总体均值的假设检验,方差未知
假设检验与方差分析 习题及答案
第七章 假设检验与方差分析 习题答案一、名词解释用规范性的语言解释统计学中的名词。
1. 假设检验：对总体分布或参数做出某种假设，然后再依据抽取的样本信息，对假设是否正确做出统计判断，即是否拒绝这种假设。
2. 原假设：又叫零假设或无效假设，是待检验的假设，表示为 H 0，总是含有等号。
3. 备择假设：是零假设的对立，表示为 H 1，总是含有不等号。
4. 单侧检验：备择假设符号为大于或小于时的假设检验。
5. 显著性水平：原假设为真时，拒绝原假设的概率。
6. 方差分析：是检验多个总体均值是否相等的一种统计分析方法。
二、判断改错对下列命题进行判断，在正确命题的括号内打“√”；在错误命题的括号内打“×”，并在错误的地方下划一横线，将改正后的内容写入题下空白处。
1. 在任何情况下，假设检验中的两类错误都不可能同时降低。
( × ) 样本量一定时2. 对于两样本的均值检验问题，若方差均未知，则方差分析和t 检验均可使用，且两者检验结果一致。
( √ )3. 方差分析中，组间离差平方和总是大于组内离差平方和。
( × )不一定4. 在假设检验中，如果在显著性水平0.05下拒绝了00:μμ≤H ，则在同一水平一定可以拒绝假设00:μμ=H 。
( × )不一定5. 为检验k 个总体均值是否显著不同，也可以用t 检验，且与方差分析相比，犯第一类错误的概率不变。
（ × ）会增加6. 方差分析中，若拒绝了零假设，则认为各个总体均值均有显著性差异。
( × ) 不完全相等六、简答题根据题意，用简明扼要的语言回答问题。
1. 假设检验与统计估计有何区别与联系？【答题要点】假设检验是在给定显著性水平下，计算出拒绝域，并根据样本统计量信息来做出是否拒绝零假设的决策；区间估计是利用样本信息来推断总体参数的一个可能范围。
区间估计结果可以用于假设检验，但假设检验不能用作区间估计。
2. 双侧检验与单侧检验有什么区别？【答题要点】双侧检验的零假设为等号，备择假设为不等号，得到的拒绝域为双侧的；单侧检验的备择假设或者是大于，或者是小于，其拒绝域为单侧区间。
第六章假设检验
第六章假设检验第六章假设检验一、选择题1.当显著水平为0.05时，则置信度为（）A.99%B.5%C.2.5%D.95%答案：D2.单个正态总体均值的假设检验，方差σ2已知时，应选择（）A.u检验B.t检验C.2χ检验D.F检验答案：A3.单个正态总体均值的假设检验，方差σ2未知,样本容量较小时，应选择（）A.u检验B.t检验C.2χ检验D.F检验答案：B4.在假设检验中,如果待检验的原假设为Ho,那么犯第二类错误的是指（）A.H o成立,接受H oB.H o不成立,接受H oC.H o成立,拒绝H oD.H o不成立,拒绝H o答案：B5.配对比较两个正态总体均值的假设检验，应选择（）A.u检验B.t检验C.2χ检验D.F检验答案：B6.成组比较两个正态总体方差的假设检验，应选择（）A.u检验B.t检验C.2χ检验D.F检验答案：D7.单个正态总体方差的假设检验，应选择（）A.u检验B.t检验C.2χ检验答案：C8.在假设检验的问题中,显著性水平α的意义是（）A.原假设H o 成立,经检验不能拒绝的概率B.原假设H o 成立,经检验被拒绝的概率C.原假设H o 不成立,经检验不能拒绝的概率D.原假设H o 不成立,经检验被拒绝的概率答案：B9.当方差σ2已知时,单个正态总体均值μ的假设检验选择的统计量是（） A.n u /σμ-= B.n S X /t μ-= C.222)1σχS n -=（ D.22222121//σσS S F =答案：A10.在假设检验中,未知方差σ2,单个正态总体均值μ的假设检验采用（）A.u 检验B.2χ检验C.t 检验D.F 检验答案：C11.假设检验时应注意的主要问题是（）A.资料来源必须随机化B.检验方法应符合其适用条件C.不要把“显著”当作相差很大D.以上都对答案：D 12.对于单个正态总体方差σ2的假设检验,备择假设为H 1:σ2>σ20,进行了2χ单侧检验。
