梳理一下 置信水平α、檢驗統計量、 p值、假設檢驗、
卡方檢驗、f檢驗、
ab測等問題。
置信水平α：如果原假設為真，而檢驗的結論卻勸你放棄原假設。此時，我們把這種錯誤稱之為第一類錯誤，棄真錯誤，記為α
通常只限定犯第一類錯誤的最大概率α，不考慮犯第二類錯誤（原假設不正確，但被接受了，取偽錯誤）的概率β。這樣的假設檢驗又稱為顯著性檢驗，概率α稱為顯著性水平。
常用的α值，0.05、0.025、0.01等。數值越小，顯著性越大。
對應的置信度是1-α
置信區間
z-score/z-統計量：表示樣本和樣本均值之間差了幾個標準差。即通常用的正態分佈的標準化：z−s
core
=x−μ
σz-score= \frac
z−scor
e=σx
−μ。
在樣本均值的抽樣分布中，z-score表示x
‾\overline
x和μx
‾\mu_}
μx之間差了幾個標準差σx‾
\sigma_}
σx，其中 均值標準差σx‾
\sigma_}
σx可以經過變形，用樣本標準差s
ss來估計。
z −s
core
=x‾−
μx‾σ
x‾=x
‾−μx
‾σn=
x‾−μ
x‾sn
z-score= \frac- \mu_}} }}=\frac - \mu_} } }}=\frac - \mu_} } }}
z−scor
e=σx
x−μ
x=
nσ
x−μx
=n
sx
−μx
如果樣本量n比較小，則稱為t-統計量，公式類似。
f值（f統計量），等於組間均方和組內均方的比值，它反映的是隨機誤差作用的大小。
p值：當原假設為真的時候，得到當前結果以及更極端結果的概率，即：p(>=x1 | h0)。
在假設檢驗中，我們得到的t值，z值，f值都可以轉換為p值，通過計算相應分布下檢驗統計量的概率，即p(x>z-score)
通常說的 p<0.01顯著差異，即在接受原假設的情況下，發生這種事情的概率是0.1%，幾乎不可能。但是，竟然出現了，說明存在顯著差異。
檢驗假設是否顯著，有2種辦法
1、計算出顯著性水平α對應的z-score（z
αz_α
zα）,然後和根據原假設計算出來是z-score（z
hz_h
zh）進行比較。以單邊右側檢驗為例，如果z
hz_h
zhα
z_αzα
，則接受原假設，反之，拒絕原假設。
2、根據原假設計算出來的z-score，找到對應的p值（p-value），和顯著性水平α進行比較。以單邊右側檢驗為例，如果p值》α，則接受原假設，反之，拒絕原假設。
friedman檢驗，雙向秩檢驗
未完參考：
1、 p值
2、 假設檢驗
3、 假設檢驗
4、 假設檢驗
5、 ab測
假設檢驗 假設檢驗學習筆記
在實際工作和研究中，往往只能獲得資料的一部分，通常指這個資料為樣本，而通過樣本對整體的估計被稱為假設檢驗。樣本是從整體中選取的較小集合，中心極限定律 樣本的均值約等於總體的均值 不管整體什麼分布，任意乙個總體的樣本均值都會圍繞在總體的均值周圍，且呈正太分布。關鍵資訊 樣本的均值等於總體的均值 樣本的...
假設檢驗基本思想
假設檢驗 什麼是假設 對總體引數 均值 比例等 的具體數值所作的陳述。比如，我認為新的配方要先要比原來的更好。什麼是假設檢驗 先對總體引數提出某種假設，然後利用樣本的資訊判斷假設是否成立的過程。比如 上面的假設是接收還是拒絕呢。假設檢驗的應用 假設檢驗基本思想 小概率反證法思想 小概率思想是指小概率...
假設檢驗 到底該怎麼理解假設檢驗？
學過統計學或概率論的同學，對 假設檢驗 這個詞一定不陌生。因為期末考試的卷子裡必定會考一道這種題，那個時候，我其實對假設檢驗的流程並不是很理解，不過幸好流程簡單，照葫蘆畫瓢，套一套格式就能答對。那假設檢驗到底是個什麼東西？先上一道假設檢驗的例題，回憶一下假設檢驗的流程，找一下當初的感覺。某工具機廠加...