8-8方差的假设检验
第8 假设检验(共80张PPT)
8.1 8.2 8.3 8.4
假设检验的根本问题 一个总体参数的检验 两个总体参数的检验 假设检验中的其他问题
我认为该企业生产的零件的平
均长度为4厘米!
什么是假设? 对总体 参数的一种看法
总体参数包括总 体均值、比例、方 差等
举例说明假设检验的根本思路
某单位职工上月平均收入为210元,这个 月的情况与上月没有大的变化,我们设想平均 收入还是210元.
样本均值的抽样分布
置信水平
拒绝域
1-
接受域
临界值
H0
样本统计量
如果备择假设具有符号“>〞，拒绝域位于抽样分 布的右侧，故称为右侧检验
样本均值的抽样分布
置信水平
1- 接受域
拒绝域
H0
样本统计量
临界值
请判断它们的拒绝域：
〔1〕假设检验的假设为H0：m＝m0 ，H1： m≠m0，那么拒绝域为〔 〕。
〔2〕假设检验的假设为H0：m≥m0 ，H1： m < m0，那么拒绝域为〔 〕。
〔3〕假设检验的假设为H0：m≤m0 ，H1： m > m0，那么拒绝域为〔 〕。
检验统计量：Z > Z；
Z > Z/2 或Z <-Z/2 ；
Z <-Z
决策规那么
给定显著性水平 ，查表得出相应的临界 值 将检验统计量的值与 水平下的临界值进 行比较 双侧检验：I统计量I > 临界值，拒绝H0 左侧检验：统计量 < -临界值，拒绝H0 右侧检验：统计量 > 临界值，拒绝H0 得出拒绝或不拒绝原假设的结论
H0：m＝10 H1：m≠10
例 6.2
某品牌洗涤剂在它的产品说明书中声称：平均 净含量不少于500g。从消费者的利益出发， 有关研究人员要通过抽检其中的一批产品来验 证该产品制造商的说明是否属实。试陈述用于 检验的原假设与备择假设。
教育与心理统计学第八章：假设检验
临界值
H0值
样本统计量
左侧检验示意图
（显著性水平与拒绝域 ）
抽样分布
置信水平
拒绝域
1- 接受域
临界值
H0值
样本统计量
观察到的样本统计量
右侧检验示意图 （显著性水平与拒绝域 ）
抽样分布
置信水平
1- 接受域
拒绝域
H0值 观察到的样本统计量
临界值
样本统计量
双侧检验原假设与备择假设的确定
▪ 双侧检验属于决策中的假设检验。即不论是拒绝H0还 是接受H0，都必需采取相应的行动措施。
1、原假设真实， 并接受原假设，判断正确； 2、原假设不真实，且拒绝原假设，判断正确； 3、原假设真实， 但拒绝原假设，判断错误； 4、原假设不真实，却接受原假设，判断错误。
假设检验是依据样本提供的信息进行判断，有犯错误 的可能。所犯错误有两种类型：
第一类错误是原假设H0为真时，检验结果把它当成不 真而拒绝了。犯这种错误的概率用α表示，也称作α错 误(αerror)或弃真错误。
型错误
β错误（取伪错误） 1-β（正确决策）
要使犯这两类错误的概率α 和β都尽可能小， α也不能定
的过低 。
在一般研究中，我们总是控制犯型错误
为什么？？？
假设检验中人们普遍执行同一准则：首先控制弃真错误（α错 误）。假设检验的基本法则以α为显著性水平就体现了这一原
则。
两个理由: 统计推断中大家都遵循统一的准则，讨论问题会比较方便。
0.076mm。试问新机床加工零件 的椭圆度均值与以前有无显著差
异？（＝0.05）
属于决策中 的假设！
解：已知：X0=0.081mm， =.25，n=200，
x 0.076
假设检验方法
假设检验-1Hypothesis Testing假设检验方法【例】一种机床加工的零件尺寸绝对平均误差允许值为1.35mm 。
生产厂家现采用一种新的机床进行加工以期进一步降低误差。
为检验新机床加工的零件平均误差与旧机床相比是否有显著降低，从某天生产的零件中随机抽取50个进行检验。
