常见问题-关于Beta风险 ,Alpha风险,Power以及Sample size之间的关系?
[img]http://www3.6sq.net/cdb/pic/cbV5_0d3Kvs7EuOUz.jpg[/img]如果两个总体的确有不同的平均数,但差别很小,然而你更倾向认为它们是相同的,这就表示Alpha风险更大.
Belta风险表现在当零(原)假设的确是错的,错得 “越厉害”,察觉它的可能性就越大,Belta 风险越低.
假设性检验的功效 power 是探测给定的一个量的影响的能力.
Power = 1 - Belta
Minitab 会为我们计算给定的一个样本的 beta 值, 但首先让我们用图形说明一下….
[img]http://www3.6sq.net/cdb/pic/9Rk2_u8O1xsasMQ==.jpg[/img][img]http://www3.6sq.net/cdb/pic/F9e7_u8O1xsasMg==.jpg[/img][img]http://www3.6sq.net/cdb/pic/pykh_u8O1xsasMw==.jpg[/img][img]http://www3.6sq.net/cdb/pic/Bfy2_u8O1xsasNA==.jpg[/img][img]http://www3.6sq.net/cdb/pic/APXz_u8O1xsasNQ==.jpg[/img][img]http://www3.6sq.net/cdb/pic/ya3i_u8O1xsasNg==.jpg[/img][img]http://www3.6sq.net/cdb/pic/hBe4_u8O1xsasNw==.jpg[/img] O兄能推出这个主题,应该是合大家口味的……
很多资料中都提到了Beta风险 ,Alpha风险,但是,讲都是一句话带过,讲明白的不多,我也是粗浅理解,对于Alpha风险,从置信水平定义来看,我的看法和O兄没有区别,但是对于Beta风险,我是这样认为的,但是也没有把握,说出来与大家一起讨论之……:):)
我认为O兄的第二幅图应用如下画法:
[img]http://www3.6sq.net/cdb/pic/e6fr_Beta-Alpha.jpg[/img]
[size=4]究竟Beta与Alpha之间有没有固定关系?我想没有,不知大家如何认为……[/size]
[ Last edited by drinkingsnow on 2003-8-27 at 08:36 ] 这个问题过两天我有空的时候我想我可以给大家解释清楚。 [quote]Originally posted by [i]tina[/i] at 2003-8-27 09:52 AM:
这个问题过两天我有空的时候我想我可以给大家解释清楚。 [/quote]
[color=Red][font=黑体][size=4]“起的早不一定身体好”[/size][/font][/color]
看到老兄的留言,方知此言真矣!
此问题我一直是模糊不清,知道所以然,却不知其所以然,甚至所以然也不清楚?:(:(:(
{V[color=Red][font=黑体][size=4]期待君早至!!![/size][/font][/color] [quote]Originally posted by [i]drinkingsnow[/i] at 2003-8-27 08:33 AM:
O兄能推出这个主题,应该是合大家口味的……
很多资料中都提到了Beta风险 ,Alpha风险,但是,讲都是一句话带过,讲明白的不多,我也是粗浅理解,对于Alpha风险,从置信水平定义来看,我的看法和O兄没有区别,但 ... [/quote]
你的图形中的BELTA风险的阴影区域是错误的,应该是下面的图形:
[img]http://www3.6sq.net/cdb/pic/JhJN_0d3Kvs7EuOUx.jpg[/img] 好东东啊。谢谢这位大侠 第一类和第二类风险理解上是没有多大难度的,想请教一下如何减小呢? 第一个图形就错了!将I类错误写成了II类错误了;II类错误写成I类错误了! ALPHA 与BELTA有联系,
我们做判断时,会犯其中一个错误,
但不能两个错误都不犯. [quote]Originally posted by [i]lygwzqiu[/i] at 2003-11-4 03:44 PM:
第一个图形就错了!将I类错误写成了II类错误了;II类错误写成I类错误了! [/quote]
胡说!
