8! 3 3 3 3 Β & Γ 3 Γ 3 Ε3Δ 3 3 3?
More informationΑ? Β / Χ 3 Δ Ε/ Ε 4? 4 Ε Φ? ΧΕ Γ Χ Η ΙΙ ϑ % Η < 3 Ε Φ Γ ΕΙΙ 3 Χ 3 Φ 4 Κ? 4 3 Χ Λ Μ 3 Γ Ε Φ ) Μ Ε Φ? 5 : < 6 5 % Λ < 6 5< > 6! 8 8 8! 9 9 9! 9 =! = 9!
# %!!! ( ) ( +, +. ( / 0 1) ( 21 1) ( 2 3 / 4!! 5 6 7 7! 8 8 9 : ; < 9 = < < :! : = 9 ; < = 8 9 < < = 9 8 : < >? % > % > % 8 5 6 % 9!9 9 : : : 9 Α % 9 Α? Β / Χ 3 Δ Ε/ Ε 4? 4 Ε Φ? ΧΕ Γ Χ Η ΙΙ ϑ % Η < 3
More informationABP
ABP 2016 319 1 ABP A. D. Aleksandrov,I. Y. Bakelman,C. Pucci 1 2 ABP 3 ABP 4 5 2 Ω R n : bounded C 0 = C 0 (n) > 0 such that u f in Ω (classical subsolution) max Ω u max u + C 0diam(Ω) 2 f + L Ω (Ω) 3
More informationMicrosoft PowerPoint - 09_10_RandomVariables.ppt
上节课内容 概率理论 第二章 : 随机变量 概率公理及推论 随机事件之间的关系 : 条件概率 独立 / 条件独立 贝叶斯公式 本节课内容 随机变量及其分布 随机变量变换 常见分布族 多元随机向量的分布 联合分布 边缘分布 条件分布 独立 随机变量 统计推断是与数据相关的 随机变量就是将样本空间 / 随 机事件与数据之间联系起来的纽带 随机变量是一个映射 : Ω R, 将一个实数值 ( ω) 赋给一个试验的每一个输出
More information1#
! # % & ( % + #,,. + /# + 0 1#. 2 2 3 4. 2 +! 5 + 6 0 7 #& 5 # 8 % 9 : ; < =# #% > 1?= # = Α 1# Β > Χ50 7 / Δ % # 50& 0 0= % 4 4 ; 2 Ε; %5 Β % &=Φ = % & = # Γ 0 0 Η = # 2 Ι Ι ; 9 Ι 2 2 2 ; 2 ;4 +, ϑ Α5#!
More information) ( ) ( ) ( # ) ( <> ) ( ) ( ) < ( #6 Α! Χ, % Δ Χ 8 % Χ < 8 > Χ 3 Β,Α Α, 8 Χ? 8 > 8 % > # # < > # # # < > 8 8 8, Χ? 8 Ε % <> Ε 8 Φ 4> ( < 8 Φ # Χ, Χ!
!! 3! # % & ( ) +, ) + #. / 0 / 1 / 2 % 4 5 ) ( ) ( 6, 67 8 & ( + )4 9 ( : ; 2 ) ( ) < ( ) 8 ( 2 ) ( 5 2 = ( 2 # >? ) ( ) ( ) ( # ) ( ) ( ) ( ) < ( #6 Α! Χ, % Δ Χ 8 % Χ < 8 > Χ 3 Β,Α Α, 8 Χ? 8 > 8 %
More information<4D F736F F F696E74202D20CAB5CFB0C1F920CAFDD6B5B1E4C1BFD7CAC1CFB5C4CDB3BCC6CDC6B6CF E707074>
