标签：frac over overline beta 计算 功效 alpha Z1 统计
样本 x 1 , x 2 , … , x n x_1,x_2,\dots,x_n x1,x2,…,xn来自正态分布 N ( μ x , σ x 2 ) N(\mu_x,\sigma_x^2) N(μx,σx2),样本 y 1 , y 2 , … , y m y_1,y_2,\dots,y_m y1,y2,…,ym来自正态分布 N ( μ y , σ y 2 ) N(\mu_y,\sigma_y^2) N(μy,σy2)。
检验假设： H 0 : μ x = μ y , H 1 : μ x < μ y H_0 :\mu_x = \mu_y,H_1:\mu_x < \mu_y H0:μx=μy,H1:μx<μy
正常情况下会构造统计量 x ‾ − y ‾ s x 2 n + s y 2 m \frac {\overline x - \overline y} {\sqrt{{s_x^2 \over n}+{s_y^2 \over m}}} nsx2+msy2 x−y,当样本量足够大时，在原假设成立的情况下近似服从分布 N ( 0 , 1 ) N(0,1) N(0,1),也就是标准正态分布。
简单介绍一下两类错误：
- H0为真但由于随机性使样本观测值落在了拒绝域中，从而拒绝原假设H0，这种错误称为第一类错误，也称为α错误。（拒真）
- H0不为真，但由于随机性使样本观测值落入接受域中，从而接受假设H0，这种错误称为第二类错误，也称为β错误。（存伪）
先推导一下第二类错误的计算公式，以单边检验为例：
β
=
P
(
x
‾
−
y
‾
s
x
2
n
+
s
y
2
m
≤
Z
1
−
α
∣
H
0
为
假
)
=
P
(
x
‾
−
y
‾
−
δ
s
x
2
n
+
s
y
2
m
≤
Z
1
−
α
−
δ
s
x
2
n
+
s
y
2
m
)
\beta = P(\frac {\overline x - \overline y} {\sqrt{{s_x^2 \over n}+{s_y^2 \over m}}}\leq Z_{1-\alpha}|H_0为假) = P(\frac {\overline x - \overline y-\delta} {\sqrt{{s_x^2 \over n}+{s_y^2 \over m}}}\leq Z_{1-\alpha}-\frac {\delta} {\sqrt{{s_x^2 \over n}+{s_y^2 \over m}}})
β=P(nsx2+msy2
x−y≤Z1−α∣H0为假)=P(nsx2+msy2
x−y−δ≤Z1−α−nsx2+msy2
δ)
=
P
(
x
‾
−
y
‾
−
δ
s
x
2
n
+
s
y
2
m
≤
Z
1
−
α
−
Z
)
,
其
中
Z
=
δ
s
x
2
n
+
s
y
2
m
,
δ
=
μ
x
−
μ
y
=P(\frac {\overline x - \overline y-\delta} {\sqrt{{s_x^2 \over n}+{s_y^2 \over m}}}\leq Z_{1-\alpha}-Z),其中Z =\frac {\delta} {\sqrt{{s_x^2 \over n}+{s_y^2 \over m}}},\delta = \mu_x-\mu_y
=P(nsx2+msy2
x−y−δ≤Z1−α−Z),其中Z=nsx2+msy2
δ,δ=μx−μy
在
H
0
H_0
H0为真的情况下，
x
‾
−
y
‾
s
x
2
n
+
s
y
2
m
\frac {\overline x - \overline y} {\sqrt{{s_x^2 \over n}+{s_y^2 \over m}}}
nsx2+msy2
x−y近似服从正态分布，当
H
0
H_0
H0为假的情况下，
x
‾
−
y
‾
−
δ
s
x
2
n
+
s
y
2
m
\frac {\overline x - \overline y-\delta} {\sqrt{{s_x^2 \over n}+{s_y^2 \over m}}}
nsx2+msy2
x−y−δ近似服从正态分布,上式可改写为：
β
=
Φ
(
Z
1
−
α
−
Z
)
\beta = \Phi(Z_{1-\alpha}-Z)
β=Φ(Z1−α−Z)
统计功效（statistical power）是指，当H0为假拒绝H0的概率。也就是1-β的概率。
因此统计功效计算方式为：
P
o
w
e
r
=
1
−
β
=
1
−
Φ
(
Z
1
−
α
−
Z
)
=
Φ
(
Z
−
Z
1
−
α
)
Power = 1-\beta = 1-\Phi(Z_{1-\alpha}-Z) = \Phi(Z-Z_{1-\alpha})
Power=1−β=1−Φ(Z1−α−Z)=Φ(Z−Z1−α)
接下来计算样本量问题，要同时满足
α
和
P
o
w
e
r
\alpha和Power
α和Power需要一定的样本量，具体推导公式为：
1
−
β
=
Φ
(
Z
−
Z
1
−
α
)
→
Z
1
−
β
=
Z
−
Z
1
−
α
→
Z
1
−
β
+
Z
1
−
α
=
Z
→
Z
1
−
β
+
Z
1
−
α
=
δ
s
x
2
n
+
s
y
2
n
这
里
假
设
样
本
数
相
同
都
是
n
→
n
=
(
Z
1
−
β
+
Z
1
−
α
)
2
+
(
s
x
2
+
s
y
2
)
δ
2
1-\beta = \Phi(Z-Z_{1-\alpha}) \rightarrow Z_{1-\beta} = Z-Z_{1-\alpha} \rightarrow Z_{1-\beta}+Z_{1-\alpha} = Z \rightarrow Z_{1-\beta}+Z_{1-\alpha} =\frac {\delta} {\sqrt{{s_x^2 \over n}+{s_y^2 \over n}}} 这里假设样本数相同都是n\rightarrow n =\frac{(Z_{1-\beta}+Z_{1-\alpha})^2+(s_x^2+s_y^2)} {\delta^2}
1−β=Φ(Z−Z1−α)→Z1−β=Z−Z1−α→Z1−β+Z1−α=Z→Z1−β+Z1−α=nsx2+nsy2
δ这里假设样本数相同都是n→n=δ2(Z1−β+Z1−α)2+(sx2+sy2)
对于双边检验也是类似情况：
P
o
w
e
r
=
1
−
β
=
Φ
(
Z
−
Z
1
−
α
2
)
Power = 1-\beta = \Phi(Z-Z_{1-\frac \alpha 2})
Power=1−β=Φ(Z−Z1−2α)
n = ( Z 1 − β + Z 1 − α 2 ) 2 + ( s x 2 + s y 2 ) δ 2 n =\frac{(Z_{1-\beta}+Z_{1-\frac \alpha 2})^2+(s_x^2+s_y^2)} {\delta^2} n=δ2(Z1−β+Z1−2α)2+(sx2+sy2)
标签：frac,over,overline,beta,计算,功效,alpha,Z1,统计 来源： https://blog.csdn.net/weixin_46719623/article/details/120931568
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。