两样本均数的比较

合集下载

医学统计学第七章两样本均数比较的假设检验

图一两组乳猪脑组织钙泵含量该例为异源配对设计，首先对对照组和试验组数据差值进行正态检验。

Analyse-Descriptive Statics-Explore。

结果如下：图二差值正态检验结果因样本数量为7，需看Shapiro-Wilk，其值为0.771>0.05，服从正态分布。

可用配对样本均数的t检验。

(1)建立假设、确定检验水准α。

H0:µd=0,即两种处理的猪脑组织该泵的含量无差别。

H1:µd≠0, 即两种处理的猪脑组织该泵的含量有差别。

检验水准α=0.05(2)进行t检验Analyse-Compare Means-paired samples T test，结果如下：图三配对t检验结果95%的置信区间为(-0.009,0.097)，包含0值，故接受H0,拒绝H1，两组间差别没有统计学意义，根据实验结果尚不能认为两种处理对猪组织钙泵含量有影响。

图四A、B鼠肝中铁的含量该例为完全随机设计。

首先对A、B两组进行正态性检验。

Analyse-Descriptive Statics-Explore。

结果如下：图五A、B两组鼠肝中铁含量的正态检验因样本数量为10，需看Shapiro-Wilk，A组值为0.319>0.05，服从正态分布。

B组值为0.269>0.05，服从正态分布。

对两组进行两样本方差齐性检验，Analyse-Compare Means-Independent samples T test结果为：图六A、B两组的方差齐性检验和t检验由上图得该两组样本方差齐性检验不满足方差齐性(F=8.246，P<0.05)。

可用均数比较的t`检验。

(1)建立假设、确定检验水准α。

H0:µ1=µ2,即不同饲料对鼠肝中铁的含量无影响。

H1:µ1≠µ2,即不同饲料对鼠肝中铁的含量有影响。

检验水准α=0.05(2)进行t检验如上述图六所示，两组样本方差齐性检验不满足方差齐性时，其95%的置信区间为(-0.1674,1.64674),包含0值。

双样本均值比较分析假设检验

双样本均值比较分析假设检验在进行双样本均值比较分析假设检验之前，需要建立以下的假设：-零假设（H0）：两个样本的均值相等，即差异为零。

-备择假设（H1）：两个样本的均值不相等，即差异不为零。

接下来的步骤是计算样本的均值、标准差和样本容量，并且通过标准误差来计算检验统计量。

常用的检验统计量有t统计量和z统计量，选择哪种统计量取决于样本容量是否足够大。

如果样本容量足够大，通常使用z统计量进行假设检验。

计算z统计量的公式如下：z = (x1 - x2) / sqrt(s1^2 / n1 + s2^2 / n2)其中，x1和x2分别是两个样本的均值，s1和s2分别是两个样本的标准差，n1和n2分别是两个样本的容量。

如果样本容量较小，那么应该使用t统计量进行假设检验。

计算t统计量的公式如下：t = (x1 - x2) / sqrt(s1^2 / n1 + s2^2 / n2)在计算了检验统计量之后，需要根据显著性水平（通常为0.05）来确定拒绝域的边界。