卫生统计学实习 何平平 北京大学公共卫生学院流行病与卫生统计学系 Tel: 82801619 实习六 数值变量资料的统计推断 ( 三 ) 第 237~249 页 一 直线回归 (linear regression) ( 一 ) 定义 : 用直线方程表达 X( 自变量,independent variable) 和 Y ( 应变量,dependent variable) 之间的数量关系 Yˆ = a+
More informationΡ 2 % Ε Φ 1 Φ Δ 5 Γ Η Ε Ι ϑ 1 Κ Δ ϑ Ι 5 Δ Ε Κ Β 1 2 Ι 5 Κ Ι 78 Χ > > = > Λ= =!? Λ Λ!???!? Λ?? Χ # > Λ= = >?= =!? Λ?!?!? Λ Λ Α =? Α &<&. >!= = = = = Α
!! # % # & ( & ) # +, #./. # 0 1 2 / 1 4 5 5!! 6 7 8 9 : ; < => : : >? = ; 7 8 1 5 Α > /? > > = ; 25Β > : ; Χ 2! : ; Χ 2 Χ < Δ : ; Χ < # > : ; # & < > : ; & < & 2 > : ; & 2 6 9!!= 2 Ρ 2 % Ε Φ 1 Φ Δ 5 Γ
More information; 9 : ; ; 4 9 : > ; : = ; ; :4 ; : ; 9: ; 9 : 9 : 54 =? = ; ; ; : ;
! # % & ( ) ( +, +. ( /0!) ( 1!2!) ( 3 4 5 2 4 7 8 9: ; 9 < : = ; ; 54 ; = ; ; 75 ; # ; 9 : ; 9 : ; ; 9: ; ; 9 : ; ; 4 9 : > ; : = ; ; :4 ; : ; 9: ; 9 : 9 : 54 =? = ; ; ; 54 9 9: ; ;
More information8 9 : < : 3, 1 4 < 8 3 = >? 4 =?,( 3 4 1( / =? =? : 3, : 4 9 / < 5 3, ; > 8? : 5 4 +? Α > 6 + > 3, > 5 <? 9 5 < =, Β >5
0 ( 1 0 % (! # % & ( ) + #,. / / % (! 3 4 5 5 5 3 4,( 7 8 9 /, 9 : 6, 9 5,9 8,9 7 5,9!,9 ; 6 / 9! # %#& 7 8 < 9 & 9 9 : < 5 ( ) 8 9 : < : 3, 1 4 < 8 3 = >? 4 =?,( 3 4 1( / =? =? : 3, : 4 9 / < 5 3, 5 4
More informationSX.s72
第 5 章统 计 Ⅰ 教学要求. 了解样本统计量的概念.. 掌握总体均值的区间估计, 会求总体百分比的置信区间. 3. 理解 小概率事件在一次试验中不可能发生 的实际推断原理. 4. 了解正态总体均值的 u 检验法,t 检验法 ; 了解两个正态总体的均值之差的 u 检验法,t 检验法. 5. 了解正态总体方差的 χ 检验法. Ⅱ 教材分析 教学建议和练习的答案 本章的主要内容之一是研究如何估计总体的参数?
More information! ΑΒ 9 9 Χ! Δ? Δ 9 7 Χ = Δ ( 9 9! Δ! Δ! Δ! 8 Δ! 7 7 Δ Δ 2! Χ Δ = Χ! Δ!! =! ; 9 7 Χ Χ Χ <? < Χ 8! Ε (9 Φ Γ 9 7! 9 Δ 99 Φ Γ Χ 9 Δ 9 9 Φ Γ = Δ 9 2
! # % ( % ) +,#./,# 0 1 2 / 1 4 5 6 7 8! 9 9 : ; < 9 9 < ; ?!!#! % ( ) + %,. + ( /, 0, ( 1 ( 2 0% ( ),..# % (., 1 4 % 1,, 1 ), ( 1 5 6 6 # 77 ! ΑΒ 9 9 Χ! Δ? Δ 9 7 Χ = Δ ( 9 9! Δ! Δ! Δ! 8 Δ!
