Проверка гипотезы о равенстве дисперсий

При анализе точности измерений (одних и тех же физических величин), выполненных в различных условиях, например, различными измерительными приборами, возникает задача сравнения дисперсии.

Рассмотрим вначале для простоты две серии опытов. В каждой из них выделим

выборки объемом п и n вычислим для них средние значения и . Поскольку точность измерений в этих сериях неизвестна, то для ее оценки по (3) вычислим эмпирические дисперсии и , где > При известных п и n для каждой из них определяют число степеней свободы K = n -1 и K₂ = n ₂ -1. Полученных данных достаточно для решения вопроса о случайном или неслучайномотличии дисперсий. Для этого рассчитываем наблюдаемое значение критерия Фишера. . (13)

Рассуждая далее в предположении, что гипотеза Н₀ верна, мы можем найти вероятность того, что вычисленное по выборке окажется больше, чем некоторое значение . Эта вероятность равна

Р { > } =

и геометрически она определяется площадью, ограниченной кривой плотности

распределения от до +∞. Здесь α - уровень значимости. Его выбирают малым числом (обычно 0,05; 0,01) с тем, чтобы можно было считать практически

невозможным, что вычисленное по выборке окажется больше , когда верна гипотеза Н₀. Таким образом, точка определяет область непринятия

гипотезы Н₀ (рис. 7). Если окажется меньше , то можно считать, что гипотеза Н₀: μ = μ ₀ не противоречит выборочным данным. В противном случае гипотеза Н₀ отвергается, т. е. значение сопротивления резисторов контролируемой партии не соответствует требуемому номинальному значению. Вероятность принять ошибочное решение, т. е. отвергнуть гипотезу Н₀, когда она верна, равна α. Эту ошибку называют ошибкой первого рода. Возможно ошибочное решение и другого вида - принятие гипотезы Н₀, когда она не верна. Вероятность этой ошибки, называемой ошибкой второго рода, увеличивается с уменьшением α Для оценки вероятности этой ошибки необходимо выдвинуть конкурирующую гипотезу Н : μ=μ >μ . Это возможно, когда по условиям опыта есть основания предложить альтернативное решение такого вида. На рис. 8 показаны кривые

плотности распределения выборочного среднего для случаев, когда верна гипотеза Н₀ (сплошная линия) и гипотеза Н (пунктирная линия). Для выбранного уровня значимости α области принятия гипотезы Н₀ определены, как это показано на рис. 8.

F( ) область принятия область непринятия гипотезы

гипотезы

β

α

μ ₀ μ

Рис.8.

Вероятность ошибки второго рода β, как следует из рис. 8, равна площади под кривой f (), когда верна Н , от -∞ до . Рассмотренные случаи можно свести в таблицу следующего вида:

Таблица 4.

Гипотеза	Верна	Неверна
Отвергается	Ошибка первого рода с вероятностью α	Правильное решение с вероятностью 1- β
Не отвергается	Правильное решение с вероятностью 1- α	Ошибка второго рода с вероятностью β

С увеличением разности μ - μ вероятность ошибки второго рода уменьшается. Как следует из рис.8, при фиксированных значениях μ и μ стремление уменьшить вероятность ошибки другого вида. Для одновременного уменьшения α и β необходимо увеличивать объем выборки, что может оказаться либо невозможным, либо экономически нецелесообразным на практике.

Если конкурирующей гипотезой является гипотеза Н₁: μ < μ , то области принятия и непринятия гипотезы Н₀: μ = μ , будут расположены так, как показано на рис. 9.

f()

область область

непринятия принятия

гипотезы гипотезы

Рис.9

При конкурирующей гипотезе Н₁: μ ≠ μ области принятия и непринятия гипотезы Н₀ представлены на рис. 10.

Определение вида конкурирующей гипотезы зависит от конкретных условий решаемой задачи. Однако следует иметь в виду, что при прочих равных условиях односторонний критерий (рис. 9) предпочтительнее двустороннего (рис. 10), так как обладает меньшей вероятностью ошибки второго рода.

область принятия

f()

область область непринятия

непринятия гипотезы

гипотезы

Рис 10.

Итак, для проверки статистической гипотезы относительно какого-либо параметра закона распределения необходимо знать закон распределения этого параметра. Так как наиболее полно изучены выборочные распределения для нормально распределенных случайных величин, будем рассматривать методы проверки статистических гипотез для случайных величин с нормальным законом распределения.