利用这些样本数据，检验新机床加工的零件尺寸的平均误差与旧机床相比是否有显著降低？(α=0.1),数据见:”Parts .mtw ”左侧检验1.061.220.911.971.982.031.011.241.450.990.590.501.500.741.23 1.131.020.951.121.12 1.161.031.121.100.98 1.122.371.540.961.1950个零件尺寸的误差数据(mm)0.821.601.101.000.970.861.231.171.261.381.70 1.641.081.110.941.061.13 1.811.311.261-Sample Z Test —例题应用Minitab 检验假设检验-31-Sample Z Test—习题1. 请打开“1-Sample Z Test .mtw”C1为某钢丝绳索制造商声称其生产的钢丝绳的平均抗断强度为大于5磅，已经知道总体标准差为1，请判断其声明是否正确?注意:Ⅰ.当小样本时(n<25~30),且总体标准差未知时使用1-Sample T Test.使用1-Sample T Test前,一定要检验正态性.如果非正态时,可以考虑:a.增加样本量,达到n≥25.b.使用非参量设计(绿带教程一般不涉及)Ⅱ. 当大样本时(n≥25~30),使用1-Sample Z Test.不一定要求正态性.如果不知道总体标准差时,可以使用样本标准差代替.Ⅲ.当小样本时(n<25~30),但总体标准差已知时,也是使用1-Sample Z Test.注意:小样本时;一定要保证正态性.第一步设定H0和H a1. H0: 钢丝绳的平均抗断强度≤5H a：钢丝绳的平均抗断强度＞5磅2. 取α=0.05假设检验-5第二步比较均值结论One-Sample Z: ValuesTest of mu= 5 vs mu> 5The assumed sigma = 1Variable N Mean StDev SE MeanValues 30 5.435 0.984 0.183Variable 95.0% Lower Bound Z PValues 5.134 2.38 0.009因为P小于0.05,所以对立假设成立。
8方差分析(一)
差值大小产生原因：抽样误差
Xj-X
病例号 1 2 3 4 均值 A药组 1 （4-3） 1 （4-3） 1 （4-3） 1 （4-3） 4 B药组 0 （3-3） 0 （3-3） 0 （3-3） 0 （3-3） 3 C药组 -1 （2-3） -1 （2-3） -1 （2-3） -1 （2-3） 2
N(μC,σ2) N(μB,σ2) N(μA,σ2)
△
△★ △★ 2
◆ ◆△ 3
★ ★ 4
◆ ◆
若μA=μB=μC=μ， 则3个样本来自同一总体
△
△★ △★ 2
◆ ◆△ 3
★A≠XB≠XC的原因是什么?
① 止痛药作用存在 μA≠μB≠μC 不存在 μA=μB=μC ② 抽样误差 一定存在
1 2 1 2 1 2
通常情况下,一般采用双侧检验.
0.05
0.025
0.025
-1.96
-1.64
假设检验的两种类型错误 统计推断目的是通过由有限的样本认 识无限的总体。由于假设检验是根据 “小概率事件实际不可能性原理”来 决定是否拒绝无效假设的，所以不论 是拒绝还是不拒绝无效假设，都没有 100%的把握。因此，在假设检验时可 能犯两类错误。
表
服用A,B,C药的疼痛分值
━━━━━━━━━━━━━━━━━━━━ 分组 A药 B 药 C药 ━━━━━━━━━━━━━━━━━━━━ 3 2 2 5 2 1 3 4 3 5 4 2 ━━━━━━━━━━━━━━━━━━━━ 例数 4 4 4 均值 4 3 2 方差 1.334 1.334 0.666 ━━━━━━━━━━━━━━━━━━━━ X=3
多次采用t检验时的假阳性率
若单次t检验假阳性错误的概率为0.05, 若进行两次t检验不犯假阳性错误的概率为 0.9025，犯假阳性错误的概率为0.0975。 若进行三次t检验不犯假阳性错误的概率为 0.8573，犯假阳性错误的概率为0.1426.
