什么是假设检验: 经过设定一个假设, 而后经过收集数据、计算等操做来判断这个假设是否成立。ide
假设检验的步骤:学习
1. 设定 null hypothesis 和 alternative hypothesisspa
2. 收集数据blog
3. 基于收集的数据,来判断 拒绝 或者 接受 null hypothesis ( 有两种方法 1. Critical Value 2. P-Value)it
值得注意的是:io
H0 - null hypothesistable
H1 - alternative hypothesistest
1. 对于null hypothesis 和 alternative hypothesis 来讲,常见的一共有一下几种组合。方法
H0: μ >= μ0 H1: μ < μ0im
H0: μ <= μ0 H1: μ > μ0
H0: μ = μ0 H1: μ != μ0
注意! a). 对于H1仅仅只有这三种组合。 b). H1 和 H0 永远是相反的 c).一个成功的假设检验的H0和H1的设定是相当重要!
2. significance value: 它是 对null hypothesis 产生误判的几率。 若是value 为5%, 那么咱们知道 仅仅只有5%的状况下,null hypothesis 是真的可是咱们却拒绝了它。 也就是说,咱们有 95%(confidence level)的信心说 null hypothesis 是假的,因此咱们拒绝它。当咱们使用 收集的数据计算出来的z-score 与5% 相对应的z-score相比较时,若是前者小于后者,那么前者对应的几率会更小, 换句话说,就是可能只有 1%的几率会发生对 null hypo 的误判。这里可能有点绕,可是仔细品味下会很清楚。 另外什么是Critical Value呢?咱们已经有了, significance value 对应的咱们能够根据critical value z table 找到相应的 value这个value就是critical value.
这里涉及到了 Type I Error. -- H0 为真,可是被拒绝
3. p-value: 就是 咱们犯错的几率, 换句话说, 就是 咱们假设 H0 是假, 而后咱们拒绝它 的几率. 因此咱们指望 咱们犯错的几率越小越好, 比较 p-valiue和 alpha的值, 若是p-value 值越大, 咱们就该越谨慎,从未不拒绝 H0.
咱们经过一个例题来学习。
背景: 一个健身房对外宣称在它这里健身的顾客在两周的锻炼以后会减掉 10 公斤, 根据已收集的数据咱们得知, 50 个顾客,平均减掉了 9 公斤,标准差为 2.8 公斤。那么在 significance value 是 5%的状况下,咱们可否推论 顾客减掉的体重 会小于 10 公斤?
1. 设定 null 和 alternative
H0: μ0 >= 10
H1: μ0 < 10
2. 使用收集的数据的信息,并根据如下的公式计算 test statistic value. t = -2.53 可是z-score with 5% significance level = -1.645.
3.
3.1) critical region 方法. 由于t < z-score 因此,对于null hypothesis 发生误判的几率小于 5%。 因此咱们拒绝null hypothesis。 得出结论 顾客减掉的平均体重会小于 10 以上的 值得注意的是: 这个板块中有介绍)
3.2) P- value方法. 根据计算出 test statistics = -2.53, 咱们能使用z score table 找到相应的p-value值. 经过比较 p-value和significance value( 5%)
若是 p-value < 0.05, 咱们拒绝null hypothesis
FYI: