假设检验
假设检验一般概念
x 400 k 时接受原假设H0；
(1)
x 400 k 时拒绝原假设H0接受备择假设H1
(2)
进一步，由于当H0为真时，有
u x400 ~N(0,1) 25/ n
1 |u|要构x造一40个0具有明确k分布的统计量，可将(1)、(2)式转化为
25/ n 25/ n
2 |u|时接x受原40假0设H0 k
2. 拒绝域与接受域 称是检验水平或显著性水平，它是我们
制定检验标准的重要依据。常数u/2把标准正态分布密度曲线下
的区域分成了两大部分，其中一部分
(x1,x2, ,xn)uu/2
称为H0的拒绝域或否定域， 当样本点落入拒绝域时，我们便拒 绝原假设H0(同前述(6)式)，另一部分
(x1,x2, ,xn)uu/2
（1）根据问题的要求提出假设，写明原假设H0和备择假设H1的
具体内容。
（2）根据H0的内容，建立（或选取）检验统计量并确定其分布。 （3）对给定（或选定）的显著性水平 ，由统计量的分布查表 或计算确定出临界值，进而得到H0的拒绝域和接受域。
（4）由样本观察值计算出统计量的值。
（5）做出推断：当统计量的值满足“接受H0的条件”时就接受 H0，否则就拒绝H0接受H1 。
u
2
时接受原假设H0 (5)
时拒绝原假设H0，接受备择假设 H1 (6)
分析(5)、(6)两式，可以这 样认为：
拒绝H0，是因为以H0成立 为出发点进行推理时，得到 了不合情理的结论，使小概 率事件在一次试验中发生了。
接受H0，是因为以H0成立 为出发点进行推理时，未发 现异常。
这就是带有概率特征的反证 法，认为小概率事件在一次 试验中不可能发生。
H0：X服从泊松分布；H1：X不服从泊松分布.
常用的假设检验方法
常用的假设检验方法
常用的假设检验方法包括：1. 单样本t检验：用于比较一个样本的均值是否与已知的总体均值有显著差异。
2. 双样本t检验：用于比较两个独立样本的均值是否有显著差异。
3. 配对样本t检验：用于比较两个相关样本的均值是否有显著差异。
4. 卡方检验：用于比较观察频数与期望频数之间的差异，适用于分类数据。
5. 方差分析（ANOVA）：用于比较多个样本的均值是否有显著差异。
6. Wilcoxon符号秩检验：用于比较两个相关样本的中位数是否有显著差异。
7. Mann-Whitney U检验：用于比较两个独立样本的中位数是否有显著差异。
8. Kruskal-Wallis H检验：用于比较多个独立样本的中位数是否有显著差异。
9. McNemar检验：用于比较两个相关样本的比例是否有显著差异，适用于二项分布数据。
10. Fisher精确检验：用于比较两个独立样本的比例是否有显著差异，适用于二项分布数据。
以上是常用的假设检验方法，根据不同的情况和数据类型选择不同的方法进行统计分析。
假设检验的基本概念
—— 小概率事件
,+∞) 显著性水平不超过α
故取拒绝域 ( μ 0 + zα
σ
n
注 3º
关于零假设与备择假设的选取
H0与H1地位应平等,但在控制犯第一类错误 的概率 α 的原则下,使得采取拒绝H0 的决 策变得较慎重,即H0 得到特别的保护.
因而,通常把有把握的、有经验的结论作为 原假设,或者尽可能使后果严重的错误成为 第一类错误.
3、根据样本值计算,并作出相应的判断.
⎛ 66.82 − 69 ⎞ ⎛ 69.18 − 69 ⎞ = Φ⎜ ⎟ − Φ⎜ ⎟ 0.6 ⎠ ⎝ ⎝ 0.6 ⎠ = Φ (0.3) − Φ (−3.63) = 0.6179 − 0.0002 = 0.6177
取伪的概率较大.
