В реальной жизни, часто бывает трудно понять, среднее население, к примеру, я знаю, что средний возраст 10000 людей Fi составляет 20 лет, но сеть не знает, сколько людей на самом деле означает для общего века Интернета, это может быть 30 лет, может быть 25 лет так часто есть шутка, общие средний Бог может знать.
Но мы можем оценить его статистикой.
ОТ РЕДАКЦИИ
Проверка гипотезы: когда население среднего μ известно (при условии , что я знаю , что это значение или интервал), я буду проверить эту гипотезу , является правильным распределением статистики,
доверительные интервалы: когда μ неизвестно среднего населения , когда я по статистике , чтобы оценить неизвестное среднее население в приблизительном диапазоне лет.
Концепция проверки гипотезы (на самом деле, два шага)
Первый шаг: гипотеза
Второй шаг: проверить гипотезу
Конкретные шаги гипотеза испытания
1. Рассмотрим найти события гипотезы, выдвинутой для своей статистики и написать ее распределение (нормальное, два, хи-квадрат, T, F и т.д.), а затем посмотреть, если дисперсия генеральной совокупности и выборочная дисперсия известна.
Я написал в блоге ранее, существует четыре основных распределение Введения
2. Тогда предположение по умолчанию действует, распределенные вычисления на гипотетических событий Р (р-значение) тестовое значение
Эта вероятность ,
а именно: количество бедного населения среднего и выборочное среднее больше вероятности
: на следующий событие крайние случаи (малая вероятность) вероятность наступления
(по центральной предельной теореме мы знаем , что , когда большое количество образцов, большая часть выборки среднего значения общее среднее значение рядом, так что разница больше , чем определенное количество, мы оцениваем этот тест из выборочного среднего является крайним случаем, или что это небольшая вероятностью событие)
1.首先我们会划分哪些为小概率事件
2.然后将小概率事件发生的概率相加起来
3.当事件样本非常大的时候，经过多年的检验的测算，我们发现一般相加得到的小概率事件发生的概率为0.05或者0.01或者0.1。（根据小概率原理）
4.我们将所有极端事件发生（小概率事件发生）的概率即0.05或者0.1定义为显著性水平
显著性水平为α，意为对于极端事件的极端字眼做一个界限
或者说是调控极端事件的极端程度
当原假设为真时所得到的样本观察结果或更极端结果出现的概率
p值我们一般取的是假设事件较为极端（小概率发生）的一面
如果我假设的事件主观上我认为发生概率很大，我的p值就设假设的反面，算反面的概率，如果我假设的事件主观上我认为发生概率很小，我的p值就设假设的正面，
但是我们一般把我们认为该事件不太可能发生的情况作为假设，为此来判断该事件是否为小概率事件，p越小越拒绝原假设，越大越接受原假设。
原因很简单：因为显著性水平是来评判小概率事件的，而要与显著性水平比较概率，我们也应该把事件的不太可能发生的情况作为假设来算概率与之检验。
3.将P值与显著水平进行比较，一般我们显著水平设为0.05
若我认为假设的事件发生概率很大，我p值设的是假设的反面
当P值比显著水平还小时，说明这个假设的反面事件发生概率巨小，明显假设正确。
当P值比显著水平还大时，说明这个假设的反面事件发生概率符合显著水平，假设假设错误。
若我认为假设的事件发生概率很小，我p值设的是假设的正面
当P值比显著水平还小时，说明这个假设事件发生概率巨小，明显假设错误。
当P值比显著水平还大时，说明这个假设事件发生概率符合显著水平，假设假设正确。
但是我们一般把我们认为该事件不太可能发生的情况作为假设，为此来判断该事件是否为小概率事件，p越小越拒绝原假设，越大越接受原假设。
这句话我要说两遍，因为总有人会把假设事件设为大概率事件。
这个为小概率事件发生的概率，展开写x拔到μ0的距离
这就是拒绝域，
若总体方差知道，我们将其标准正态化，
若总体方差不知道，我们用样本标准差代替将其化为t分布化
所以我们既可以通过p值检验，也可以通过x拔是否在拒绝域里检验，貌似都是一样的。
置信区间的概念
理解前提：中心极限定理和大数定理
大数定理用一句话概括：
1.当你抽的样本越多，越接近总体的数量，那么他的样本均值越会趋近于总体均值。
中心极限定理两句话概括：
1.样本平均值约等于总体平均值。
2.不管总体是什么分布，抽的样本足够大时，样本平均值的分布呈正态分布。
（说人话就是我测1000个学生的学习水平能得到中国所有学生学习水平，因为抽样样本的平均值和总体样本的平均值差不多。而且呈正态分布，也就是你去抽1000份样本平均值，大部分都在总体平均值周围，2条正好更能说明1条是正确的）
Gerry искусство теорема одно предложения:
1. Размер выборки чрезвычайно велик, распределение выборки близко к общему распределению.
Когда общее нормальное распределение, среднее распределение образцов , взятых всегда нормально распределены (размер выборки равен 1, также удовлетворены) В
целом обычно не распределены, один размер выборки> = 30 раз, распределение выборочного среднего в строке п нормальное распределение; (центральная предельная теорема)
Доверительный интервал представляет собой метод интервальной оценки. 95% доверительный интервал
Поэтому, чтобы получить образец достаточно большой, потому что выборочное среднее распределение подчиняется нормальному распределению,