统计学中的假设检验方法
统计学中的假设检验方法统计学中的假设检验方法是一种常见的数据分析技术，用于验证关于总体特征的假设。
通过统计抽样和概率分布的理论基础，可以通过假设检验方法来评估样本数据对于某种假设的支持程度。
本文将介绍假设检验的基本原理、步骤以及一些常见的假设检验方法。
一、假设检验的原理假设检验是基于一个或多个关于总体特征的假设提出的。
一般来说，我们称原假设为零假设（H0），表示研究者对于总体特征没有明确的预期；对立假设（H1或Ha）则用来说明研究者认为存在显著的差异或关联关系。
假设检验的基本原理是通过对抽样分布的计算和统计量进行假设检验，从而得出是否拒绝零假设的结论。
根据样本数据的统计量计算出的P值，可以作为评估假设支持程度的标准。
一般来说，当P值小于显著性水平（一般为0.05）时，我们会拒绝零假设。
二、假设检验的步骤假设检验的步骤一般包括以下几个方面：1. 明确研究问题和假设：首先要明确研究者所关注的问题和假设，以及零假设和对立假设的表述。
2. 选择适当的检验方法：根据样本数据的类型和问题的特征，选择适当的假设检验方法。
常见的假设检验方法包括t检验、卡方检验、方差分析等。
3. 设置显著性水平：根据研究者对错误接受零假设和拒绝真实假设的容忍度，设置显著性水平。
一般来说，0.05是常用的显著性水平。
4. 计算统计量和P值：根据样本数据计算统计量，并通过统计分布计算对应的P值。
P值表示了在零假设成立的情况下，获得观察到的统计量或更极端结果的概率。
5. 做出结论：根据P值和显著性水平的比较，得出是否拒绝零假设的结论。
如果P值小于显著性水平，我们会拒绝零假设，认为样本数据支持对立假设；反之，我们无法拒绝零假设。
三、常见的假设检验方法1. 单样本t检验：单样本t检验用于比较一个样本的平均值是否显著不同于一个已知的总体平均值。
适用于连续型数据，例如身高、体重等。
2. 独立样本t检验：独立样本t检验用于比较两个独立样本的平均值是否显著不同。
统计学-第八章 假设检验
假设 原假设
双侧检验
单侧检验
左侧检验 右侧检验
H0 : m =m0 H0 : m m0 H0 : m m0
备择假设 H1 : m ≠m0 H1 : m <m0 H1 : m >m0
三、假设检验的程序---
4.例题分析
[例8.1] 某品牌洗衣粉在它的产品说明书中声称：平 均净含量不少于1250克。从消费者的利益出发，有关研 究人员要通过抽检其中的一批产品来验证该产品制造商 的说明是否属实。试写出用于检验的原假设与备择假设。
2.接受域：概率P＞的区域，为大概率区域，称之 为原假设的接受区域。
3.拒绝域：概率P≤的区域，为小概率区域，称之 为原假设的拒绝区域。
三、假设检验的程序---
1.拒绝原假设H1 原则：临界值
2.接受原假设H0 原则：临界值
检验统计值的绝 对值大于临界值；
检验统计值的绝 对值小于临界值；
假设 H0为真实 H0为不真实
接受H0 判断正确
采伪错误（）
拒绝H0 弃真错误（）
判断正确
四、假设检验中的两类错误
第I类（）错误和第II类（）错误的关系
和的关系就像 翘翘板，小就 大， 大就小。
你要同时减少两类 错误的惟一办法是 增加样本容量!
关乎决策：三个与其
与其，人为地把显著性水平固定按某一水平上，不 如干脆选取检验统计量的P值；
第二节 一个正态总体的假设检验
二、均值m的假设检验
3.给出显著性水平（0.01、0.05或0.1）
4.确定接受域和拒绝域（以双侧检验为例）
2已知：当Z Z 2
，则拒绝原假设，反之则接受H0；
统计学原理——假设检验与方差分析
二、假设检验中的两类错误**
第Ⅰ类错误/弃真错误 (type Ⅰ error)
当原假设为真时拒绝原假设。犯第Ⅰ类错误的概率
通常记为 。
第Ⅱ类错误/取伪错误(type Ⅱ error)
n1 P 40010.2 320 f 5
所以为大样本分布，检验统计量 Z 近似服从 正态分布。样本数据显示：
p 100 0.25 400
Z p P0 0.25 0.20 0.05 2.5
P 1 P 0.21 0.2 0.02
n