总体均数的假设检验
$number {01}
目 录
• 引言 • 假设检验的基本原理 • 总体均数的假设检验方法 • 实例分析 • 总结与展望
01 引言
目的和背景
确定样本数据是否与假设的总体均数 存在显著差异，从而对总体均数进行 假设检验。
在科学实验、统计学、医学研究等领 域广泛应用，用于评估样本数据是否 支持或拒绝关于总体均数的假设。
配对样本均数假设检验实例
总结词
配对样本均数假设检验用于比较同一组研究对象在不同条件下的均数是否存在统计学显 著性差异。
详细描述
例如，为了比较同一组患者在接受两种不同治疗措施前后的改善程度，研究者收集了患 者的基线数据和接受不同治疗措施后的数据，并计算出各自治疗组的平均改善程度。然 后，研究者使用配对样本均数假设检验来比较同一组患者在不同治疗措施下的平均改善
概念简介
假设检验是一种统计推断方法，通过 检验样本数据是否符合某个假设，从 而对总体参数进行推断。
它基于概率论原理，通过计算样本数 据与假设的总体参数之间的差异，评 估这种差异是否具有统计学上的显著 性。
02
假设检验的基本原理
假设检验的步骤
建立假设
根据研究目的，提出一个关于总 体参数的假设，通常包括零假设 和备择假设。
收集样本数据
从总体中随机抽取一定数量的样 本，并记录样本数据。
确定检验水准
选择合适的检验水准，如α和β， 以平衡第一类和第二类错误的概 率。
计算统计量
根据样本数据计算适当的统计量， 如t值、Z值或χ^2值。
假设检验的类型
1 2
3
单样本均数检验
比较一个样本均数与已知总体均数或正常值范围。
两样本均数比较
第七章假设检验
第一节 第二节 检验 假设检验的一般问题 总体均值, 总体均值,比例和方差的假设
学习目标
1. 了解假设检验的基本思想 2. 掌握假设检验的步骤 3. 能对实际问题作假设检验
第一节 假设检验的一般问题
一,假设检验的概念 二,假设检验的步骤 三,假设检验中的小概率原理 四,假设检验中的两类错误 五,双侧检验和单侧检验
拒绝域 置信水平
α
1-α 接受域 H0值 样本统计量
临界值
6,右侧检验(显著性水平与拒绝域 ) 右侧检验( 抽样分布
置信水平 拒绝域 1-α 接受域 H0值 观察到的样本统计量 样本统计量
α
临界值
抽样分布
1-α 接受域 H0值
置信水平 拒绝域
α
临界值
样本统计量
第二节 总体均值,比例和方差的假设检验
1,原假设为真时拒绝原假设 , 2,会产生一系列后果 , 3,第一类错误的概率为α ,第一类错误的概率为α
被称为显著性水平 第二类错误(取伪错误) (二)第二类错误(取伪错误)
1,原假设为假时接受原假设 , 2,第二类错误的概率为β ,第二类错误的概率为β
(三)列表
H0: 无罪
假设检验就好 像一场审判过程
2,确定假设的步骤 例如问题为: 检验该企业生产的零件平均长度为4厘米 步骤: (1)从统计角度陈述问题 ( = 4) 1 (2)从统计角度提出相反的问题 ( ≠ 4) 必需互斥和穷尽 (3)提出原假设 ( = 4) (4)提出备择假设 ( ≠ 4) 有 ≠ 符号
3,双侧检验(例子) 双侧检验(例子)
1,原假设与备择假设是一个完整事件组. 2,通常先确定备择假设,再定原假设. 3,等号总放在原假设. 4,两者的选择本质上带有主观色彩. 5,假设检验的目的主要是收集证据拒绝原 假设.