拒绝域是指当检验统计量的取值落在这个区域之内时，拒绝零假设，即认为两个样本的均值存在显著差异。

最后，根据计算的检验统计量与拒绝域的比较结果，得出是否拒绝零假设的结论。

如果检验统计量的取值落在拒绝域之内，那么可以拒绝零假设，认为两个样本的均值存在显著差异。

需要注意的是，这种假设检验只能提供统计显著性的结论，而不是实际意义的差异。

所以在进行假设检验之前，需要对样本差异的实际意义进行考量。

总之，双样本均值比较分析假设检验是一种常用的统计方法，可以用于比较两个独立样本的均值是否存在显著差异。

通过计算检验统计量和拒绝域的比较，可以得出是否拒绝零假设的结论。

由两个独立样本计算的两个总体均数的可信区间

一、概述两个总体均数的可信区间是用来衡量两个独立样本的均值之间的差异程度的重要工具。

在许多研究和实验中，我们常常需要对两个总体的均值进行比较，而两个总体均数的可信区间可以帮助我们对这种比较进行量化和解释。

本文将介绍如何根据两个独立样本来计算两个总体均数的可信区间，并探讨其在实际应用中的意义和局限性。

二、概念解释1.总体均数：总体是指研究对象的全体，而总体均数则是对这一全体的均值进行描述的统计量。

总体均数通常用μ表示。

2.可信区间：在统计学中，可信区间是用来估计总体参数（如均数）的区间估计。

它提供了一个区间，使得我们可以以一定的置信水平来推断总体参数的值。

3.独立样本：在统计学中，独立样本是指来自各自总体的样本，在处理过程中彼此之间相互独立。

独立样本通常用于比较两个或多个总体的均值。

三、两个总体均数的可信区间的计算方法要计算两个总体均数的可信区间，我们首先需要计算两个独立样本的均值和标准差，然后结合样本量和置信水平进行计算。

1.计算两个独立样本的均值：分别对两个样本中的观测值求均值，得到样本均值x̄1和x̄2。

2.计算两个独立样本的标准差：分别对两个样本中的观测值求标准差，得到样本标准差s1和s2。

3.计算置信水平对应的Z值：根据所选的置信水平，查找标准正态分布表，找到相应的Z值。

4.计算两个总体均数的可信区间：利用样本均值和标准差，以及Z 值，使用下式计算可信区间：（x̄1 - x̄2) ± Z * √(s1²/n1 + s2²/n2)其中，x̄1和x̄2分别为两个样本的均值，s1和s2分别为两个样本的标准差，n1和n2分别为两个样本的样本量，Z为对应于所选置信水平的Z值。

四、两个总体均数的可信区间的应用两个总体均数的可信区间在许多领域都有着广泛的应用。

比如在医学研究中，我们常常需要比较两种治疗方法的有效性，而两个总体均数的可信区间可以帮助我们对两种治疗方法的效果进行量化和解释。

两组样本均数比较的样本含量计算公式

两组样本均数比较的样本含量计算公式在我们的统计学世界里，有一个很重要的工具，那就是两组样本均数比较的样本含量计算公式。

这可不像听起来那么枯燥无聊哦，其实它就像是我们解决问题的一把神奇钥匙。

想象一下，咱们正在研究一种新的教学方法，想看看它是不是真的能提高学生的数学成绩。

一组学生用传统方法学习，另一组用新方法。

这时候，我们怎么知道要找多少学生来做这个实验，才能得出可靠的结论呢？这就要用到咱们的样本含量计算公式啦。

这个公式看起来可能有点复杂，一堆字母和符号。

但是别担心，咱们慢慢捋一捋。

比如说，这里面有个叫“标准差”的家伙，它其实就是反映数据离散程度的。

如果成绩波动很大，标准差就大；要是大家成绩都差不多，标准差就小。

还有个“检验水准”，简单说就是我们能接受犯错误的概率。

比如说，我们把检验水准设为0.05，那就意味着我们最多能容忍5%的犯错机会。

我之前就遇到过这么个事儿。

学校要比较两个班级的语文平均成绩，看看不同的教学方式有没有效果。

我一开始没太在意样本含量的计算，随便选了一些学生。

结果呢，得出来的结论模棱两可，根本没法说明哪种教学方式更好。

这可把我愁坏了！后来我仔细研究了这个样本含量计算公式，重新规划了样本，才得到了比较准确和有意义的结果。

再说说“功效”这个概念。

它就像是我们的目标，我们希望有多大的把握能发现真正的差异。

比如说，我们希望有 80%的把握能检测出两种教学方法导致的成绩差异，那在计算样本含量的时候就得把这个考虑进去。

而且啊，样本含量的计算还得考虑很多实际情况。

比如研究的成本、时间和可行性。

要是算出来需要几百个样本，可我们没那么多资源，那就得重新调整研究方案。

总之，两组样本均数比较的样本含量计算公式虽然有点复杂，但只要我们用心去理解，结合实际情况灵活运用，就能在研究中少走很多弯路，得到更可靠、更有价值的结论。

就像我们在学习和生活中，遇到难题别害怕，多琢磨琢磨，总能找到解决办法的！希望大家以后再碰到类似的问题，都能轻松应对，用这个神奇的公式打开科学研究的大门，发现更多有趣的知识和真理！。