400
在显著性水平 0.05 情况下，查表可知，
比RMB 245.95小或者比RMB 274.05大。所以，在双侧 检验(见下图8-1)中有两个拒绝域。
拒绝域
接受域
拒绝域
245.95
260.00
274.05
图8-1 双边检验的拒绝域与接受域
[例8-2] 在例8-1的假设检验中，如果样本的均值
为 X 240.00 ，当显著性水平为0.05时，原假设是否被 拒绝。
重点是三种不同情况下的假设检验方法，总体方差已 知时正态总体均值和总体比例的假设检验。
难点是总体方差未知时正态总体均值的假设检验和方 差分析。
第一节 假设检验
一、假设检验的概念
一、假设检验的概念
假设(hypothesis)，又称统计假设，是对总体参数 的具体数值所作的陈述。
假设检验(hypothesis test) 是先对总体参数提出 某种假设，然后利用样本信息判断假设是否成立的过程。
(3) H0：μ = μ0 H1：μ＜μ
假设检验(龙)
均值、方差和比例的假设检验
例题2： 玻璃管外径正常来料服从N（12.40,0.062）。某日在近期来料抽查了 10支，其测量值为： 12.43 ，12.31 ，12.49 ，12.41 ，12.50 ， 12.39 ，12.44 ，12.47 ，12.41 ，12.46。发现外径尺寸有变化， 如果标准差不变，试问此批玻璃管外径是否正常？（ α=0.05)
准差不得超过0.05mm。现随机抽取9支玻璃管，测得外径数据为： 12.43 ， 12.31 ，12.49 ，12.41 ，12.50 ，12.39 ，12.44 ，12.47 ，12.41 。 测得样本的标准差为s=0.058，试问在α=0.05的显著水平上能否认为该批 导线电阻标准差发生变化? 解：(1)建立假设：H0：σ=0.05，H1：σ≠0.05 (2)由于μ未知，选用χ2检验 (3)根据显著性水平α=0.05及备择假设知拒绝域为： {χ2≤2.18}或{χ2≥17.53}
,从总体X中抽取
xn x 的样本为x1,x2,…, ,样本均值为 ，样本的方差为
6.检验判断（可从三处直接判断原假设是否成立）：
1)将检验统计量的值与拒绝域的临界值比较，若落在拒绝域中拒绝原 假设，否则不能拒绝原假设 2)根据检验统计量计算p值，当p值很小时(如小于0.05)，拒绝原假设， 否则不能拒绝原假设.(所谓p值，就是当原假设成立时，出现目前状况 或对原假设不利状况(即对备择假设更有利的状况)的概率。由此可以 有个最一般的原则：如果p<α,择拒绝原假设)。 3）根据样本观测值得到总体参数的臵信区间，如果原假设的参数值未 落在该臵信区间，拒绝原假设，否则不能拒绝原假设。目前，大多数 统计软件都提供p值和相应的臵信区间。
解：(1)建立假设：H0：μ=12.40，H1：μ≠12.40
一个正态总体期望与方差的假设检验
W { 2 2.7 or 2 19.023}
而这里
2 / 2 (n
1)
2
2 1
/
2
(n
1)
即样本观测值落在拒绝域之外, 故接受原假设,认为该批金
属丝折断力的方差与64无显著差异.
以上对方差的检验属于双侧检验,另外还有单侧检验:
H0
:
2
2 0
;
H1
:
2
第八章
第二节 一个正态总体 期望与方差的假设检验
一、期望值的假设检验
二、方差的假设检验－ 2检验
一、期望值的假设检验
1、方差
2
2为已知时对期望值
0
的检验—
u
检验
设样本 X1, X 2, , X n 来自正态总体 N (, 2 ), 方
差 2已知,对 的检验问题由上节中的五个步骤来进行.
u
0 t (n 1)
(c) H1 : 0
W {t t1 (n 1)}
W {t t1 (n 1)}
W {t t (n 1)}
2 （备择假设、拒绝域和显著性水平）
例3 电视台广告部称某类企业在该台黄金时段内播放 电视广告后的平均受益量(平均利润增加量)至少为15万元,
2未知, 由抽样分布定理知,若用样本标准差 s 代替 , U
统计量变为 t 统计量,
即
t
x 0
~ t(n 1)
s/ n
(8.2.2)
相应于上述三对假设,拒绝域见下图.