6 假设检验
常用的α 值为0.01, 0.05, 0.1
由研究者事先确定。
拒绝域 1/2 1 － 接受域
拒绝域 1/2
临界值
H0
临界值
假设检验的步骤
根据问题要求提出 原假设（H0 ）和备择假设（H1）； 确定适当的检验统计量及相应的抽样分布；
计算检验统计量的值；
选取显著性水平，确定原假设的接受域和拒绝域； 作出统计决策。
举例2
某品牌洗发水在产品说明书中称：平均净含 量不少于500ml。相关机构要通过抽检其中 一批产品来验证是否属实。试陈述用于检验
的原假设和备择假设。
设该品牌洗发水的平均净含量真值是μ。 如果μ＜500，表明说明书的内容不属实。
H0 ：μ ≥ 500 （净含量符合说明书）
H1 ：μ ＜ 500 （净含量不符合说明书）
举例3
一家研究机构估计，某城市中家庭拥有汽车 的比率超过30%。为验证这一估计是否正确， 该机构随机抽取了一个样本进行检验。试陈
述用于检验的原假设和备择假设。
设该城市家庭拥有汽车的比率真值是 p。 研究者想收集证据予以证明：比率不超过30% H0 ：p ≤ 30% （比率不超过30%）
H1 ：p ＞ 30% （比率超过30%）
例题
一种罐装饮料每罐的容量是255ml，标准差是
5ml。为检验每罐容量是否符合要求，质检人员
在某天的产品中随机抽取40罐进行检验，测得平 均容量为255.8ml。取显著性水平 =0.05，检 验该天生产的饮料容量是否符合标准要求。
设饮料的平均容量为μ。 H0 ：μ = 255 （容量符合要求） H1 ：μ≠255 （容量不符合要求）
跟我学一步步学Minitab (20)方差未知但相等双总体均值差异假设检验
方差未知，是否相等如何知道？
方差未知，当无法从历史经验中获得方差数据时
如何判定方差是否相等？
数据来源一致，例如生产线 的5M1E基本一样，方差基 本相等
用方差检验的方法来判定 方差是否相等
分析例子 对生产线进行改造,生产线5M1E相同,可视为方差相当,但未知
改善前后产品的强度抽样如下
产品编号 1
分析例子 在Minitab工作表上，整理好数据
Minitab选项表中，选择统计>基本统计量>双样本t
分析的例子 在弹出的选项中，按如下方式进行选择
望大特性，选择 大于
按“选项”继续进行分析设定
选择：改善后强 度 选择:改善前强度
勾选假定等方差
分析的例子 对获得的分析结果进行解释
这 是 抽 样 10 个 产 品的强度均值
方差未知但相等双总体均值差异假设检验 方差未知但相等双总体均值差异假设检验
大家好！今天我们谈谈：“如何利Minitab进行方差未知但相等双总体均值差异假设检验”
什么是双总体均值差异假设检验
当有两个总体，都服从正态分布，需要知道它们的均值是否相等
如生产线改造前后产品强度 比对
如A产品替代B产品是否 可行
2
3
4
5
6
7
8
9 10
改善前强度 301 304 298 299 308 301 297 300 303 298
改善后强度 304 301 297 306 298 310 303 299 304 305
分析目的：强度是否有显著提高？
分析例子
方差未知但相等，双样本，选择双样本t检验,望大特性
原假设（H0）：μ1=μ2； 备择假设（H1）：μ2>μ1 求出p值，如果p值小于0.05，则强度明显提高
跟我学一步步学Minitab (21)方差未知且不相等双总体均值差异假设检验
方差未知，是否相等如何知道？
方差未知，当无法从历史经验中获得方差数据时
如何判定方差是否相等？
数据来源一致，例如生产线 的5M1E基本一样，方差基 本相等
用方差检验的方法来判定 ห้องสมุดไป่ตู้差是否相等
分析例子 A产品无法获得,用B产品替代,考核指标强度是否相当,方差不等且未知
检验A\B产品强度结果如下
产品编号 1
2
3
4
5
6
7
8
9 10
A产品强度 301 304 298 299 308 301 297 300 303 298
B产品强度 304 301 297 306 298 310 303 299 304 305
分析目的：B产品是否可以替代A产品
分析例子
方差未知且不相等，双样本，选择双样本t检验,望目特性
原假设（H0）：μ1=μ2； 备择假设（H1）：μ1≠μ2 求出p值，如果p值大于0.05，B产品可以替代A产品
这是抽样10个产品A和 B强度均值差异的置信 区间