0.12 0.1 0.08 0.06
α/2
0.04 0.02 60 62.5 65 67.5 70 72.5 75
若不采用假设检验, 按理也不能够出厂. 上述出厂检验问题的数学模型 对总体
X ~ f (x; p) = px (1− p)1−x x = 0,1 提出假设
H 0 : p ≤ 0.04; H1 : p > 0.04
( ∑ xi = 3 or 1 )
i =1 12
要求利用样本观察值 ( x1 , x2 , , x12 ) 对提供的信息作出接受 H (不准出厂) 的判断.
n ) , E( X ) = μ
⎞ ⎛ X −μ ⎟ ⎜ P⎜ > zα ⎟ = α ⎟ ⎜ σ ⎟ ⎜ ⎠ ⎝ n
X ~ N (μ ,
σ2
若原假设正确, 则
但现不知 μ的真值，只知 μ ≤ μ0 = 68
⎞ ⎞ ⎛ X −μ ⎛ X −μ 0 ⎟ ⎟ ⎜ ⎜ ⎜ > zα ⎟ > zα ⎟ ⊂ ⎜ ⎟ ⎟ ⎜ σ ⎜ σ ⎟ ⎟ ⎜ ⎜ n n ⎠ ⎠ ⎝ ⎝ ⎞ ⎛ X −μ 0 ⎟ ⎜ P⎜ > zα ⎟ ≤ α ⎟ ⎜ σ ⎟ ⎜ n ⎠ ⎝
《假设检验》课件
方差分析
总结词
适用于多组数据比较的检验方法
详细描述
方差分析是一种适用于多组数据比较的假设检验方法。它通过比较不同组之间的变异和 误差来源，计算F值和对应的P值，以判断原假设是否成立。方差分析在很多领域都有
应用，如农业、生物统计学和心理学等。
秩和检验
总结词
适用于等级数据或非参数数据的检验方法
详细描述
秩和检验是一种适用于等级数据或非参数数 据的假设检验方法。它通过将数据排序后进 行比较，计算秩和值和对应的P值，以判断 原假设是否成立。秩和检验在很多领域都有 应用，如医学、生物学和环境科学等。
04 假设检验的实例分析
单样本Z检验实例
总结词
用于检验一个样本的平均值与已知的 某一总体均值之间是否存在显著差异 。
如果样本量过小，可能无 法得出可靠的结论，因为 小样本可能无法代表总体 。
样本量过大
如果样本量过大，可能会 导致统计效率降低，增加 计算复杂度和成本。
样本代表性
在选择样本时，需要确保 样本具有代表性，能
假设检验的结果只能给出拒绝或接受 假设的结论，但无法给出假设正确与 否的确凿证据。
置信区间有助于判断假设的正确性
02
通过比较置信区间和假设值的位置关系，可以判断假设是否成
立。
置信区间与假设检验的互补关系
03
置信区间和假设检验各有优缺点，可以结合使用以更全面地评
估数据的统计性质。
THANKS 感谢观看
提出假设
根据研究问题和目的，提出原 假设和备择假设。
确定临界值
根据统计量的性质和显著性水 平，确定临界值。
做出决策
根据计算出的样本统计量和临 界值，做出接受或拒绝原假设 的决策。
常见假设检验公式概览
常见假设检验公式概览假设检验是统计学中一种重要的推断方法，用于判断总体参数的真实情况。
在假设检验中，我们通常会提出一个原假设和一个备择假设，并通过采样数据来判断是否拒绝原假设。
在实际应用中，常见的假设检验方法有如下几种。
1. 单样本均值检验单样本均值检验用于判断一个样本的平均值是否等于一个已知的常数。
其中，我们常用的假设检验公式为：t = (x - μ) / (s / √n)其中，t表示t值，x为样本均值，μ为总体均值，s为样本标准差，n为样本容量。
通过比较t值与临界值，我们可以判断是否拒绝原假设。
2. 双独立样本均值检验双独立样本均值检验用于比较两个独立样本的平均值是否相等。
常用的假设检验公式如下：t = (x1 - x2) / √(s1²/n1 + s2²/n2)其中，t表示t值，x1和x2分别为两个样本的均值，s1和s2为两个样本的标准差，n1和n2为两个样本的容量。
通过比较t值和临界值，可以判断是否拒绝原假设。
3. 配对样本均值检验配对样本均值检验用于比较同一组样本的两个相关变量的平均值是否相等。
常用的假设检验公式如下：t = (x d - μd) / (sd / √n)其中，t表示t值，x d为配对差值的均值，μd为总体差值的均值，sd为配对差值的标准差，n为配对样本容量。