/2
/2
t
t (n 1) 0 t1 (n 1)
概率与数理统计第8章--假设检验与方差分析
第8章假设检验与方差分析【引例】重庆啤酒股份有限公司（以下简称重庆啤酒）于1990年代初斥巨资开始乙肝新药的研发，其股票被视作“生物医药”概念股受到市场热捧。
尤其是2010~2011年的两年间，在上证指数大跌1/3的背景下，重庆啤酒股价却从23元左右飙升最高至元，但公司所研制新药的主要疗效指标的初步统计结果于2011年12月8日披露后，股价连续跌停，12月22日以元报收后停牌。
2012年1月10日重庆啤酒公告详细披露了有关研究结论，复牌后股价又遭遇连续数日下跌，1月19日跌至元。
此公告明确告知：“主要疗效指标方面，意向性治疗人群的安慰剂组与 600μg组，及安慰剂组与εPA-44 900μg组之间，HBeAg/抗HBe 血清转换在统计意义上均无差异”。
通俗地说，用药与不用药（安慰剂组）以及用药多与少（900μg组与600μg 组），都没有明显差异，这意味着该公司研制的乙肝新疫苗无效。
有关数据如表所示：表乙肝新疫苗的应答率注：εP A-44为治疗用（合成肽）乙型肝炎疫苗简称。
上表数据显示，两个用药组的应答率都高于安慰剂组的应答率，但为什么说“在统计意义上均无差异”为什么说这个结论表示乙肝新疫苗无效什么叫“在统计意义上无差异”如何根据样本数据作出统计意义上有无差异的判断解答这些问题就需要本章所要介绍的假设检验。
现实中，人们经常需要利用样本信息来判断有关总体特征的某个命题是真还是伪，或对某个（些）因素的影响效应是否显著作出推断，所以假设检验和方差分析有着广泛的应用。
例如，在生物医学领域，判断某种新药是否比旧药更有效；在工业生产中，根据某批零件抽样检查的信息来判断整批零件的质量是否符合规格要求；在流通领域，鉴别产品颜色是否对销售量有显著影响等等。
这些分析研究都离不开假设检验或方差分析。
假设检验与方差分析的具体方法很多，研究目的和背景条件不同，就需采用不同的方法。
本教材介绍假设检验与方差分析的基本原理和一些基本方法。
统计学第8章假设检验
市场调查中常用的假设检验方法包括T检验、Z检验和卡方 检验等。选择合适的检验方法需要考虑数据的类型、分布 和调查目的。例如，对于连续变量，T检验更为适用；对于 分类变量，卡方检验更为合适。
医学研究中假设检验的应用
临床试验
在医学研究中，假设检验被广泛应用于临床试验。研究 人员通过设立对照组和实验组，对不同组别的患者进行 不同的治疗，然后收集数据并使用假设检验来分析不同 治疗方法的疗效。
03 假设检验的统计方法
z检验
总结词
z检验是一种常用的参数检验方法，用于检验总体均值的假设。
详细描述
z检验基于正态分布理论，通过计算z分数对总体均值进行检验。它适用于大样本 数据，要求数据服从正态分布。z检验的优点是简单易懂，计算方便，但前提假 设较为严格。
t检验
总结词
t检验是一种常用的参数检验方法，用于检验两组数据之间的差异。
卡方检验
总结词
卡方检验是一种非参数检验方法，用于 比较实际观测频数与期望频数之间的差 异。
VS
详细描述
卡方检验通过计算卡方统计量来比较实际 观测频数与期望频数之间的差异程度。它 适用于分类数据的比较，可以检验不同分 类之间的关联性。卡方检验的优点是不需 要严格的假设前提，但结果解释需谨慎。
04 假设检验的解读与报告
详细描述
t检验分为独立样本t检验和配对样本t检验，分别用于比较两组独立数据和同一组数据在不同条件下的 差异。t检验的前提假设是小样本数据近似服从正态分布。t检验的优点是简单易行，但前提假设需满 足。
方差分析
总结词
方差分析是一种统计方法，用于比较两个或多个总体的差异。
详细描述
方差分析通过分析不同组数据的方差来比较各组之间的差异。它适用于多组数据的比较，可以检验不同因素对总 体均值的影响。方差分析的前提假设是各组数据服从正态分布，且方差齐性。
假设检验的八种情况的公式
假设检验的八种情况的公式假设检验是统计学中常用的一种方法，用于判断样本数据与总体参数的关系是否具有显著性差异。
在进行假设检验时，我们需要根据实际问题和已知条件确定相应的假设检验公式。
以下是八种常见的假设检验情况及相应的公式。
1.单样本均值检验：在这种情况下，研究者想要判断一个样本的均值是否与一个已知的总体均值有显著性差异。
假设检验的公式为：其中，x̄为样本均值，μ为总体均值，s为样本标准差，n为样本容量，t为t分布的临界值。
2.双样本均值检验（方差已知）：在这种情况下，研究者想要判断两个样本的均值是否有显著性差异，且已知两个样本的方差相等。