第一类错误又叫拒真风险,生产者风险,阿尔法风险;
第二类错误又叫受伪风险,消费者风险,贝塔风险。
当然,我还喜欢称第一个风险为冤枉一个好人的风险,第二个为放过一个坏人的风险。
the relationship among α,β,and the sample size n
1.For a given level of significance α,increasing the sample size will reduce β.2.For a given sample size,decrease α will increase β,whereas increasing αwill decrease β. 精彩! 第一类错误又叫拒真风险,生产者风险,阿尔法风险;
第二类错误又叫受伪风险,消费者风险,贝塔风险。
这里有点像上课
上学时老师好象是这么说的,给定一个样本,设其均值为u,标准差为s,样本数为n,那么其均值的分布为Z(u, s*s/n),是一个正态分布。如果我们的判定标准是u1<u<u2,
那么a风险为:当u在规格范围内时,其样本均值小于u1或者大于u2的概率。
而b风险就是:当u在规格范围外时,其样本均值在规格范围内(即大于u1小于u2)的概率。
故从数学上,我们可以得出以下结论:
样本越大,和s越小的道理一样,则a,b风险同时降低
制程稳定的产品,即u接近(u1+u2)/2的产品,其a风险会小一点,而b风险不会有太大变化。
只要是抽样检查,则a,b风险都是不可避免的,只能尽量减小。或者站在效益的角度上让其中一个值减小。 谢谢各位的聪明才智! 这在实际工作中有什么应用,有没有此方面的案例
好好通俗易懂哟!
胡说!第一类错误又叫拒真风险,生产者风险,阿尔法风险;
第二类错误又叫受伪风险,消费者风险,贝塔风险。
当然,我还喜欢称第一个风险为冤枉一个好人的风险,第二个为放过一个坏人的风险。
tKS
好東東喔,好東東,來灌溉灌溉~~~~~呵呵! [quote]Originally posted by [i]Gavine_tang[/i] at 2004-2-25 04:14 PM:这在实际工作中有什么应用,有没有此方面的案例 [/quote]
Alpha risk 和 Belta risk 在SPC中有确定的运用,当你判断你的过程失控而真实情况是受控的时候,你犯了第一类错误,你犯错误的概率有多大呢?就是Alpha risk! 反之,如果你判断你的过程受控而真实情况是已经失控,你犯了第二类错误,你犯错误的概率有多大呢?就是Belta risk! 楼上仁兄既然说到在SPC中的应用, 我们不得不引入平均链长(ARL)的概念。
由alpha and belta risk 又可分为过程受控平均链长和过程失控平均链长。
所谓过程受控平均链长, 即当过程实际处于受控状态, 我们在SPC控制图上将看到连续的受控点, 但是由于抽样带来的拒真风险影响, 在平均一段时间里, 会出现一次错误的失控报警。如图H0所示失控信号。这种在受控状态下, 平均连续无误报警的受控点数即为受控平均链长。通常为alpha的倒数, 如3SIGMA控制图, 受控平均链长为370
所谓过程失控平均链长, 即当过程由于异常因素影响, 均值已经偏移(由Xbar 1 --> Xbar 2), 实际状态处于失控状态, 但是由于
抽样带来的受假风险影响, 我们在SPC控制图上看不到过程失控的信号, 即抽样均值依然落在受控的Xbar1控制线内。直到随后第N次抽样监测
到过程失控。这里N即为失控平均链长。如图所示, 虚线显示过程实际失控, 但是在此抽样方法下, 直到第四点才监测到过程偏移。此时失控链长为3.平均失控链长为(1-BELTA)的倒数
根据抽样频率, ARL又可以有控制点数转化成时间。 How many sample size we can select to make the alpha error down to 0.1 level?
我们选择多少样本数目能使alpha 风险降至0。1,根据什么呢,搬着凳子坐在这里等高手回答 高手们都过来哦,
急需大师们帮助。。。
回复 10#欧立威 的帖子
好贴!第一种错误也叫“弃真”错误,第二种错误也叫"纳伪“错误.
一个非常抽象的概念,被这么多的高人形象化的形容和举例,容易理解很多!:D make a footprint, will study it later! 好东西
好久没有看O大师的文章了~ [quote]原帖由 [i]zsp0911[/i] 于 2008-8-20 21:44 发表 [url=http://bbs.6sq.net/redirect.php?goto=findpost&pid=2352247&ptid=10291][img]http://bbs.6sq.net/images/common/back.gif[/img][/url]
好东西
好久没有看O大师的文章了~ [/quote]
你看的也是好几年前的帖子了,呵呵 每次看到O大师的贴,或多或少的都能学到一些东西! 精辟的解释,让人通俗易懂,顶一下!! β=φ[(3- δ*n^0.5)/f]-φ[(-3-δ*n^0.5)/f]
这里 δ=Δμ/μ0,f=σ1/σ0
sample size=n
Power=1-β O大师的帖子总是引人注目哦!
象我这样的新人派的上用场
页:
[1]