通过比较t值和临界值，可以得出是否拒绝原假设。
4. 单样本比例检验单样本比例检验用于判断一个样本比例是否等于一个已知的比例。
常用的假设检验公式如下：z = (p - π) / √(π(1-π)/n)其中，z表示z值，p为样本比例，π为总体比例，n为样本容量。
通过比较z值和临界值，可以判断是否拒绝原假设。
5. 独立样本比例检验独立样本比例检验用于比较两个独立样本的比例是否相等。
常用的假设检验公式如下：z = (p1 - p2) / √(p(1-p)(1/n1 + 1/n2))其中，z表示z值，p1和p2分别为两个样本的比例，n1和n2分别为两个样本的容量。
假设检验
假设检验原理
显著性水平
假设检验中犯第Ι类错误的概率被称为显著性水平 (Level of significance)，记为α ，著名英国统计学家 Ronald Fisher在他的研究中把小概率的标准定为 0.05，这也是个通用的原则。 实际情况 H0为真 正确决策 第Ι 类错误α H0为假 第Π 类错误β 正确决策
单样本Z检验
Minitab 输出
length 的概率图
正态
99
分析结果
用正态性检验来检验一组样本数据是否来自服从正 态分布的总体： 如果数据来自正态分布的总体，数据点应该紧 密紧靠在拟合线上。 如果数据不是来自正态分布的总体，数据就是 远离拟合线。
Anderson-darling正态性检验也是假设检验的一种 • H0：数据来源于正态分布的总体 • H1：数据不是来源于正态分布的总体 正态性检验的 P=0.88，大于显著性水平α=0.05，所 以没有足够的证据拒绝原假设H0 ，即认为样本数据 来自正态分布的总体。
查看概率
Minitab 输出
分布图
正态, 均值=0, 标准差=1 0.4
分析结果
从图形可以看出，在标准正态分布的双侧检验下， α =0.05所对应的分位数为+/-1.96. 按此方法，可以计算T分布、weibull分布等分布下的 概率、概率密度和分位数。
0.3
密度
0.2
0.1
0.025 0.0 -1.96 0 X 1.96
单样本Z检验
增加图形输出，在Minitab中操作：
1、Ctrl + E 或者 点击 2、完成下图对话框，点击 图形
选中 数据箱线图，两次点击确定
单样本Z检验
Minitab 输出
什么是假设检验？
减少主观臆断
假设检验基于客观数据和事实， 而非主观臆断，从而能够减少决 策过程中的主观性和不确定性。
提高决策科学性
假设检验能够提供一种相对可靠 的决策依据，提高决策的科学性 和准确性。
假设检验的未来发展
不断扩展应用领域
方法的改进和完善
随着科学技术的发展，假设检验的应 用领域将会越来越广泛，如人工智能 、生物技术、医学、社会科学等领域 。
随着数据的复杂性和规模的增加，假 设检验的方法也需要不断改进和完善 ，以适应不同场景和需求。
提高可解释性和透明 度
为了更好地理解和解释假设检验的结 果，需要提高其可解释性和透明度， 以便更多的人能够理解和应用。
正确理解和运用假设检验
01
理解基本概念
正确理解和运用假设检验需要深入理解其基本概念和方法，包括如何
社会学研究
社会调查
利用假设检验对社会现象进行调查研究，以揭示社会现象之间的内在联系和 规律。
行为研究
通过假设检验探讨人类行为和社会影响之间的相互作用，为政策制定和社会 干预提供依据。
06
结论
假设检验的意义
科学探究的基础
假设检验是科学探究中最为核心 的方法之一，它能够通过严谨的 逻辑和数学推理来验证或否定一 个特定的假设。
假设检验是统计分析的一部分，它是 一种方法论，用于根据样本数据推断 总体参数。
统计分析包括多种方法和技术，如描 述性统计、推断性统计和回归分析等 ，它们都是为了帮助我们更好地理解 和解释数据。
在进行假设检验时，需要使用统计分 析方法来对数据进行处理和分析，从 而得出结论。
02
假设检验的基本原理
假设的设定与分类
病因研究
通过对暴露因素与疾病之间关系的假设检验，探讨病因和预防策 略的有效性。
第八章 假设检验
x z2
x z2 /
s n