统计学第四讲两组资料均数比较2

优点：配对设计减少了个体差异。
特点：资料成对，每对数据不可拆分。
计算出各对子差值d 的均数d 。当比较组间效果相同时， d 的总体均数 d ＝0，故可将配对设计资料的假设检验视为样本均数d 与总体均数 d =0 的比较，所用方法称为配对 t 检验（paired t-test）方法。 t | d d | | d | , n 1
或50）时，可采用u检验；但只是近似方法。优点：简单，u界值与自由度无关， u0.05＝1.96， u0.01＝2.58
u X1 X2 S
X1 X 2
X1 X2 S12 S22 n1 n2
X1 X2
S 2S 2
X1
X2
第四军医大学卫生统计学教研室 2020年3月28日
五、正态性检验与两方差齐性检验
义
第四军医大学卫生统计学教研室 2020年3月28日
假设检验的步骤
1、建立假设与确定检验水准（α）
H0: μ1＝μ2 无效假设（null hypothesis） H1: μ1≠μ2 备择假设（alternative hypothesis）
检验水准（level of a test）：α=0.05(双侧)
今 F 1.484 F0.05 / 2,6,6 ，P>0.05 ，按α=0.05 水准，不拒绝 H0，两组总体
方差的差别无统计学意义，尚不能认为两组总体方差不等。
若两总体方差不等，即
2 1
2 2
时，
1. 近似 t 检验(separate variance estimation t-test) t'检验
n1
2.6314 1.342 / 12 0.475 12 1
t | d | 0.112 0.817, n 1 12 1 11

成组设计两样本均数的比较.

X1 X 2 (n1 1) s (n2 1) s2 2 1 1 ( ) n1 n2 2 n1 n1
2 1
两样本进行t检验举例
• 两样本标准误 sX1 X 2与H0是否为真无关 • X1 X2 是两个总体均数之差的点估计，因此当H0： µ1=µ2成立时， X1 X2 在大多数情况下非常小或较小，故t检验统计量较小或比较小。 • 反之，当H1：µ1µ2，在大多数情况下较大或很大，所以 t检验统计量比较大 X1 X2 或很大。
两个独立样本平均水平的比较
• 两个独立样本平均水平的比较可以是两样本 t检验，也可以两样本秩和检验。考虑到检验效能的原因，一般采用下列统计分析策略： • 如果满足每组资料近似呈正态分布（或大样本）并且方差齐性，则可用两样本 t 检验；
两个独立样本平均水平比较
• 如果满足每组资料近似呈正态分布（或大样本）但方差不齐，则可用两样本t’检验； • 否则可以用两样本的Wilcoxon秩和检验
对于方差不齐的情况
• 如果每组资料服从正态分布，但方差不齐，则可以用t’检验 • t’检验
t
X1 X 2 X1 X 2 X1 X 2 ห้องสมุดไป่ตู้ 2 2 2 sx x s x s x s1 / n1 s2 2 / n2 1 2
1 2
• 但要根据方差不齐的严重程度调整自由度（见教材），其它与t检验相同。
两样本进行t检验举例
• 可以证明：当H0为真时，t检验统计量服从自由度为n1+n2-2的t分布。故当t检验统计量出现|t|>t0.05/2,n1+n2-2，则这是一个小概率事件，一次随机抽样一般不会出现的，故有理由怀疑H0非真所致，古可以拒绝H0。 • 本例t=3.5872>>临界值t0.05/2,n1+n2-2

统计学两样本均数比较的t检验

IQR法、Z分数法等）识别异常值，并进行处理。
处理方式
对于异常值，可以采用删除、替换或用中位数修正等方式进行处理。具体处理方式应根据实际情况和数据分布特点进行选择，并确保处理后的数据仍然能够反映总体情况。
实验设计和伦理考虑
实验设计
在进行t检验之前，应进行充分的实验设计，确保实验的合理性和科学性。实验设计应考虑各种因素对实验结果的影响，并尽量减小误差和干扰因素。
确定p值：根据t统计量和自由度，查表或使用统计软件计算 p值。
步骤1
收集数据：分别从两个独立样本中收集数据，并记录在表格中。
步骤3
计算t统计量：根据两组样本的均数和标准差，计算t统计量。
步骤5
结果解读：根据p值判断两组样本均数之间的差异是否具有统计学上的显著性。
结果解读
• 结果解读：根据p值的大小来判断两组样本均数之间的差异是否具有统计学上的显著性。通常，如果p值小于 0.05，则认为两组样本均数之间存在显著差异；如果p值大于0.05，则认为两组样本均数之间无显著差异。
对差值数据进行描述性统计分析，计算差值的均值和标准差。
计算t统计量
根据差值的均值、标准差以及自由度，计算t统计量。
收集两个配对样本的数据
确保两个样本具有相同的样本量，且每个样本中的数值都是配对的。
判断显著性
பைடு நூலகம்根据t分布表或使用统计软件，查找对应的p值，判断两个配对样本均数是否存在显著差异。
结果解读
伦理考虑
在实验设计过程中，还应考虑伦理问题。应尊重受试者的权益和尊严，确保受试者的安全和隐私。同时，应遵循国际公认的伦理准则和法律法规，如《赫尔辛基宣言》等。
06 案例分析