这 是 抽 样 10个 产品强 度的标准差
分析的例子 对获得的分析结果进行解释
P值0.291， 大于 0.05 ， 不 能 拒 绝 原假设
不能拒绝原假设，就认为 原假设成立，备选假设不 成立。认为B 产品可以替 代A产品。
今天就谈到这，欢迎大家交流！
方差未知且不相等双总体均值差异假设检验 方差未知且不相等双总体均值差异假设检验
大家好！今天我们谈谈：“如何利用Minitab进行方差未知且不相等双总体均值差异假设检验”
什么是双总体均值差异假设检验
当有两个总体，都服从正态分布，需要知道它们的均值是否相等
如生产线改造前后产品强度 比对
统计学第六章假设检验
10
即 z 拒绝域，没有落入接受域，所以没有足够理由接受原假设H0, 同
时，说明该类型电子元件的使用寿命确实有了显著的提高。
第六章 假设检验
1. 正态总体均值的假设检验
(2) 总体方差 2 未知的情形
双侧举例：【例 6-6】某厂用生产线上自动包装的产品重量服从正态
分布，每包标准重量为1000克。现随机抽查9包，测得样本平均重量为
100个该类型的元件，测得平均寿命为102(小时), 给定显著水平α=0.05,
问，该类型的电子元件的使用寿命是否有明显的提高？
解：该检验的假设为右单侧检验 H0: u≤100, H1: u>100
已知 z z0.05 1.645
zˆ x u0 n 100 (102 100 ) 2 1.645
986克，样本标准差是24克。问在α=0.05的显著水平下,能否认为生产线
工作正常？ 解：该检验的假设为双侧检验 H0: u=0.5, H1: u≠0.5
已知 t /2 (n 1) t0.025 (9 1) 2.306， 而 tˆ x u 986 1000 1.75 可见 tˆ 1.75 2.306
设H0, 同时，说明该包装机生产正常。
其中 P( Z 1.8) 1 P( Z 1.8) 1 0.9281 0.0719 0.05。
第六章 假设检验
单侧举例：【例 6-4】某电子产品的平均寿命达到5000小时才算合格，
现从一批产品中随机抽出12件进行试验，产品的寿命分别为
5059, 3897, 3631, 5050, 7474, 5077, 4545, 6279, 3532, 2773, 7419, 5116
的显著性水平=0.05，试测算该日生产的螺丝钉的方差是否正常？
非正态总体参数的检验
医药数理统计方法
例6-15.某医生为比较槟榔煎剂和阿的平的驱虫效果， 用槟榔煎剂治疗了54例绦虫患者，有效率为81.48%； 用阿的平治疗了36例绦虫患者，有效率为66.67%。
问：两种药物驱虫效果有无显著差异？( =0.05 )
分析:
n1 54, p1 0.8148, n2 36, p2 0.6667 p n1 p1 n2 p2 0.7556
P0
0.006, n
150,
p
m n
2 150
0.0133
医药数理统计方法
解: <1>建立假设: H0：P P0 0.006 , H1 : P P0 0.006
<2>构造并计算检验统计量
u p P0 1.158 P0(1 P0 ) / n
<3> =0.05,查正态分布表,得： u0.05 1.645
S/ n
(二)单个总体均值的假设检验
医药数理统计方法
检验目的: H0 : 1 2 H1 : 1 2 检验统计量:
(1)两总体方差已知: u
x y
~ N (0,1)
2 1
/
n1
2 2
/
n2
(2)两总体方差未知: u
x y
~ N (0,1)
S12 / n1 S22 / n2
医药数理统计方法
医药数理统计方法
例6-14.根据国家有关质量标准，某厂生产的某种药品
次品率不得超过0.6%。现从该厂生产的一批药品中随
机抽取150件进？（ =0.05 ）
分析:
m2
P0
0.006, n 150, p
n
0.0133 150
检验: H0：P P0 0.006 , H1 : P P0 0.006
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
实验1 假设检验