上例，我们用求置信区间的方法，来判断 原假设是否合理。 大样本下满足中心极限定理，样本均值的 抽样分布服从正态分布，从而有置信区间：
x z2 s 24 ＝986 1.96 n 40
假设检验的步骤
1.确定原假设和备选假设 2.选择检验统计量 3.指定检验的显著性水平 4.建立拒绝原假设的规则 5.收集样本数据，计算检验统计量的值 6.将检验统计量的值域拒绝规则的临界值比较， 以决定是否拒绝原假设。或者，由检验统计量 的值计算p值，利用p值确定是否拒绝原假设。
x 2.92 3 z 2.67 / n 0.18 / 6
x z ~ N (0,1) / n
根据显著性水平α=0.01，对应的拒绝域面积为 0.01，临界值为-2.33 Z<-2.33，所以拒绝H0，即可认为没听咖啡的容量 不足3磅。 统计证据支持对HILLTOP咖啡重量不足采取投诉措 施。
（978.56,993.44）该区间不包含u0=1000， 因此我们拒绝原假设H0.检验表明，该包 装机未能正常工作。
总体均值的检验：小样本情形
小样本下，已知总体为正态分布，我们考 虑以下两种情况： 1.总体方差已知 2.总体方差未知 在总体方差已知的情况下，即使样本容量 较小，但样本平均数的抽样分布总是以平 均值 为均值，以 x 为标准差的正态分 布。因此其检验过程和检验统计量同大样 本情形。
拒绝域为α/2 拒绝域为α/2
z / 2
拒绝域
0
z / 2
假设检验
U | X 0 | ~ N (0,1)
/ n
3° 在假设 H0成立的条件下，由样本判断 y 小概率事件是否发生。 y pU ( x )
P{| U | u / 2 }
2
2
当 0很小时 ,
uα / 2
O uα / 2
x
{| U | u / 2 }是个小概率事件 （如上图） .
第一节
假设检验的 基本概念
一、假设检验的基本原理 二、假设检验的基本概念 三、两类错误
回
四、假设检验的一般步骤
停 下
实验设计 数理统计 统计推断
参数估计 假设检验 (回归分析)
统计推断： 研究如何加工、处理数据，从而 对所考察对象的性质做出尽可能精确和可靠的 推断.
很难发生. 但“很难发生”不等于“不发生”, 因而 假设检验所作出的结论有可能是错误的. 这种错误 有两类： (1) 当原假设H0为真, 观察值却落入拒绝域, 而 作出了拒绝H0的判断, 称为第Ⅰ类错误, 又叫弃真 错误, 这类错误是“以真为假”. 犯第Ⅰ类错误的概 率就是显著性水平 .
= P { 拒绝原假设H0 | H0为真 }
H0称为原假设或零假设, H1称为备择假设.
4. 拒绝域与临界点样本值x=(x1, x2, · · · , xn)所组成的集合. W1 = { x x 且使H0不成立}
W1 W1 ： 拒绝原假设H0的检验统计量的取值范围.
W1 x x , U U
根据小概率原理, 如果H 0为真，则 | x 0 | 不应太大，则由一次试验得到
满足不等式
| u |
| x 0 |
/ n
假设检验
p(z≤-1.96)=0.025
-1.96
p(z≥1.96)=0.025 0 p-值=2×0.025=0.05
1.96
（二）单侧检验
美国联邦贸易委员会(FTC)定期设计调查以对制造商的产品说 明进行检查。例如，听装Hill-top咖啡的标签上表明其容量为3磅。 FTC知道Hilltop的生产线无法精确地将3磅咖啡放入每听中，甚 至无法保证所有听的填充重量的总体均值为每听3磅。当然，只 要填充重量的总体均值每听至少为3磅，则消费者的权益将得到 保障。从而，FTC认为咖啡的标签上可以看做Hilltop的声明—— 其填充物重量的总体均值为每听至少3磅。
解：根据问题可知总体标准差已知，σ = 0.015，X～
N(μ, 0.0152)，本题需要对总体均值μ进行假设检验。
第一步: 提出原假设和备择假设
H0：μ = 0.5
H1：μ ≠ 0.5
第三步，根据原假设以及样本观测值计算出检验统计量的 值
原假设μ= 0.5 ，样本均值为0.511，n=9，代入检验统 计量，得
根据不同情况，总体参数的假设检验采取如下三种形式 之一，以总体均值的假设检验为例，令μ0 代表假定值：