两样本均数比较的估算公式

两样本均数比较的估算公式在咱们的数学世界里，两样本均数比较的估算公式就像是一把神奇的钥匙，能帮我们打开很多知识的大门。

咱先来说说啥是两样本均数比较。

比如说，有两个班级，一班的数学平均成绩是 85 分，二班的数学平均成绩是 90 分。

这时候，咱们就想知道，这两个班的成绩差异是偶然的呢，还是真的有明显不同。

这就用到两样本均数比较啦。

那估算公式到底是啥呢？它就像是一个数学小精灵，能告诉我们这两个样本的均数之间有没有显著的差别。

这个公式看起来可能有点复杂，一堆字母和符号，但别害怕，咱们一点点来。

我记得有一次，我在给学生们讲这个知识点的时候，有个特别可爱的小同学，瞪着大眼睛，一脸困惑地问我：“老师，这公式到底有啥用啊？感觉好难哦！”我笑着跟他说：“你想想啊，假如咱们要比较两个城市小学生的身高平均值，通过这个公式就能知道是不是一个城市的孩子普遍比另一个城市的孩子高，这多有趣啊！”咱们来具体看看这个公式。

它里面涉及到样本的大小、均数、标准差等等。

这些东西就像是一块块拼图，拼在一起就能得出咱们想要的答案。

比如说，样本大小决定了我们这个比较的可靠性，样本越大，结果就越可靠。

再说说均数，它就像是一个班级成绩的代表，能让我们大概了解整体的水平。

而标准差呢，能告诉我们数据的离散程度，也就是大家的成绩是不是相差很大。

在实际运用中，咱们得小心一些常见的错误。

可别把数据弄错了，或者忘了公式的使用条件。

这就好比做饭的时候，盐放多了或者火候没掌握好，那这道菜可就不美味啦。

还有啊，这个公式可不只是在数学考试里有用。

比如说，在医学研究中，医生们想比较两种药物的疗效；在市场调查中，想看看不同地区消费者的平均消费金额。

它都能发挥大作用。

总之，两样本均数比较的估算公式虽然有点复杂，但只要咱们耐心琢磨，多做练习，就能把它变成我们的好帮手，让我们在数学的海洋里畅游得更欢快！就像那个可爱的小同学，后来他通过努力，终于掌握了这个公式，那开心的样子，让我也特别有成就感。

两组数据作均数差别的t检验要求

两组数据作均数差别的t检验要求
本文将对两组数据作均数差别的t检验。

t检验是一种用于检验两组样本均数之间是否有显著差异的统计检验方法。

通过检验，我们可以推断两组样本均数之间是否存在显著的差异。

为了进行均数差别的t检验，首先需要进行以下假设：
1、两组数据来源于正态分布的总体；
2、样本容量足够大，可以认为是无限大；
3、两组数据之间的方差相等。

根据上述假设，可以使用t检验检验两组数据均数之间的差异。

通过检验，可以得出t统计量的值以及p值，t统计量的值越大就表明两组数据的均数差异越显著，而p值越小则表明两组数据的均数差异越显著。

如果p值小于某一个特定的显著水平，则可以拒绝原假设，认为两组数据的均数有显著差异。

本文通过介绍了t检验，以及如何使用t检验检验两组数据均数之间的差异，以期望能够帮助读者更好地理解t检验的原理及运用。

质量资格辅导资料：多个样本均数的两两比较

经过⽅差分析若拒绝了检验假设，只能说明多个样本总体均数不相等或不全相等。

若要得到各组均数间更详细的信息，应在⽅差分析的基础上进⾏多个样本均数的两两⽐较。

1.多个样本均数间两两⽐较
多个样本均数间两两⽐较常⽤q检验的⽅法，即 Newman-kueuls法，其基本步骤为：
建⽴检验假设——>样本均数排序——>计算q值——>查q界值表判断结果。