项目八 假设检验、回归分析与方差分析实验1 假设检验实验目的 掌握用Mathematica 作单正态总体均值、方差的假设检验, 双正态总体的均值差、方差比的假设检验方法, 了解用Mathematica 作分布拟合函数检验的方法.基本命令1.调用假设检验软件包的命令<<Statistics\HypothesisTests.m输入并执行命令<<Statistics\HypothesisTests.m2.检验单正态总体均值的命令MeanTest命令的基本格式为MeanTest[样本观察值,0H 中均值0μ的值, TwoSided->False(或True), Known Variance->None (或方差的已知值20σ),SignificanceLevel->检验的显著性水平α,FullReport->True]该命令无论对总体的均值是已知还是未知的情形均适用.命令MeanTest 有几个重要的选项. 选项Twosided->False 缺省时作单边检验. 选项Known Variance->None 时为方差未知, 所作的检验为t 检验. 选项Known Variance->20σ时为方差已知(20σ是已知方差的值), 所作的检验为u 检验. 选项Known Variance->None 缺省时作方差未知的假设检验. 选项SignificanceLevel->0.05表示选定检验的水平为0.05. 选项FullReport->True 表示全面报告检验结果.3.检验双正态总体均值差的命令MeanDifferenceTest命令的基本格式为MeanDifferenceTest[样本1的观察值,样本2的观察值,0H 中的均值21μμ-,选项1,选项2,…]其中选项TwoSided->False(或True), SignificanceLevel->检验的显著性水平α,FullReport->True 的用法同命令MeanTest 中的用法. 选项EqualVariances->False(或True)表示两个正态总体的方差不相等(或相等).4.检验单正态总体方差的命令VarianceTest命令的基本格式为VarianceTest[样本观察值,0H 中的方差20σ的值,选项1,选项2,…]该命令的选项与命令MeanTest 中的选项相同.5.检验双正态总体方差比的命令VarianceRatioTest命令的基本格式为VarianceRatioTest[样本1的观察值,样本2的观察值,0H 中方差比2221σσ的值,选项1,选项2,…] 该命令的选项也与命令MeanTest 中的选项相同.注: 在使用上述几个假设检验命令的输出报告中会遇到像OneSidedPValue->0.000217593这样的项,它报告了单边检验的P 值为0.000217593. P 值的定义是: 在原假设成立的条件下, 检验统计量取其观察值及比观察值更极端的值(沿着对立假设方向)的概率. P 值也称作“观察”到的显著性水平. P 值越小, 反对原假设的证据越强. 通常若P 低于5%, 称此结果为统计显著; 若P 低于1%,称此结果为高度显著.6.当数据为概括数据时的假设检验命令当数据为概括数据时, 要根据假设检验的理论, 计算统计量的观察值, 再查表作出结论. 用以下命令可以代替查表与计算, 直接计算得到检验结果.(1)统计量服从正态分布时, 求正态分布P 值的命令NormalPValue. 其格式为NormalPValue[统计量观察值,显著性选项,单边或双边检验选项](2)统计量服从t 分布时, 求t 分布P 值的命令StudentTPValue. 其格式为StudentTPValue[统计量观察值,自由度,显著性选项,单边或双边检验选项](3)统计量服从2χ分布时, 求2χ分布P 值的命令ChiSquarePValue. 其格式为ChiSquarePValue[统计量观察值,自由度,显著性选项,单边或双边检验选项](4)统计量服从F 分布时, 求F 分布P 值的命令FratioPValue. 其格式为FratioPValue[统计量观察值,分子自由度,分母自由度,显著性选项,单边或双边检验选项](5)报告检验结果的命令ResultOfTest. 其格式为ResultOfTest[P 值,显著性选项,单边或双边检验选项,FullReport->True]注:上述命令中, 缺省默认的显著性水平都是0.05, 默认的检验都是单边检验.实验举例单正态总体均值的假设检验(方差已知情形)例 1.1 (教材 例 1.1) 某车间生产钢丝, 用X 表示钢丝的折断力, 由经验判断),(~2σμN X , 其中228,570==σμ, 今换了一批材料, 从性能上看, 估计折断力的方差2σ不会有什么变化(即仍有228=σ), 但不知折断力的均值μ和原先有无差别. 