假设检验的公式为：其中，x̄1和x̄2分别为样本1和样本2的均值，μ1和μ2分别为总体1和总体2的均值，s为样本标准差，n1和n2分别为样本1和样本2的容量，z为标准正态分布的临界值。
3.双样本均值检验（方差未知）：在这种情况下，研究者想要判断两个样本的均值是否有显著性差异，且两个样本的方差未知且不相等。
假设检验的公式为：其中，x̄1和x̄2分别为样本1和样本2的均值，μ1和μ2分别为总体1和总体2的均值，s1和s2分别为样本1和样本2的标准差，n1和n2分别为样本1和样本2的容量，t为t分布的临界值。
4.单样本比例检验：在这种情况下，研究者想要判断一个样本的比例是否与一个已知的总体比例有显著性差异。
假设检验的公式为：其中，p̄为样本比例，p为总体比例，n为样本容量，z为标准正态分布的临界值。
5.双样本比例检验：在这种情况下，研究者想要判断两个样本的比例是否有显著性差异。
假设检验的公式为：其中，p̄1和p̄2分别为样本1和样本2的比例，p1和p2分别为总体1和总体2的比例，n1和n2分别为样本1和样本2的容量，z为标准正态分布的临界值。
6.简单线性回归检验：在这种情况下，研究者想要判断自变量与因变量之间的线性关系是否显著。
假设检验的公式为：其中，β1为回归系数，se(β1)为标准误差，t为t分布的临界值。
正态总体方差的假设检验
正态总体方差的假设检验引言在统计学中，假设检验是一种强有力的工具，用于对总体参数的推断。
在本文中，我们将关注正态总体方差的假设检验。
正态总体方差的假设检验是用来判断总体方差是否符合某个特定的值。
正态总体方差正态总体是一个满足正态分布的总体。
正态分布是统计学中最常用的概率分布之一，它的概率密度函数呈钟形曲线，具有对称性。
正态分布的两个关键参数是均值和方差。
方差衡量了数据集中值的离散程度。
方差较大意味着数据点更分散，而方差较小表示数据点更集中。
在假设检验中，我们想要判断一个样本的方差是否与总体方差相等。
假设检验的步骤正态总体方差的假设检验通常包括以下步骤：1.建立假设：根据问题的背景和要求，建立原假设和备择假设。
原假设通常被标记为H0，备择假设通常被标记为Ha。
–原假设 (H0)：总体方差等于某个特定值。
–备择假设 (Ha)：总体方差不等于某个特定值。
2.选择显著性水平：显著性水平(α) 是我们用来衡量在原假设为真时，我们会拒绝原假设的概率。
通常，α的值选择为0.05或0.01。
3.计算统计量：根据样本数据计算一个与总体方差有关的统计量。
常用的统计量是样本方差。
4.确定拒绝域：根据假设和显著性水平，确定一个拒绝域，当统计量的值落入该拒绝域时拒绝原假设。
–单尾检验时，拒绝域位于分布的一个尾部。
–双尾检验时，拒绝域位于分布的两个尾部。
5.计算决策统计量：根据拒绝域的位置和统计量的值，做出决策。
如果统计量的值落入拒绝域，则拒绝原假设，否则接受原假设。
6.得出结论：根据决策统计量，得出对原假设的结论。
例子为了更好地理解正态总体方差的假设检验，我们来看一个例子。
假设我们研究一种新型药物对患者的治疗效果，我们希望判断该药物的剂量对患者反应时间的方差是否有显著影响。
我们收集了两组患者的数据，每组有30个患者。
第一组患者服用低剂量药物，第二组服用高剂量药物。
我们要判断高剂量药物是否导致患者的反应时间方差较大。
1.建立假设：–原假设 (H0)：高剂量药物和低剂量药物的反应时间方差相等。
《概率论与数理统计教学课件》8第八章—正态总体均值和方差的假设检验
真)
P1 2
(
x y
11
k)
k t (n1 n2 2)
sw
n1 n2
2
概率统计
在显著性水平 下, H0 的拒绝域:
x y
sw
11
t (n1 n2 2)
2
n1 n2
注:
当
2 1
2 2
2
未知时
检验假设
或
H0 : 1 -2 (或1 2 ), H0 : 1 2 （或1 2 ),
2
概率统计
所以拒绝H 0 ,可认为这两种轮胎的耐磨性有显著差异。
注： ▲ 用两种不同的方法得到了两种不同的结论，那么
究竟应该采取哪一个结论比较合理呢？
显然，应该采取第二种方法得出的结论是合理的
因为数据配对的方法是针对同一架飞机的，它是 排除了因飞机之间的试验条件的不同而对数据产 生的干扰，所以它是直接反映了这两种轮胎的耐 磨性的显著差异的情况，因此，应采取第二种方 法得出的结论，即可认为这两种轮胎的耐磨性有 显著差异。
概率统计
按单个正态总体中当 2 未知时，关于 的假设检验