（1）H0：μ≥ μ0 （2）H0：μ≤ μ0 （3）H0：μ= μ0
H1：μ< μ0 左侧检验 H1：μ> μ0 右侧检验 H1：μ≠ μ0 双侧检验
前面两种形式称为单边(侧)检验，第三种形式称为
(2) 零假设H0一定要设为“≤”或“≥”，相应的备
则假设H1要设为“＞”或“＜”，这是因为人们实 际上就是在零假设H0成立的前提下来建立理论分布 的。 (3) 拒绝域在图形的左侧或右侧大体上与零假设H0 中的不等式开口方向一致。零假设H0为“≤”，开 口朝右，则拒绝域在分布的右边，称为右边检验； 零假设H0为“≥”，开口朝左，则拒绝域在分布的 左边，称为左边检验。
假设检验举例通俗
假设检验举例通俗以假设检验举例通俗为题，列举一下如下：1. 假设检验是统计学中一种重要的推断方法，用于判断某个假设是否具有统计显著性。
例如，我们可以通过假设检验来判断一种新药物对于治疗某种疾病是否有效。
我们先提出一个原假设，即新药物对于治疗该疾病没有效果，然后进行一系列实验，收集数据并进行统计分析，最后得出结论，判断该药物是否具有统计显著性。
2. 假设检验也可以用于判断两组数据之间是否存在显著差异。
例如，我们可以通过假设检验来判断男性和女性在某个指标上是否存在差异。
我们先提出一个原假设，即男性和女性在该指标上没有差异，然后收集两组数据进行统计分析，最后得出结论，判断两组数据是否具有统计显著性差异。
3. 假设检验还可以用于判断某个事件是否具有统计显著性。
例如，我们可以通过假设检验来判断某个广告对于销售额的提升是否具有统计显著性。
我们先提出一个原假设，即该广告对于销售额没有影响，然后进行实验，收集数据并进行统计分析，最后得出结论，判断该广告是否具有统计显著性影响。
4. 假设检验还可以用于判断某个样本是否符合某个分布。
例如，我们可以通过假设检验来判断某个样本是否符合正态分布。
我们先提出一个原假设，即该样本符合正态分布，然后进行统计分析，最后得出结论，判断该样本是否具有统计显著性符合正态分布。
5. 假设检验还可以用于判断某个变量之间是否存在相关性。
例如，我们可以通过假设检验来判断收入水平和教育水平之间是否存在相关性。
我们先提出一个原假设，即收入水平和教育水平之间没有相关性，然后进行统计分析，最后得出结论，判断两个变量是否具有统计显著性相关性。
6. 假设检验还可以用于判断某个样本是否具有统计显著性特征。
例如，我们可以通过假设检验来判断某个样本的均值是否具有统计显著性差异。
我们先提出一个原假设，即该样本的均值没有差异，然后进行统计分析，最后得出结论，判断该样本的均值是否具有统计显著性差异。
7. 假设检验还可以用于判断某个事件的发生概率是否符合某个理论值。
假设检验
假设检验假设检验(Hypothesis Testing)是数理统计学中根据一定假设条件由样本推断总体的一种方法。
具体作法是：根据问题的需要对所研究的总体作某种假设，记作H0；选取合适的统计量，这个统计量的选取要使得在假设H0成立时，其分布为已知；由实测的样本，计算出统计量的值，并根据预先给定的显著性水平进行检验，作出拒绝或接受假设H0的判断。
常用的假设检验方法有u—检验法、t检验法、χ2检验法(卡方检验)、F—检验法，秩和检验等。
中文名假设检验外文名 hypothesis test提出者 K.Pearson 提出时间 20世纪初1、简介假设检验又称统计假设检验（注：显著性检验只是假设检验中最常用的一种方法），是一种基本的统计推断形式，也是数理统计学的一个重要的分支，用来判断样本与样本，样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。
其基本原理是先对总体的特征作出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受作出推断。
[1]2、基本思想假设检验的基本思想是小概率反证法思想。
小概率思想是指小概率事件（P<0.01或P<0.05）在一次试验中基本上不会发生。
