假設檢定 (Hypothesis testing)

機率統計

教學錄影

數學符號

數學基礎

排列組合

機率統計簡介

機率

機率公理

隨機變數

連續測度

單一分布

條件機率

聯合分布

貝氏定理

動差生成函數

特徵函數

機率法則匯總

離散分布

二項分布

多項分布

負二項分布

幾何分布

超幾何分布

布瓦松分布

連續分布

均勻分布

常態分布

Gamma 分布

指數分布

卡方分布

柯西分布

Weibull 分布

T 分布

F 分布

Beta 分布

多維分布

統計

抽樣

敘述統計

推論統計

中央極限定理

估計方法

單組樣本估計

兩組樣本估計

檢定方法

單組樣本檢定

兩組樣本檢定

平均値的推論

變異數的推論

無母數推論

迴歸分析

變異數分析

實驗設計

因子實驗

品質管制

時間序列

數據分類

統計定理匯總

統計情況分類

計算統計

蒙地卡羅法

最大似然法則

假說與學習

EM 算法

簡單貝氏分類

貝氏網路

隨機過程

馬可夫鏈

蒙地卡羅馬可夫

資源

範例

投影片

教學錄影

練習題

考題解答

訊息

相關網站

參考文獻

最新修改

簡體版

English

原理

根據某些樣本,推論統計可以進行實驗的檢定某個假設 H1 是否可能,其方法是透過否定對立假設 H0,看看 H0 是否不太可能發生。

  • H1:稱為研究假設 (research hypothesis) 或對立假設 (alternhative hypothesis)
  • H0:稱為虛無假設 (null hypothesis)

透過推論統計,我們可以檢查實驗結果是否具有顯著性 (假設檢定),也就是實驗的假設 H1 是否要被接受,由於 H0 是H1 的對立假設 (不是 H0 就是 H1,也就是 H1 = not H0),因此一旦否決了 H0 就代表接受了 H1。

在進行假設檢定的推論時,我們可能推論正確,也可能推論錯誤,以下是四種可能的推論情況。

真實情況
決策 H0 為真 H1 為真
拒絕 H0 型 I 錯誤 (機率是 $\alpha$) 正確決策 (機率是檢定力 power)
無法拒絕 H0 正確決策 型 II 錯誤 (機率是 $\beta$)

當然我們會希望正確決策的機會越大越好,而錯誤決策的機會越小越好。推論統計可以告訴我們各類型正確與錯誤決策的機率,以便讓我們知道是否要接受 H1 而拒絕 H0。

方法

用 Z 或 T 的統計量,進行常態分配平均的假設檢定。(但常態性如何確保,通常有兩種基本假設,第一種是母體分布為常態性,第二種是樣本數夠大,根據大數法則 $\frac{x_1+x_2+....+x_n}{n}$ 會趨向常態性)。

範例

單組樣本的檢定

  1. 平均值的檢定? ($H0: \mu = \mu_0$) — 學生 T 檢定
  2. 變異數的檢定? ($H0: \sigma = \sigma_0$) — 卡方 $\chi^2$ 檢定
  3. 比例 p 的檢定? ($H0:p = p_0$) — 常態 Z 檢定
  4. 中位數 M 的檢定? ($H0: M = M_0$) — 無母數方法 Wilcoxon Sign-Rank 檢定

兩組樣本的檢定

  1. 比較兩平均數 $\mu_1, \mu_2$ 的差值 ( $H0:\mu_1-\mu_2=0$) 的檢定
  2. 比較兩變異數 $\sigma_1, \sigma_2$ 的差值 ($H0:\sigma_1-\sigma_2=0$) 的檢定
  3. 比較兩機率 $p1, p2$ 的差值 ($H0: p1-p2=0$) 的檢定
  4. 比較兩組中位數 M 的差值 ($H0:M_X - M_Y=0$) 的檢定 (無母數方法)

多組樣本的檢定 (ANOVA 變異數分析)

  • $H0:\mu_1=\mu_2=...=\mu_k$
  • $H1:\mu_i \ne \mu_j$ 對於某些 i, j 而言。

Facebook

Unless otherwise stated, the content of this page is licensed under Creative Commons Attribution-NonCommercial-ShareAlike 3.0 License