1. 首页 > 大杂烩

假设检验例题以及解析(假设检验例题及解析)

对所有读者来说,这篇文章会很有趣

假设检验是一种在观察到的数据点的统计数据中进行检验的想法。这是关于猜测可能有用或无法产生有意义结果的事情。

一个好的假设包含“ if”和“ then”两个词。例如,如果温度升高,固体将熔化。

本文的前提条件:描述统计知识推理统计知识决策所涉及的步骤如下所示:提出假设找到正确的测试执行测试做决定

当我们总是做假设时,我们必须知道什么是虚假假设。例如,如果我们说汽油价格更高,那么这只是一个陈述。如果我们说,一个州的汽油价格比另一个州高2卢比。因此,该陈述表明了进行假设的要点,其中我们有一些数据需要进行分析。

例子:

经理的平均薪水(或零假设)约为10万,替代假设为平均薪水不在10万左右。因此,我们必须检查原假设为真。

如果平均薪水接近10万,那么我们将接受原假设,否则,我们将拒绝原假设。

假设检验例题以及解析(假设检验例题及解析)

上面的分布显示了平均值落在其下的置信区间区域和以alpha表示的拒绝区域,即显着性水平区域。alpha值告诉您拒绝原假设(如果为真)的可能性。alpha的典型值为0.1、0.5、0.01,即10%,5%,1%,最常用的值为5%。

在上图中,我们可以看到平均值位于形状的中间,并且数据点呈正态分布。为此,我们进行了Z检验,公式如下所示:

假设检验例题以及解析(假设检验例题及解析)

如果样本均值接近假设均值,并且样本均值等于假设均值,则Z变为零,此测试旨在标准化或缩放样本均值。在这些情况下,我们将接受原假设。

但是,拒绝原假设的Z的值是多少,为此,我们不得不看到一侧和两侧的尾部检验。

假设检验例题以及解析(假设检验例题及解析)

5%的拒绝区域的alpha值是“ -1.96”和“ +1.96”。该值来自(1-alpha)Z表。

假设检验例题以及解析(假设检验例题及解析)

这意味着,如果我们在Z检验中获得的值小于“ -1.96”或大于“ +1.96”,我们将拒绝原假设。

到目前为止我们讨论的要点计算统计平均值使用Z检验对其进行缩放检查Z是否在拒绝区域中例子
假设检验例题以及解析(假设检验例题及解析)

在上面的照片中,我们给出了它,它是示例数据,因此,我们将使用标准误差。

样本平均值假设均值样本量标准误差显着性值分别为5%和1%

现在,我们将使用Z检验公式来计算Z分数。我们不应将大写字母Z与小z混淆。大写Z表示Z分数,小Z表示表格中的临界值。与均值和方差相关的术语差异如下所示:

假设检验例题以及解析(假设检验例题及解析)

好吧,将所有值都放入Z后,得分为“ -4.67”。由于该值变为负值,从这个意义上讲,我们应该将绝对值设为Z分数。尽管标准正态分布在0附近对称,但是Z <负z的负值等于正Z>正z的值。

显着性水平为5%时的值| -4.67 | > 1.96 —→我们将拒绝原假设。因此,没有统计证据表明平均值为113,000。

显着性水平为1%时的值| -4.67 | > 2.58 —→即使在这个显着性值处,我们也将拒绝原假设。

进一步拒绝不放弃原假设的标准是什么?

因此,存在一种特殊的技术,我们无法拒绝它的原假设(称为p值)

在样本数据中观察到P值,并将其与最小的alpha值进行比较,以否定原假设。

假设检验例题以及解析(假设检验例题及解析)

例子:

在上面的示例中,Z值为| -4.67 | 但是此值太大,很难在表格中找到,因此我们选择Z表格(1-alpha)表格的最后一个值,即0.9990,与此有关的p值为0.0001。

P值=(表格中的1-数字)

拒绝原假设的条件是p值<alpha。因此,在这种情况下,我们拒绝所有10%,5%,1%显着性水平的原假设。

让我们再举一个例子:

假设Z值达到2.12,并且在Z表中与其对应的值为0.9830。单面测试的p值为0.017,而双面测试的p值为0.034。在这种情况下,我们拒绝10%和5%的原假设,但不能拒绝1%显着性水平的原假设。

如果p值达到0.000,则结果将更为显着。

结论:

本文是假设概念的基础,并以已知的方差作为示例。

本文由站内用户发布,不代表喵趣网立场,如有侵权请联系本站删除!欢迎转载分享!

联系我们

在线咨询:点击这里给我发消息

微信号:13-845-161

工作日:9:30-18:30,节假日休息