反证法思想是先提出假设(检验假设H0)，再用适当的统计方法确定假设成立的可能性大小，如可能性小，则认为假设不成立，若可能性大，则还不能认为假设成立。
[2] 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，称为备择假设。
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）。
假设检验
产品检验： ■全数检验 ■抽样检验
能最真实、完整的反映所有产品的特性结果 GB/T2828.1-2003 存在抽样误差
总体与样本
判断
总体
随机抽取
样本
测量
数据
根据样本的信息推断总体
2. 假设检验的基本原理：小概率反证法 小概率原理：指小概率事件（通常概率 α≤0.05称为“小概率事件）在一次试 验中基本不会发生，反证法思想是先提 出某项假设（H0 ），用统计方法确定假 设的可能性（即检验假设是否正确）： 可能性小，即假设不成立，应拒绝原假 设；如果可能性大，则接受假设，则假 设成立。
⑹根据显著性水平α 及统计量、样本自由 度查概率分布表。获取在此显著性水平α 下的置信区间，即临界值。 双侧检验：根据α/2或(1－α/2)确定临界值 单侧检验：根据α或(1 －α) 确定临界值
⑺做出判断：将计算出的统计量与查表得 出的临界值进行比较，作出拒绝或接受H0 的判断。
五、应用实例
1.单个正态总体的均值检验——t 检验
s12 0.0955 F 2 3.66 s2 0.0261 计算统计量：
n1=8，则样本的自由度 1 n1 1 7 n2=9，则样本的自由度 2 n2 1 8 α =0.05，查F检验临界值（F2）表，P(F ＞F2)= α 得到：F0.05(7、8）= 3.50 F在拒绝域内 结论：原假设H0不成立，即甲机床的精度比乙机床低。
因此，可用计算确定均值µ及1—α 置信区间的 方法来检验上述假设是否成立。 如果计算出来的置信区间包括µ 0 ，则接受H0 ； 如果计算出来的置信区间不包括µ 0 ，则拒绝H0
三、假设检验类型
• 参数假设：总体分布类型已知，对未知参数 的统计假设。检验参数假设问题称为参数假 设检验。当总体分布类型为正态分布时，则 为正态总体参数检验。 • 非参数假设：总体分布类型不明确，对参数 的各种统计假设。检验非参数假设问题称为 非参数假设检验，也称分布检验。参数假设 检验和非正态总体参数检验都比较复杂，在 QC小组活动中很少应用。
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。
假设检验
例２:某种零件的尺寸，要求其平均长度为4厘米，大于或小于4 厘米均属于不合格。该企业生产的零件平均长度是4厘米吗?
提出原假设 H0: = 4厘米
提出备择假设 H1: 4厘米
单边检验
例1：某灯泡制造商声称，该企业所生产的灯泡的平均使用 寿命在1000小时以上。该批产品的平均使用寿命超过1000小 时吗?
x 0 t ~ t (n 1) s n
正态总体、方差未知、小样本情况下，样本统计量的抽样分布
t
正态 分布
X S n
~ t (n 1)
正态分布 t (df = 13) t (df = 5)
t 分布
Z
X
t 分布与正态分布的比较
不同自由度的t分布
t
总体均值的检验—— t 检验（双边）
提出原假设H0: 1000 选择备择假设 H1: < 1000
例2：学生中通宵上网的人数超过25%吗？
提出原假设H0: 25％
选择备择假设 H1: 25％
例３：消费者协会接到消费者投诉，指控某品牌纸包装饮料 容量不足，有欺骗消费者之嫌。消费者协会从市场上随机抽 取50盒该品牌纸包装饮品，包装上标明的容量为250毫升， 但测试发现平均含量为248毫升，小于250毫升。这是生产中 正常的波动，还是厂商的有意行为？消费者协会能否根据该 样本数据，判定饮料厂商欺骗了消费者呢？
2 2
Z 1.96
2
决策准则
当 Z Z ,即Z Z 或Z Z 时 拒绝H 0
2 2 2
当 Z Z ,即 Z Z Z 时 接受H 0
什么是假设检验
什么是假设检验
