1) composite hypothesis
合成假设
2) composite hypothesis test
合成假设检验
3) hypothesis formation
假设形成
4) hypothesis-generation
假设生成
1.
The results revealed that the performance of rule-discovery task could be improved if hypothesis-generation was facilitated.
在"2-4-6"规则发现任务中,设置有无假设、有无列表和任务结构三个变量,考察任务结构和假设生成难度对假设检验成绩的影响,结果发现:有无列表主效应显著,但只有在无假设情况下有列表组成绩好于无列表组,有假设组中,有无列表效应不显著;任务结构和有无假设两个因素主效应都不显著;三种目标规则难度没有显著差异,但分别在有、无假设条件下三种规则难度表现出不同趋势的显著差异。
5) Assumption set
假设集合
6) reasonable assumption
合理假设
1.
We also propose there are more than one reasonable assumption for the same problem.
解析了在用微积分解决实际问题过程中合理假设的含义,提出对同一待求量的合理假设不止一个,分析了一个错误假设的原因。
补充资料：假设检验
| 假设检验 hypothesis testing 一种基本的统计推断形式。又称统计假设检验。数理统计学的一个重要分支。假设是指关于总体分布的一项命题 。例如 ，一群人的身高服从正态分布N（μ ，σ2），则命题“这群人的平均身高μ≤1.70（米)”是一个假设 。又如，有一批产品，其废品率为p，则“废品率p≤0.03”这个命题也是一个假设。假设是否正确， 要用从总体中抽出的样本进行检验，与此有关的理论和方法，构成假设检验的内容。 设A是关于总体分布的一项命题，所有使命题A 成立的总体分布构成一个集合H0，称为原假设（常简称假设）。使命题A不成立的所有总体分布构成另一个集合H1 ，称为各择假设。如果H0可以通过有限个实参数来描述，则称为参数假设，否则称为非参数假设（见非参数统计）。如果H0（或H1）只包含一个分布，则称原假设（或备择假设）为简单假设，否则为复合假设。对一个假设H0进行检验，就是要制定一个规则，使得有了样本以后 ，根据这个规则可以决定是接受它（承认命题A正确），还是拒绝它（否认命题A正确)。这样， 所有可能的样本所组成的空间（称为样本空间），被划分为两部分  A和 R（ A的补集)，当样本x∈ R时，接受假设H0 ；当x∈ R时，拒绝H0 。集合 R常称为检验的拒绝域， A称为接受域。因此选定一个检验法 ，也就选定一个拒绝域 ，故常把检验法本身与拒绝域 R 等同起来。J.奈曼与E.S.皮尔森合作，从1928年开始，对假设检验提出了一项系统的理论。他们认为，在检验一个假设H0时可能犯两类错误： 第一类错误是真实情况为H0成立，但判断H0不成立，犯了“以真为假”的错误。第二类错误是H0 实际不成立，但判断它成立，犯了“以假为真”的错误。通常人们不希望轻易拒绝H0。例如工厂的产品一般是合格的 ，出厂进行抽样检查时不希望轻易地被认为不合格，即犯第一类错误的概率不能太大，于是在限定犯第一类错误的概率不超过某个指定值a（称为检验水平）的条件下，寻求犯第二类错误尽可能小的检验方法。 基于奈曼-皮尔森理论及统计决策理论，提出了一些优良性准则，来比较为检验同一假设而提出的各种检验。较重要的有一致最大功效（UMP）准则和无偏性准则， 把统计决策理论中容许性、同变性、贝叶斯决策、最小化最大等概念引进到假设检验中来，得到容许检验、同变检验、贝叶斯检验和最小化最大检验等。寻求在一定准则下的最优检验是十分困难的，何况这种最优检验有时并不存在。于是提出了若干依据直观的推理法，得到相应的拒绝域，其中最重要的是似然比法。 似然比检验是运用与最大似然法类似的原理，得到似然比检验法。用似然比法导出的重要检验有：①U检验。若总体服从正态分布，方差已知，检验总体均值是否等于（大于等于或小于等于）某个值时，使用U检验。②t检验。若总体服从正态分布，方差未知，检验总体均值是否等于（大于等于或小于等于）某个值时，使用t检验。③F检验。若两个总体均服从正态分布，检验这两个总体的方差是否相等（大于等于或小于等于）时，使用F检验。在方差分析中广泛使用F检验。 |
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条