2.多个实验组与⼀个对照组均数间两两⽐较
多个实验组与⼀个对照组均数间两两⽐较，若⽬的是减⼩第II类错误，选⽤最⼩显著差法（LSD法）；若⽬的是减⼩第I类错误，选⽤新复极差法，前者查t界值表，后者查q‘界值表。

多个样本均数间的两两比较

ＬＳＤ－ｔ检验即最小显著差法，是Ｆｉｓｈｅｒ１９３５年提出的，多用于检验某一对或某几对在专业上有特殊探索价值的均数间的两两比较，并且在多组均数的方差分析没有推翻无效假设Ｈ０时也可以应用。ＬＳＤ－ｔ检验统计量的计算公式［１］为：
ＬＳＤ－ｔ＝Ｘｉ－Ｘｊ，ｖ＝ｖ误差ＳＸｉ－Ｘｊ
界值
｜均数差值｜标准差统计量
Ｐ
０．０５０．０１
党参组与对照组
７．７
１．１３６．８１２．４３２．７２＜０．００１
黄芪组与对照组
８．１
１．１３７．１７２．４３２．７２＜０．００１
淫羊藿组与对照组１９．５
１．１３１７．２６２．４３２．７２＜０．００１
一般认为，比较组数Ｋ≥３时，任何两个样本的平均数比较会牵连到其它平均数的对比关系，而使比较数再也不是两个相互独立的样本均数的比较，这是ＬＳＤ－ｔ无法克服的缺点。Ｄｕｎｎｅｔｔ－ｔ针对这一问题提出，在同一显著水平上两个均数的最小显
Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉｐｌｅｃｏｍｐａｒｉｓｏｎｓ；ＰｏｓｔＨｏｃｔｅｓｔ
对完全随机设计多组平均水平进行比较时，当资料满足正态性和方差齐性，就可以尝试方差分析，若得到Ｐ＞ ! 的结果（一般 !＝０．０５），不拒绝零假设，认为各组样本来自均数相等的总体，即不同的处理产生的效应居于同一水平，分析到此结束；若方差分析结果Ｐ≤!，则拒绝零假设，接受备择假设，认为各处理组的总体均数不等或不全相等，即各个处理组中至少有两组的总体均数居于不同水平。这是一个概括性的结论，研究者往往希望进一步了解具体是哪两组的总体均数居于不同水平，哪两组的总体均数相等，这就需要进一步作两两比较来考察各个组别之间的差别。实际工

成组设计两样本均数的比较

解读误差
评估实验误差对结果的影响，并采取相应措施减小误差。
统计推断
推断总体均数
根据样本均数和标准差等统计量，对总体均数进行推断。
推断差异范围
根据样本均数的差异和标准误等统计量，推断两组样本均数差异的范围。
推断因果关系
在控制其他变量的条件下，分析两组样本均数差异的因果关系。
06
结论与展望
研究结论
未来研究方向
1 2
扩大样本量
为了提高结果的稳定性和可靠性，未来研究可以考虑扩大样本量，增加研究对象数量。
优化实验设计
未来研究可以进一步优化实验设计，改进数据采集和处理方法，减少混杂因素的影响。
3
探索更多影响因素
未来研究可以进一步探索更多可能影响两组样本均数差异的因素，以便更全面地了解数据背后的原因和机制。
在这种情况下，成组设计两样本均数的比较是一种常用的统计方法。这种方法通过比较两组人群的均数来评估它们之间的差异。
研究目的
确定两组人群的均数是否存在显著差异。了解两组人群的均数差异的大小和方向。为进一步的研究和临床实践提供依据。
02
成组设计简介
成组设计的基本概念
成组设计是一种常用的统计分析方法，用于比较两组独立样
03
两样本均数比较的统计方法
t检验
1 3
适用范围
t检验适用于小样本和大样本均数的比较，要求样本来自正态分布的总体。
假设检验
2
t检验基于假设检验原理，通过计算t值和自由度，判断两样
本均数是否有统计学差异。
计算公式
t检验的计算公式包括独立双样本t检验、配对样本t检验等，根据具体情况选择合适的公式进行计算。
THANKS