假设检验（hypothesis testing）是指从对总体参数所做的一个假设开始，然后搜集样本数据，计算出样本统计量，进而运用这些数据测定假设的总体参数在多大程度上是可靠的，并做出承认还是拒绝该假设的判断。
如果进行假设检验时总体的分布形式已知，需要对总体的未知参数进行假设检验，称其为参数假设检验；若对总体分布形式所知甚少，需要对未知分布函数的形式及其他特征进行假设检验，通常称之为非参数假设检验。
此外，根据研究者感兴趣的备择假设的内容不同，假设检验还可分为单侧检验（单尾检验）和双侧检验（双尾检验），而单侧检验又分为左侧检验和右侧检验。
假设检验的基本思想是反证法思想和小概率事件原理。
反证法的思想是首先提出假设（由于未经检验是否成立，所以称为零假设、原假设或无效假设），然后用适当的统计方法确定假设成立的可能性大小，如果可能性小，则认为假设不成立，拒绝它；如果可能性大，还不能认为它不成立。
小概率事件原理，是指小概率事件在一次随机试验中几乎不可能发生，小概率事件发生的概率一般称之为“显著性水平”或“检验水平”，用表示，而概率小于多少算小概率是相对的，在进行统计分析时要事先规定，通常取=0.01、0.05、0.10等。
假设检验
四 假设检验一 基本内容1.假设检验对总体分布或分布中的某些参数作出假设，然后利用样本的观测值所提供的信息，检验这种假设是否成立，这一统计推断过程，称为假设检验。
（1） 待检验假设或零假设记为0H ，正在被检验的与0H 相对立的假设1H 称为备选假设或对立假设。
（2） 假设检验的依据——小概率原理：小概率事件在一次试验中实际上不会发生。
（3） 假设检验的思路是概率性质的反证法。
即首先假设成立，然后根据一次抽样所得的样本值得信息，若导致小概率事件发生，则拒绝原假设，否则接受原假设。
（4） 假设检验可能犯的两类错误：① 第一类错误（弃真错误）：即假设0H 为真而被拒绝，记为α，即00{|}P H H α=拒绝为真。
② 第二类错误（存伪错误）：假设0H 不真而被接受，记为β，即00{|}P H H β=接受不真。
③ 当样本容量n 一定时，,αβ不可能同时减少，在实际工作中总是控制α适当的小。
2.假设检验的程序对任何实际问题进行假设检验，其程序一般为五步，即： ⑴ 根据题意提出零假设0H （或相应备选假设1H ）。
⑵构造样本统计量并确定其分布；⑶给定显著性水平α，查表确定临界值，从而得出接受域和拒绝域； ⑷由样本观测值计算出统计量的值；⑸作出判断：若统计量的值落入拒绝域则拒绝0H ，若统计量的值落入接受域则接受0H 。
3.假设检验的主要方法Z 检验法、t 检验法、2λ检验法、F 检验法。
4.关于一个正态总体的假设检验⑴2200(,),H X N μδδμμ 已知，检验假设：=Z 检验法：①001000H H μμμμμμμμ≠><：= （：或或）②统计量0(0,1)()Z N H -=成立时。
③给出1122{}P Z ZZαααα--<=，，查正表定④ 由样本值12n x x x （，，，） 计算Z 的值 ⑤ 判断：若1122Z ZZαα--∈∞∈∞0（-，-）或Z （-，+），则拒绝H（这是对双侧检验提出的Z 检验法步骤，若是单侧可仿比） （2）2200(,),H X N μδδμμ 未知，检验假设：=t 检验法：①001000H H μμμμμμμμ≠><：= （：或或）②0(1)()t t n H -=- 成立时。
假设检验
H 0 : X = X 0; H1 : X ≠ X
0
或 H 0 : P = P0 ; H 1 : P ≠ P0
2.单侧检验:如果不仅仅检验样本平均数( 2.单侧检验:如果不仅仅检验样本平均数(或成 单侧检验 和总体平均数(或成数)有没有显著的差异， 数)和总体平均数(或成数)有没有显著的差异， 而且追究是否发生预先指定方向的差异（ 而且追究是否发生预先指定方向的差异（正差 异或负差异），则原假设取不等式形式， ），则原假设取不等式形式 异或负差异），则原假设取不等式形式，如：