的计算公式，可得 H0 的拒绝域为：
C { t t t (n 1)}
2
经计算 d 320 , s2 89425 ,
t
d s
320 2.83 89425
n
8
t (n 1) t0.05 (7) 2.365
2
2
因为： t 2.83 t0.05 (7) 2.365
为已知常数，显著水平为
概率统计
Q 检验统计量
(X Y)
~ N (0,1)
2 1
2 2
n1 n2
第八章假设检验_0
第八章假设检验作为统计推断的重要组成部分，假设检验也称为显著性检验，就是对所估计的总体先提出一个假设，然后再根据样本信息来检验对总体所做的假设是否成立。
假设检验可分为参数检验和非参数检验，对总体分布中未知参数的假设检验称为参数检验，而对未知分布函数的类型或其某些特征提出的假设称为非参数检验。
第一节假设检验概述在实际生活中，许多事例都可以归结为假设检验问题。
为了便于理解，下面我们结合具体实例来说明假设检验的思想方法。
例8．1 某厂生产中药地黄丸，药丸的重量服从正态分布N( , 2)，按规定每丸的标准重量为10克。
根据以往经验得知，生产药丸的标准差为 3.2克。
现从一批药丸中随机抽取100个，其平均重量为9.6克，试问这批药丸重量是否符合标准？从直观上来看，这批药丸重量不符合标准，两者差异显著。
但能否仅凭100个药丸的平均重量比标准重量小0.4克，而立即得出这批药丸不符合标准的结论呢？从统计学上来看，这样得出的结论是不可靠的。
这是因为，差异可能是这批药丸品质所造成的，也可能是由于抽样的随机性所造成的。
如果我们再随机抽取100个药丸进行检测重量，又可得到一个样本资料。
由于抽样误差的随机性，样本平均数（100个药丸的平均重量）就不一定是9.6克。
那么，我们对样本进行分析时，必须判断样本的差异是抽样误差造成的，还是因本质不同而引起的。
如何区分两类性质的差异？怎样通过样本来推断总体？这正是假设检验要解决的问题。
在假设检验中，先要根据问题的需要建立检验假设，假设有两种，一种是原假设或零假设，用H0表示，通常就是将要进行检验的假设；另一种是备择假设- 1 -或对立假设，用H1表示，是原假设H0相对立的假设。
例8.1中，如果将该批药丸的重量记作总体X，该问题就是检验总体X的均值 的变化情况。
那么，可以设原假设H0： 10( 0)，即认为这批药丸重量是符合标准的；而备择假设，即认为这批药丸重量是符合标准的 10( 0)，即认为这批药丸重量不H1：10( 0)符合标准的。
假设检验方差分析
• 假设检验概述 • 方差分析概述 • 独立样本T检验 • 配对样本T检验 • 单因素方差分析 • 多因素方差分析
目录
Part
01
假设检验概述
定义与原理
定义
假设检验是一种统计方法，用于根据 样本数据对总体参数做出推断。
原理
基于样本数据和适当的统计量，对总 体参数做出接受或拒绝的决策。
适用条件
数据正态分布
两个样本的数据应符合正 态分布，这是配对样本T 检验的前提条件。
独立性
两个样本之间应相互独立， 不存在相互影响的关系。
方差齐性
两个样本的方差应具有齐 性，即方差相等。
实例分析
数据收集
收集两个相关样本的数据，例如 比较两种不同类型运动对心率的 影响。
结果解释
若P值小于显著性水平（如0.05），则 认为两个样本的均值存在显著差异； 若P值大于显著性水平，则认为两个样 本的均值无显著差异。
数据处理
计算两个样本的差值，并计算差 值的均值和标准差。
数据分析
利用T检验公式计算T值和自由度， 并查表得到对应的P值。根据P值 判断两个样本的均值是否存在显 著差异。
Part
05
单因素方差分析
定义与原理
定义
单因素方差分析（One-way ANOVA）是一种统计方法，用于比较三个或更多 独立样本组的均值是否存在显著差异。
THANKS
感谢您的观看
计算样本数据
收集样本数据并计算统计 量值。
确定显著性水平
确定一个合适的显著性水 平，用于判断原假设是否 被拒绝。
Part
02
方差分析概述
方差分析的定义
方差分析（ANOVA）是一种统计方法，用于比较两个或多个组之间的平均值差异，以确 定这些差异是否由随机误差引起，还是由于处理因素或自变量引起的。
假设检验公式单样本与双样本假设检验方差分析的计算方法
假设检验公式单样本与双样本假设检验方差分析的计算方法假设检验公式：单样本与双样本假设检验方差分析的计算方法假设检验是统计学中非常重要的一种方法，用于判断一个样本或两个样本之间的差异是否显著。