两样本均数比较计算公式

两样本均数比较计算公式在我们的学习之旅中，两样本均数比较计算公式就像是一把神奇的钥匙，能帮助我们打开数据背后隐藏的秘密之门。

先来说说什么是两样本均数比较吧。

简单来讲，就是要比较两个不同样本的平均值，看看它们之间有没有显著的差异。

比如说，咱们要比较一班和二班同学的数学考试平均分，这时候就得用上两样本均数比较计算公式啦。

这个公式看起来有点复杂，但是别怕，咱们一点点来拆解。

假设我们有两个样本，一个是样本 A，一个是样本 B。

样本 A 有 n1 个数据，平均值是 x1 ；样本 B 有 n2 个数据，平均值是 x2 。

那两样本均数比较的计算公式就是：t = （x1 - x2）/ √[ （s1² / n1） + （s2² / n2） ]这里的 s1 和 s2 分别是样本 A 和样本 B 的标准差。

记得有一次，我在给学生们讲解这个公式的时候，有个同学一脸迷茫地问我：“老师，这公式到底有啥用啊？”我笑着跟他说：“你想想啊，假如咱们要知道男生和女生在跑步速度上有没有差别。

我们分别测了男生和女生的平均速度，然后用这个公式就能知道这种差别是不是真的存在，还是只是偶然的。

”那这个公式怎么用呢？咱来举个例子。

比如说，有两个班级参加了一次英语单词拼写比赛。

一班有 30 个同学参加，平均得分是 85 分，标准差是 5 分；二班有 25 个同学参加，平均得分是 80 分，标准差是 8 分。

那咱们来算算这两个班的得分有没有显著差异。

首先，计算 t 值。

n1 = 30，x1 = 85，s1 = 5 ；n2 = 25，x2 = 80，s2 = 8 。

代入公式：t = （85 - 80）/ √[ （5² / 30） + （8² / 25） ]经过一番计算，得出 t 值。

然后呢，再根据自由度 v = n1 + n2 - 2 ，去查 t 分布表，看看算出来的 t 值是不是在显著水平范围内。

如果在，那就说明两个班的平均得分没有显著差异；要是不在，那就说明有差异。

医学统计学-两组资料均数比较

在进行两组资料均数比较之前，了解概率分布、假设检验、置信区间等基本概念是非常重要的。这些理论为后续的分析提供了基础。本t检验
适用于两组独立样本，可以检验它们
配对样本t检验
2
的均数是否有显著差异。
适用于两组相关样本，可以比较相同
个体在不同条件下的均数是否有显著
差异。
3
非参数检验
用于不满足正态分布假设的数据，例如Wilcoxon秩和检验和MannWhitney U检验。
常见的假设检验方法
Student's t检验
用于比较两组均数是否有显著差异。
Analysis o f Variance (A N O VA )
适用于比较三组及以上的均数是否有显著差异。
Boo tstrap检验
医学统计学-两组资料均数比较
欢迎来到医学统计学的世界！本次演示将为您详细介绍两组资料均数比较的方法和应用。让我们一起探索这个有趣且重要的主题吧！
问题陈述
在医学研究中，我们常常需要比较两组资料的均数，以了解它们之间是否存在显著差异。这个问题对于决策和临床实践都具有重要意义。
知识背景与理论基础
一种非参数方法，可以得到两组均数差异的置信区间。
实际案例分析与解释
研究背景
我们研究了两种不同治疗方案对患者康复的影响。
方法
通过随机分配患者到两组进行比较，收集了康复时间的数据。
结果
经过统计分析，我们发现两种治疗方案在康复时间上存在显著差异。
结果解读与结论
基于我们的研究结果，我们可以得出结论：一种治疗方案相对于另一种方案在患者康复时间上具有明显优势。这一发现对临床实践具有重要的指导意义。
研究的局限性与未来展望

