左右侧检验与双侧检验 | 学习笔记

简介: 快速学习左右侧检验与双侧检验

开发者学堂课程【人工智能必备基础:概率论与数理统计:左右侧检验与双侧检验】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/545/detail/7444


左右侧检验与双侧检验

内容介绍

一、 原假设与备择建设

二、 检验统计量

三、 检验中常说的小概率

四、 P 值

五、左侧检验与右侧检验

 

一、原假设与备择建设:

待检验的假设又叫原假设,也可以叫零假设,表示为 HO。 (零假设其实就是表示原假设- 般都是说没有差异,没有改变。。。)(备择假设就是有差异)

与原假设对比的假设叫做备择假设,表示为 H1

一般在比较的时候,主要有等于, 大于,小守

 

二、检验统计量:

计算检验的统计量

根据给定的显客性水平,查表得出相应的临界值

将检验统计量的值与显著性水平的临界值进行比较

得出拒绝或不拒绝原假设的结论


三、检验中常说的小概率:

在一次试验中,一个几乎不可能发生的事件发生的概率

在一次试验中小概率事件一旦发生,我们就有理由拒绝原假设

小概率由我们事先确定


四、P 值:

是一个概率值

如果原假设为真,P- 值是抽样分布中大于或小于样本统计量的概率

左侧检验时,P- 值为曲线上方小于等于检验统计量部分的面积

右侧检验时,P- 值为曲线上方大于等于检验统计量部分的面积


五、左侧检验与右侧检验

image.png

Α 表示拒绝域,左右边图分别表示左侧检验,右边表示右侧检验。根据问题来选择左右侧检验。临界值需查表。指定好置信水平,指定好所用的检验(既用的分布),指定好 α,就可通过查表知道临界值。选择部分样本实际的指标所算出的统计量。统计量落在拒绝域,就是拒绝。没落在拒绝域就是假概率事件。

当关键词有不得少于/低于的时候用左侧,比如灯泡的使用寿命不得少于 / 低于 700 小时。

当关键词有不得多于/高子的时候用右侧,比如次品率不得多于 / 高于 5%时

左侧检验:假设 α=0.05,概率值比 α,说明概率事件非常小。小概率发生,要在样本中拒绝原假设,因原假设不为真,所以叫拒绝域。当原假设大于 0.05 时,就接受。假设就不是小概率事件,统计学意义,就不在拒绝域中,就认为原假设成立。

双侧检验:

image.png

指定一个 α,左边为 α/2, 右边为 α/2,中间为 1-α。

单侧检验指按分布的一侧计算显等性水平概率的检验。用于检验大于、小子、高于、低于、优于、劣于等有确定性大小关系的假设检验问题。这类问题的确定是有一定的理论依据的。假设检验写作: μ1<μ2 或 μ1>μ2。

双侧检验指按分布两瑞计算显著性水平概率的检验,应用于 理论上不能确定两个总体一个一 定比另一个大或小的假设检验。股假设检验写作 H1: μ1≠μ2。

例如,某种零件的尺寸,要求其平均长度为 10cm,大于或小于 10cm 均属于不合格我们想要证明(检验)大于或小于这两种可能性中的任何一种是否成立 建立的原假设与备择假设应为:

H0:  μ= 10H1: μ≠10
检验结果:( p 值表示样本统计量代表的概率值)
单侧检验

若 p 值 > α, 不拒绝 HO

若 p 值 <α, 拒绝 H0

双侧检验:

若 p- 值> a/2, 不拒绝 HO

若 p- 值< a/2, 拒绝 HO

相关文章
|
编译器 PHP Kotlin
深入浅出 Compose Compiler(3) IR & IrGenerationExtension
深入浅出 Compose Compiler(3) IR & IrGenerationExtension
354 0
|
6月前
|
Dart Linux iOS开发
JEB Pro v5.30 (macOS, Linux, Windows) - 逆向工程平台
JEB Pro v5.30 (macOS, Linux, Windows) - 逆向工程平台
513 0
JEB Pro v5.30 (macOS, Linux, Windows) - 逆向工程平台
|
12月前
|
机器学习/深度学习 算法 网络协议
开源上新|通义语音处理技术ClearerVoice-Studio
开源上新|通义语音处理技术ClearerVoice-Studio
|
机器学习/深度学习 人工智能 数据可视化
【2024美赛】C题 Momentum in Tennis网球运动中的势头 25页中英文论文及Python代码
本文提供了一篇25页的中英文论文,针对2024美国大学生数学建模竞赛C题"网球运动中的势头",建立了数学模型来分析网球比赛中势头的形成和影响,并通过Python代码实现了模型的定量分析和可视化,同时对模型的合理性、影响因素、预测方法和战术策略进行了深入探讨。
579 3
【2024美赛】C题 Momentum in Tennis网球运动中的势头 25页中英文论文及Python代码
|
网络协议 关系型数据库 数据库
边界策略常开通的十大端口,作为网工,有必要了解!
边界策略常开通的十大端口,作为网工,有必要了解!
252 0
|
12月前
|
机器学习/深度学习 传感器 人工智能
《智启工业新篇:人工智能驱动的故障预测性维护》
在工业生产中,机器设备的稳定运行至关重要。传统维护模式存在滞后性和不确定性,导致高昂成本和风险。随着人工智能技术兴起,故障预测性维护成为可能。通过传感器采集数据,利用机器学习和深度学习算法,AI能提前预判故障,提高生产效率和安全性。工业物联网(IIoT)进一步增强了实时监控与远程管理能力,使得维护更加智能化、精准化。尽管面临数据安全和模型解释性等挑战,AI驱动的预测性维护正逐步改变传统模式,引领工业生产迈向更智能、高效的新时代。
957 18
|
机器学习/深度学习 算法 数据可视化
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
2024年中国研究生数学建模竞赛C题聚焦磁性元件磁芯损耗建模。题目背景介绍了电能变换技术的发展与应用,强调磁性元件在功率变换器中的重要性。磁芯损耗受多种因素影响,现有模型难以精确预测。题目要求通过数据分析建立高精度磁芯损耗模型。具体任务包括励磁波形分类、修正斯坦麦茨方程、分析影响因素、构建预测模型及优化设计条件。涉及数据预处理、特征提取、机器学习及优化算法等技术。适合电气、材料、计算机等多个专业学生参与。
2722 18
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
|
Linux 虚拟化
成功解决:Xshell 无法连接虚拟机。如何使用Xshell连接CentOS7虚拟机(详细步骤过程)
这篇文章提供了使用Xshell连接CentOS 7虚拟机的详细步骤,包括编辑VMware的网络设置以启用桥接模式、检查个人电脑适配器虚拟网络的连接情况,以及通过Xshell新建并建立连接的过程。文章还提到了在虚拟机可以访问外网的情况下成功连接的后语,暗示了网络配置的重要性。
成功解决:Xshell 无法连接虚拟机。如何使用Xshell连接CentOS7虚拟机(详细步骤过程)
|
敏捷开发 开发框架 JavaScript
很牛!Github 上 10 个值得学习的 Springboot 开源项目
很牛!Github 上 10 个值得学习的 Springboot 开源项目
12522 0
|
存储 分布式计算 Hadoop
【赵渝强老师】HDFS数据上传和下载的过程
本文介绍了Hadoop的HDFS中客户端如何通过NameNode上传和下载数据。上传时,数据按块保存至DataNode并实现冗余;下载时,客户端从DataNode获取数据块。文中配有详细流程图及B站视频讲解。
350 3