现抽得样本, 测得其折断力为578 572 570 568 572 570 570 572 596 584取,05.0=α试检验折断力均值有无变化?根据题意, 要对均值作双侧假设检验570:,570:10≠=μμH H输入<<Statistics\HypothesisTests.m 执行后, 再输入 data1={578,572,570,568,572,570,570,572,596,584};MeanTest[data1,570,SignificanceLevel->0.05,KnownVariance->64,TwoSided->True,FullReport->True](*检验均值, 显著性水平05.0=α, 方差083.02=σ已知*)则输出结果{FullReport->MeanTestStat Distribution 575.2 2.05548 NormalDistribution[]TwoSidedPValue->0.0398326,Reject null hypothesis at significance level ->0.05}即结果给出检验报告: 样本均值2.575=x , 所用的检验统计量为u 统计量(正态分布),检验统计量的观测值为 2.05548, 双侧检验的P 值为0.0398326, 在显著性水平05.0=α下, 拒绝原假设, 即认为折断力的均值发生了变化.例 1.2 (教材 例 1.2) 有一工厂生产一种灯管, 已知灯管的寿命X 服从正态分布)40000,(μN , 根据以往的生产经验, 知道灯管的平均寿命不会超过1500小时. 为了提高灯管的平均寿命, 工厂采用了新的工艺. 为了弄清楚新工艺是否真的能提高灯管的平均寿命,他们测试了采用新工艺生产的25只灯管的寿命. 其平均值是1575小时, 尽管样本的平均值大于1500小时, 试问: 可否由此判定这恰是新工艺的效应, 而非偶然的原因使得抽出的这25只灯管的平均寿命较长呢?根据题意, 需对均值的作单侧假设检验 1500:,1500:10>≤μμH H检验的统计量为 n X U /0σμ-=, 输入 p1=NormalPValue[(1575-1500)/200*Sqrt[25]]ResultOfTest[p1[[2]],SignificanceLevel ->0.05,FullReport ->True]执行后的输出结果为OneSidedPValue ->0.0303964{OneSidedPValue->0.0303964,Fail to reject null hypothesis at significance level ->0.05}即输出结果拒绝原假设单正态总体均值的假设检验(方差未知情形)例1.3 (教材 例1.3) 水泥厂用自动包装机包装水泥, 每袋额定重量是50kg, 某日开工后随机抽查了9袋, 称得重量如下:49.6 49.3 50.1 50.0 49.2 49.9 49.8 51.0 50.2设每袋重量服从正态分布, 问包装机工作是否正常(05.0=α)?根据题意, 要对均值作双侧假设检验:50:;50:10≠=μμH H输入 data2={49.6,49.3,50.1,50.0,49.2,49.9,49.8,51.0,50.2};MeanTest[data2,50.0,SignificanceLevel ->0.05,FullReport ->True](*单边检验且未知方差,故选项TwoSided,KnownVariance 均采用缺省值*)执行后的输出结果为{FullReport->Mean TestStat Distribution,49.9 -0.559503 StudentTDistribution[8]OneSidedPValue ->0.295567,Fail to reject null hypothesis at significance level ->0.05}即结果给出检验报告: 样本均值9.49=X , 所用的检验统计量为自由度8的t 分布(t 检验),检验统计量的观测值为-0.559503, 双侧检验的P 值为0.295567, 在显著性水平05.0=α下, 不拒绝原假设, 即认为包装机工作正常.