两组均数比较公式

两组均数比较公式在咱们的学习和研究过程中，经常会碰到需要比较两组均数的情况。

这就不得不提到两组均数比较的公式啦。

先来说说啥是均数。

均数其实就是平均数，比如咱班这次数学考试成绩，把所有人的分数加起来，再除以总人数，得到的那个数就是均数。

那两组均数比较的公式呢，常见的有 t 检验和 z 检验。

就拿咱学校前段时间的体能测试来说吧。

学校把同学们分成了两个组，一组是经常参加体育锻炼的，另一组是不怎么锻炼的。

然后测了大家的 50 米短跑成绩。

经常锻炼那组同学的平均成绩是 8 秒，不怎么锻炼那组的平均成绩是 9 秒。

这时候，咱要是想知道这两组的平均成绩是不是真有差别，就可以用 t 检验的公式来算算。

t 检验的公式看起来有点复杂，一堆字母和符号，不过别担心，咱一点点来。

假设这两组同学的成绩都服从正态分布，而且方差齐性。

那 t 值就等于（第一组均数 - 第二组均数）除以（合并标准差乘以根号下（1 /第一组样本量 + 1 / 第二组样本量））。

这里面的合并标准差，又得通过另外的公式来算。

再说说 z 检验，它一般是在样本量比较大的时候用。

比如说，咱要是测了全校同学的身高，分成男生组和女生组，每组都有好几百人。

这时候用 z 检验可能就更合适。

其实啊，这些公式看起来复杂，用起来也不难。

就像我之前帮一个老师算他们班同学两次考试成绩的进步情况，用的就是这些公式。

当时那老师可着急了，想赶紧知道同学们是不是真有进步。

我就用这些公式，算得明明白白的，老师一看结果，心里就有底了。

总之，两组均数比较公式虽然有点让人头疼，但掌握了它们，就能在很多数据分析中派上大用场。

咱不管是做科学研究，还是分析一些日常的数据，都能更准确地得出结论。

所以啊，同学们别害怕这些公式，多练练，多琢磨琢磨，就会发现它们其实也没那么难！。

u检验和t检验

u检验和t检验u检验和t检验u检验和t检验可⽤于样本均数与总体均数的⽐较以及两样本均数的⽐较。

理论上要求样本来⾃正态分布总体。

但在实⽤时，只要样本例数n 较⼤，或n⼩但总体标准差σ已知时，就可应⽤u检验；n⼩且总体标准差σ未知时，可应⽤t检验，但要求样本来⾃正态分布总体。

两样本均数⽐较时还要求两总体⽅差相等。

⼀、样本均数与总体均数⽐较⽐较的⽬的是推断样本所代表的未知总体均数µ与已知总体均数µ0有⽆差别。

通常把理论值、标准值或经⼤量调查所得的稳定值作为µ0.根据样本例数n⼤⼩和总体标准差σ是否已知选⽤u检验或t 检验。

（⼀）u检验⽤于σ已知或σ未知但n⾜够⼤[⽤样本标准差s作为σ的估计值，代⼊式（19.6）]时。

以算得的统计量u，按表19-3所⽰关系作判断。

表19-3 u值、P值与统计结论α　｜t｜值　P值　统计结论　0.05双侧单侧　＜1.96＜1.645　＞0.05　不拒绝H0，差别⽆统计学意义　0.05双侧单侧　≥1.96≥1.645　≤0.05　拒绝H0，接受H1，差别有统计学意义　0.01双侧单侧　≥2.58≥2.33　≤0.01　拒绝H0，接受H1，差别有⾼度统计学意义　例19.3根据⼤量调查，已知健康成年男⼦脉搏均数为72次/分，标准差为6.0次/分。

某医⽣在⼭区随机抽查25名健康成年男⼦，求得其脉搏均数为74.2次/分，能否据此认为⼭区成年男⼦的脉搏⾼于⼀般？据题意，可把⼤量调查所得的均数72次/分与标准差6.0次/分看作为总体均数µ0和总体标准差σ，样本均数x为74.2次/分，样本例数n为25. H0： µ=µ0H1： µ＞µ0α=0.05（单侧检验）算得的统计量u=1.833＞1.645，P＜0.05，按α=0.05检验⽔准拒绝H0，可认为该⼭区健康成年男⼦的脉搏⾼于⼀般。

（⼆）t检验⽤于σ未知且n较⼩时。