u检验粗浅理解
假设检验是以小概率事件,在一次实验中是不可能发生为前提(事实上是有可能发生的,但不是这样说的话,就落入一个圈,不能继续玩了),来否认原假设。
u检验的定义:
已知从正态母体N(u,σ2)中抽得容量为n的子样,求得子样的均值x,而且假设母体的方差σ2 为已知值,那么可利用统计量
u = (x - μ) / (σ / √n) ~ N(0,1)
检验母体期望μ是否与某一常数相符进行检验。
(意思是说,我们假设的μ是母体均值,n是样本数,构造了u,u服从正态分布,其均值为0,中误差为1)
正态分布,可以网上查,就是对某个测量量,均值+误差的概率情况。
(标准正态分布曲线,假设均值u等于0;如果不是标准正态分布曲线,那么u相当于向左向右偏)
例如:对一短距离,测量10000次,得到中误差±σ10000 ,已经非常接近1σ 了。
而测了100次,可能得到的中误差在±1σ到±2σ之间。
(所以有一种说法,就是如果做了大量测试,得到某个均值a,中误差σ' (因为我们永远不知道真正的σ,毕竟不能做无限次测试),假如另外再测一次,得到的值为b , 如果|b - a| > 2σ ,那么认为b是噪点,毕竟从正态分布来看,大于2σ的值概率已经小于5%了)
那么,u分布到底是怎么回事呢?
(1) 假如已知母体方差σ2 ,意思应该是,已知一个仪器测量的方差 。 (仪器的方差,也是通过大量测试一个量,求方差得出来的,很接近真的σ)
(2) 子样的均值x ,意思应该是,测了多次,例如:1.01,1.01,1.019,1.00,0.999,……,然后求出均值,假如为x,但是≠1
(3) 母体期望μ , 就是说我们假设的一个值。例如上面,样本均值为x≠1,但是很接近1,那么可以假设μ = 1
(为什么不干脆说,母体期望μ 直接就等于x好了,干嘛多次一举?因为任性…… 如果都这样的话,就不需要搞u检验了,u检验没意义,相当于主观的100%认定μ=x,没必要检验)
u = (x - μ) / (σ / √n)
分母(σ / √n) , 就是根据误差传播定律,得到x的精度
所以,u就是:假设值 - 样本均值 : 样本精度
那么,如何检验?
在假设检验前,还有有一个值,就是对:假设μ = 1的显著水平,一般称为a值进行评估。
如果我们坚信,母体均值μ 就是等于 1 , “坚信”这个东西,也是有值的;
“坚信”值95%,就是有5%怀疑 “μ 就是等于 1” 是错的。
a的意思是,“怀疑”程度。
如果相信假设的μ就是母体均值 , 那么a设置小一点,例如:5%(0.05)、1%(0.01)
那么,u计算好,有a,就愉快的差表了。
查表,其实就是反算u' ,和u的关系。
看上面正态分布的图:
假设a是5%,那么得到的u' = 0 + 1.96 , 那么如果 -u' < u < u' ,就说明了这个u在接受域内,假设成立。
应用:
例子一:测定高温对距离测量的影响
1. 假如在高温度T的时候,测n次距离样本,得到了样本均值x
2. 假如在常温下,大量(比n大得多)测得距离均值为μ
那么,可以做假设检验:
由于相信μ ,所以设置a = 0.001,表示对μ的怀疑度很低。
如果u超出了接受域,那么认为μ是错的;但是,实际上μ又是对的,因为在条件很好且大量测得的情况下得到的。
所以,有一个结论,就是样本均值x测得很不好,导致拒绝了母体均值为μ的假设。
例子二:测定粗差
1. 假设测了n(n很大)次距离,得到样本均值x
2. 在和1的条件相同的情况下,测得另外一个距离值,测了m(m远小于n)次,均值为μ
那么可以做假设检验:
由于不太相信μ ,设置a = 0.05,表示对μ的怀疑度高。
如果超出了接受域,那么认为μ是错的,也就是m次的均值μ仍然存在粗差
更深入:
u = (x - μ) / (σ / √n)
假设分母是vi = Bx - l,中,vi的精度 。 (可以先平差,求出x的精度,然后根据误差传播定律,得到v的精度)
由于v是观测值改正数,其数学期望当然为0,因此μ=0;
如果对一个值,观测了十分多次,那么其观测值改正数当然要为0的了,因此可以将a设小点。
然后做检验。如果在接受域内,那么证明vi是对的;否则vi是错的,有粗差
u检验粗浅理解的更多相关文章
- paxos算法之粗浅理解
paxos出身 paxos出身名门,它爹是没多久前获得图灵奖的在分布式领域大名鼎鼎的LeslieLamport. paxos为何而生 那么Lamport他老人家为什么要搞这个东东呢,不是吃饱了撑的,而 ...