其次，确定显著性水平。 其次，确定显著性水平。 我们所以拒绝原假设， 我们所以拒绝原假设，并不是因为它存在逻辑的 绝对矛盾，或实际上不可能存在这种假设， 绝对矛盾，或实际上不可能存在这种假设，而仅 仅因为它存在的可能性很小。 仅因为它存在的可能性很小。根据小概率事件原 理，概率很小的事件在一次试验中几乎是不会发 生的。 生的。如果根据原假设的条件正确计算出某一结 果发生的概率很小， 果发生的概率很小，理应在一次试验中不至于发 然而在一次试验中事实上又发生了， 生，然而在一次试验中事实上又发生了，则我们 认为原假设不正确，而拒绝接受。 认为原假设不正确，而拒绝接受。 进行假设检验时应该事先规定一个小概率的标 作为判断的界限， 准，作为判断的界限，这个小概率标准称为显 著性水平。 著性水平。
(一)设立假设 首先提出原假设，记为H 首先提出原假设，记为H0，原假设总是假定 总体没有显著性差异， 总体没有显著性差异，所有差异都是由随机 原因引起的。所以这种假设又称无效假设。 原因引起的。所以这种假设又称无效假设。 其次提出备择假设，记为H 其次提出备择假设，记为H1，如果原假设被 拒绝等于接受了备择假设， 拒绝等于接受了备择假设，所以备择假设也 就是原假设的对立事件。 就是原假设的对立事件。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
75
假设检验
Ⅰ．学习目的
假设检验包括参数检验与非参数检验，是一种最能体现统计推断思想和特点的方法。
通过本章学习，要求：1.掌握统计检验的基本原理，理解该检验的规则及犯两类错误的性质；2.熟练掌握总体均值、总体成数及总体方差指标的各种检验方法，包括：z 检验、t 检验和p 值检验；3.掌握2 检验、符号检验、秩和检验及游程检验四种基本的非参数检验方法。
Ⅱ．课程内容要点
第一节 假设检验的基本原理
一、假设检验的基本原理
“小概率原理”：小概率事件在一次试验中几乎是不会发生的。
事先所做的假设，是假设检验中关键的一项工作。
它包括原假设和备选假设两部分。
原假设是建立在假定原来总体参数没有发生变化的基础之上的。
备选假设是原假设的对立，是在否认原假设之后所要接受的，通常这是我们真正感兴趣的一个判断。
二、假设检验的规则与两类错误
1、假设检验的规则
假设检验的步骤：
（1）首先根据实际应用问题确定合适的原假设0H 和备选假设1H ；
（2）确定检验统计量，通过数理统计分析确定该统计量的抽样分布；
（3）给定检验的显著性水平α。
在原假设成立的条件下，结合备选假设的定义，由检验统计量的抽样分布情况求出相应的临界值，该临界值为原假设的接受域与拒绝域的分界值；
（4）从样本资料计算检验的样本统计量，并将其与临界值进行比较，判断是否接受或拒绝原假设。
从检验程序我们可以看出，统计量的取值范围可以分为接受域和拒绝域两个区域。
拒绝域正是统计量取值的小概率区域。
按照我们将这个拒绝域安排在所检验统计量的抽样分布的某一侧还是两端，可以将检验分为单侧检验或双侧检验。
双侧检验中，又可以根据拒绝域，是在左侧还是在右侧而分为左侧检验和右侧检验。
对于这些双侧、左、右单侧检验，我们要结合备选假设来考虑。
在检验规则中，我们经常碰到两种重要的检验方法：z检验与t检验。
p值检验的原理：给出原假设后，在假定原假设正确的情况下，参照备选假设，可以计算出检验统计量超过或者小于（还要依照分布的不同、单侧检验、双侧检验的差异而定）由样本所计算的检验统计量的数值的概率，这便是p值；而后将此概率值跟事先给出的显著性水平值α进行比较。
如果该值小于α，否定原假设，取对应的备选假设。
如果该值大于α，我们不就能否定原假设。
2、两类错误
H实际为真，但我们却依据样本信息，做出拒绝的错误结论当原假设
时，称为“弃真”错误；当原假设实际为假，而我们却错误接受时，称为“纳伪”错误。
通常记显著性水平α为犯“弃真”错误的可能性大小，β为犯“纳伪”错误的可能性大小。
由于两类错误是一对矛盾，在其他条件不变得情况下，减少犯“弃真”错误的可能性大小（α），势必增大犯“纳伪”错误的可能性大小（β），也就是说，β的大小和显著性水平α的大小成相反方向变化。
三、检验功效
-可以用来表明所做假设检验工作好坏的一个指标，我们称之为检1β
76。