More information: ; 8 Β < : Β Δ Ο Λ Δ!! Μ Ν : ; < 8 Λ Δ Π Θ 9 : Θ = < : ; Δ < 46 < Λ Ρ 0Σ < Λ 0 Σ % Θ : ;? : : ; < < <Δ Θ Ν Τ Μ Ν? Λ Λ< Θ Ν Τ Μ Ν : ; ; 6 < Λ 0Σ 0Σ >
! # %& ( +, &. / ( 0 # 1# % & # 2 % & 4 5 67! 8 9 : ; < 8 = > 9? 8 < 9? Α,6 ΒΧ : Δ 8Ε 9 %: ; < ; ; Δ Φ ΓΗ Ιϑ 4 Κ6 : ; < < > : ; : ;!! Β : ; 8 Β < : Β Δ Ο Λ Δ!! Μ Ν : ; < 8 Λ Δ Π Θ 9 : Θ = < : ; Δ < 46
More information3?! ΑΑΑΑ 7 ) 7 3
! # % & ( ) +, #. / 0 # 1 2 3 / 2 4 5 3! 6 ) 7 ) 7 ) 7 ) 7 )7 8 9 9 :5 ; 6< 3?! ΑΑΑΑ 7 ) 7 3 8! Β Χ! Δ!7 7 7 )!> ; =! > 6 > 7 ) 7 ) 7 )
More informationⅠ Ⅱ 1 2 Ⅲ Ⅳ
Ⅰ Ⅱ 1 2 Ⅲ Ⅳ !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
More information! # Χ Η Ι 8 ϑ 8 5 Χ ΚΗ /8 Η/. 6 / Λ. /. Η /. Α Α + Α 0. Η 56 + Α : Α Μ / Η +9 Δ /. : Α : ϑ. Η. /5 % Χ
! # % ( ) +. / 0 1 + 2+ 3 4. 56. / 7 8 9 8. 6 2 # :! # # ( : : :! ( = = ( = > > : > : (? : : # : :! :!? : ( : # Α Β Α # : Α > % : Α : Α ( Χ #! Χ # Δ Χ ( Χ ( Φ Χ : Χ ( Χ ( #! / 2 (!( Α Α ( Α Α : =! Γ6 Α
More informationuntitled
4 y l y y y l,, (, ) ' ( ) ' ( ) y, y f ) ( () f f ( ) (l ) t l t lt l f ( t) f ( ) t l f ( ) d (l ) C f ( ) C, f ( ) (l ) L y dy yd π y L y cosθ, π θ : siθ, π yd dy L [ cosθ cosθ siθ siθ ] dθ π π π si
More information的假设检验函数 7 参考文献
高等工程数学 ( 第三版 ) 姚仰新, 王福昌, 罗家洪, 庄楚强华南理工大学出版社出版 2016 年 12 月 12 日 1 2 3 4 5 6 的假设检验函数 7 参考文献 统计假设检验是统计推断的另一个主要内容, 它的基本任务是 根据样本所提供的信息, 对未知总体分布的某些方面 ( 常见如总体 均值 总体方差 总体分布本身等等 ) 的假设 做 出 合 理 的 解 释 假 设 检 验与 参 数
More information9. =?! > = 9.= 9.= > > Η 9 > = 9 > 7 = >!! 7 9 = 9 = Σ >!?? Υ./ 9! = 9 Σ 7 = Σ Σ? Ε Ψ.Γ > > 7? >??? Σ 9
! # %& ( %) & +, + % ) # % % )./ 0 12 12 0 3 4 5 ). 12 0 0 61 2 0 7 / 94 3 : ;< = >?? = Α Β Β Β Β. Β. > 9. Δ Δ. Ε % Α % Φ. Β.,,.. Δ : : 9 % Γ >? %? >? Η Ε Α 9 Η = / : 2Ι 2Ι 2Ι 2Ι. 1 ϑ : Κ Λ Μ 9 : Ν Ο 0
More informationΟΠΟ ΟΠ 8 ΠΠ Π8 ΡΟ Σ Β Θ 1 7 Τ 1 Υ 4? = ; > ; 1.= 3 Α14? 4Ι ϑ1 Α 3Ε3 ΕΛ?Τ %1 >: : : ; : : 9 = 7,Ι ΕΑ 8 7,Ι Τ3? 8 7 ΛΙ 3ς 8 7Μ 8 7 Ω ΙςΙ = 8 7 Τ Μ 3Ε Δ?
!! 0 1 # % & ( ) ( +,.% /.#.% / 3, 4! 5 6 7 8 %1 9 9 9 9 : ;: 5 : < %1 = 7 8 7 1 1 > 8 7? Α Β Α 9 % 3 Χ Δ Ε? Φ? Α Ε? 8 7 ; 8 7 Γ? Α Β Α Η Ι Ε 9Ε = ϑ 1 ΑΚΕ 3 Ε Λ? 3 Μ 8 6 8! Ν! ΟΠΟ ΟΠ 8 ΠΠ Π8 ΡΟ Σ Β Θ 1
More information:
: : 4.1....................... 1 4.1.1............... 1 4.2........... 10 4.2.1............... 10 4.2.2..... 14 4.2.3................ 18 4.2.4................ 24 4.3...................... 26 4.3.1..............
More information