- 对js闭包的粗浅理解
只能是粗浅的,毕竟js用法太灵活. 首先抛概念:闭包(closure)是函数对象与变量作用域链在某种形式上的关联,是一种对变量的获取机制.这样写鬼能看懂. 所以要大致搞清三个东西:函数对象(funct ...
- C#高级编程笔记 Delegate 的粗浅理解 2016年9月 13日
Delegate [重中之重] 委托 定义一:(参考)http://www.cnblogs.com/zhangchenliang/archive/2012/09/19/2694430.html 完全可 ...
- 对Java框架spring、hibernate、Struts的粗浅理解
对 Struts 的理解:1. struts 是一个按 MVC 模式设计的 Web 层框架,其实它就是一个大大的 servlet,这个Servlet 名为 ActionServlet,或是 Actio ...
- UNITY 画布的粗浅理解
画布:当画布是screen-space overlay时,这个好理解,画布可以控制如分辨率,层次等.但当画布是 world-space时,这个严格来说就不算是一个画布了,屏幕空间或相机空间的画布是先绘 ...
- 关于</div>的粗浅理解
</div>作为c#中常用的一个标签,在写多个区域的内容时有着十分重要的作用.如果写简单的网页时不用div可能感受不到太大的影响,但是在写较为复杂的程序时div的分隔作用就很明显了,改动大 ...
- function的粗浅理解
<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title> ...
- 关于JavaScript闭包的粗浅理解
在JavaScript中,使用var创建变量,会创建全局变量或局部变量. 只有在非函数内创建的变量,才是全局变量,该变量可以在任何地方被读取. 而在函数内创建变量时,只有在函数内部才可读取.在函数外部 ...
- CQRS粗浅理解
CQRS(命令查询责任分离)是一种奇特的模式,表示解耦系统的输入和输出. 通常情况下,输入端将数据写到数据库,输出端从数据库查询.与读写锁的场景类似,写的过程中不能读.正常情况下没有问题,但是在大规模 ...
随机推荐
- vue- Vue-Cli脚手架工具安装 -创建项目-页面开发流程-组件生命周期- -03
目录 Vue-Cli 项目环境搭建 与 python 基础环境对比 环境搭建 创建启动 vue 项目 命令创建项目(步骤小多) 启动 vue 项目(命令行方式) 启动 vue 项目(pycharm 方 ...
- vue-hash-calendar,移动端日期时间选择插件
按照惯例,先上效果图 vue-hash-calendar 基于 vue 2.X 开发的日历组件 支持手势滑动操作·1 原生 js 开发,没引入第三方库 上下滑动 切换 周/月 模式 [周模式中] 左右 ...
- Spring Security 自定义登录认证(二)
一.前言 本篇文章将讲述Spring Security自定义登录认证校验用户名.密码,自定义密码加密方式,以及在前后端分离的情况下认证失败或成功处理返回json格式数据 温馨小提示:Spring Se ...
- Java自动化测试框架-02 - TestNG之理论实践 - 纸上得来终觉浅,绝知此事要躬行(详细教程)
理论 TestNG,即Testing, NextGeneration,下一代测试技术,是一套根据JUnit 和NUnit思想而构建的利用注释来强化测试功能的一个测试框架,即可以用来做单元测试,也可以用 ...
- webapck 按需加载及版本控制问题
在启用webpack的懒加载(按需加载)后,我们会遇到要解决缓存的问题. 解决缓存问题有几种方法: 第一种就是加个hash值.便每次修改后所编译后的文件名都不一样.这样能达到预期解决缓存的效果.具体设 ...
- [USACO15DEC]高低卡(白金)High Card Low Card (Platinum)
题目描述 Bessie the cow is a hu e fan of card games, which is quite surprising, given her lack of opposa ...
- gedit 外部工具——快捷运行
可快捷编译运行一些代码,适合新手使用. 配置如下. 快捷键:F5 保存:当前文档 输入:无 输出:无 使用范围:所有文档,所有语言 脚本如下. #!/bin/sh #author: srczhang# ...
- wait,notify,notifyAll详细介绍
https://www.cnblogs.com/pangyang/articles/5916349.html
- advisor调优工具优化sql(基于sql_id)
advisor调优工具优化sql(基于sql_id) 问题背景:客户反馈数据库迁移后cpu负载激增,帮忙查看原因 解决思路:1> 查看问题系统发现有大量的latch: cache buffers ...
- opencv实践::对象的提取
问题描述 真实案例,对图像中对象进行提取,获取这样对象,去掉其它干扰和非目标对象. 解决思路 二值分割 + 形态学处理 +横纵比计算 #include <opencv2/opencv.hpp&g ...