而在进行假设检验时，我们通常需要计算一些统计量来评估样本数据的差异性。
本文将介绍单样本与双样本假设检验方差分析的计算方法。
一、单样本假设检验方差分析的计算方法在进行单样本假设检验时，我们关注的是一个样本的均值与总体均值之间是否存在显著差异。
常用的单样本假设检验方法有t检验和z检验，其中z检验用于大样本情况下，而t检验适用于小样本情况。
计算方法如下：1. 计算样本均值（x_bar）和样本标准差（s）。
2. 计算标准误差（SE），公式为：SE = s / √n其中，n为样本数量。
3. 设定显著性水平（α），一般为0.05或0.01。
4. 根据显著性水平和自由度（df）查找相应的t或z分布表，得到相应的临界值（t_critical或z_critical）。
t = (x_bar - μ) / SE或z = (x_bar - μ) / SE其中，μ为总体均值。
6. 比较计算得到的t或z值与临界值，判断是否拒绝原假设。
如果计算得到的t或z值大于或小于临界值，拒绝原假设，说明样本均值与总体均值存在显著差异；反之，接受原假设，说明差异不显著。
二、双样本假设检验方差分析的计算方法双样本假设检验用于比较两个样本之间的差异是否显著。
在进行双样本假设检验时，我们可以使用t检验或z检验来进行推断。
1. 计算两个样本的均值（x1_bar和x2_bar）、标准差（s1和s2）和样本数量（n1和n2）。
2. 计算两个样本的标准误差（SE1和SE2），公式为：SE1 = s1 / √n1SE2 = s2 / √n23. 设定显著性水平（α）和自由度（df）。
4. 查找相应的t或z分布表，得到临界值（t_critical或z_critical）。
假设检验与方差分析
决策:
拒绝H0
拒绝 H0
.025
结论:
有证据表明新机床加工的零件 的椭圆度与以前有显著差异
-1.96
0
1.96
Z
总体均值的检验
(2未知小样本)
• 1. 假定条件
– 总体为正态分布 2未知，且小样本
• 2. 使用t 统计量
t
X 0 S n
~ t (n 1)
2 未知小样本均值的检验
t 检验
（单尾和双尾）
Z 检验
（单尾和双尾）
2检验
（单尾和双尾）
总体均值检验
总体均值的检验
(检验统计量)
是
总体 是否已知 ？
否
小 样本容量 n
用样本标 准差S代替
大
z 检验
z 检验
t 检验
Z
X 0
Z
X 0 S n
t
X 0 S n
n
总体均值的检验
(2 已知或2未知大样本)
独立样本 配对样本
比例
方差
Z 检验
(大样本)
t 检验
(小样本)
t 检验
(小样本)
Z 检验
F 检验
两个独立样本的均值检验
两个独立样本之差的抽样分布
总体1
1
1
2 2
总体2
抽取简单随机样 样本容量 n1 计算X1
计算每一对样本 的X1-X2
抽取简单随机样 样本容量 n2 计算X2
所有可能样本 的X1-X2
决策:
拒绝 H0
. 205
在 = 0.05的水平上不能拒绝H0
结论:
不能否定研究者的估计
假设检验(完整)
抽样分布
置信水平
1 -
拒绝H0
0 观察到的样本统计量
样本统计量 临界值
显著性水平和拒绝域
(右侧检验 )
抽样分布
置信水平
1 -
拒绝H0
0
样本统计量
临界值
第一节 假设检验概述
1、假设检验的基本思想 2、假设检验的步骤 3、两类错误和假设检验的规则
三、两类错误和假设检验的规则
• 1. 第Ⅰ类错误(弃真错误)
x
~ N (0,1) s/ n
x ~ t(n 1)
s/ n
非正态分布 大样本 x ~ N (0,1) / n
x ~ N (0,1)
s/ n
非正态小样本情形不讨论。
3、拒绝域和接受域的确定
(双侧检验 )
抽样分布
拒绝H0
/2
1 -
置信水平 拒绝H0
/2
拒绝域
临界值
临界值
0 接受域
样本统计量 拒绝域
关统计） 6、《红楼梦》后40回作者的鉴定（文学统计）。 7、民间借贷的利率为多少？（金融统计） 8、兴奋剂检测（体育统计）
1、假设检验的基本思想
为研究某山区的成年男子的脉搏均数是否高于一般 成年男子脉搏均数，某医生在一山区随机抽查了25名 健康成年男子，得其脉搏均数x为74.2次/分，标准差 为6.0次/分。根据大量调查已知一般健康成年男子脉 搏均数为72次/分，能否据此认为该山区成年的脉搏 均数μ高于一般成年男子的脉搏均数μ0？
– 原假设为真时拒绝原假设
– 第Ⅰ类错误的概率记为
• 被称为显著性水平
• 2. 第Ⅱ类错误(取伪错误)
– 原假设为假时未拒绝原假设