例1.4 (教材 例1.4) 从一批零件中任取100件,测其直径,得平均直径为5.2,标准差为1.6.在显著性水平05.0=α下,判定这批零件的直径是否符合5的标准.根据题意, 要对均值作假设检验:.5:;5:10≠=μμH H 检验的统计量为n s T /0μ-=, 它服从自由度为1-n 的t 分布. 已知样本容量,100=n 样本均值2.5=X , 样本标准差6.1=s .输入StudentTPValue[(5.2-5)/1.6*Sqrt[100],100-1,TwoSided->True]则输出TwoSidedPValue->0.214246 即P 值等于0.214246, 大于0.05, 故不拒绝原假设, 认为这批零件的直径符合5的标准.单正态总体的方差的假设检验例1.5 (教材 例1.5) 某工厂生产金属丝, 产品指标为折断力. 折断力的方差被用作工厂生产精度的表征. 方差越小, 表明精度越高. 以往工厂一直把该方差保持在64(kg 2)与64以下. 最近从一批产品中抽取10根作折断力试验, 测得的结果(单位为千克) 如下:578 572 570 568 572 570 572 596 584 570 由上述样本数据算得74.75,2.5752==s x .为此, 厂方怀疑金属丝折断力的方差是否变大了. 如确实增大了, 表明生产精度不如以前, 就需对生产流程作一番检验, 以发现生产环节中存在的问题.根据题意, 要对方差作双边假设检验:64:;64:2120>≤σσH H 输入 data3={578,572,570,568,572,570,572,596,584,570};VarianceTest[data3,64,SignificanceLevel->0.05,FullReport->True](*方差检验,使用双边检验,05.0=α*)则输出{FullReport->Variance TestStat Distribution75.7333 10.65 ChiSquareDistribution[9]OneSidedPValue->0.300464,Fail to reject null hypothesis at significance level->0.05}即检验报告给出: 样本方差,7333.752=s 所用检验统计量为自由度4的2χ分布统计量(2χ 检验), 检验统计量的观测值为10.65, 双边检验的P 值为0.300464, 在显著性水平05.0=α 时, 接受原假设, 即认为样本方差的偏大系偶然因素, 生产流程正常, 故不需再作进一步的 检查.例1.6 (教材 例1.6) 某厂生产的某种型号的电池, 其寿命(以小时计) 长期以来服从方差50002=σ的正态分布, 现有一批这种电池, 从它的生产情况来看, 寿命的波动性有所改变. 现随机取26只电池, 测出其寿命的样本方差92002=s .问根据这一数据能否推断这批电池的寿命的波动性较以往的有显著的变化(取02.0=α)?根据题意, 要对方差作双边假设检验: 5000:;5000:2120≠=σσH H 所用的检验统计量为,)1(2022σχS n -=它服从自由度为1-n 的2χ分布.已知样本容量,26=n 样本方差.92002=s 输入ChiSquarePValue[(26-1)*9200/5000, 26-1,TwoSided->True]则输出TwoSidedPValue->0.0128357.即P 值小于0.05, 故拒绝原假设. 认为这批电池寿命的波动性较以往有显著的变化.双正态总体均值差的检验(方差未知但相等)例1.7 (教材 例1.7) 某地某年高考后随机抽得15名男生、12名女生的物理考试成绩如下:男生: 49 48 47 53 51 43 39 57 56 46 42 44 55 44 40女生: 46 40 47 51 43 36 43 38 48 54 48 34从这27名学生的成绩能说明这个地区男女生的物理考试成绩不相上下吗?(显著性水平05.0=α).根据题意, 要对均值差作单边假设检验:211210:,:μμμμ≠=H H输入 data4={49.0,48,47,53,51,43,39,57,56,46,42,44,55,44,40};data5={46,40,47,51,43,36,43,38,48,54,48,34};MeanDifferenceTest[data4,data5,0,SignificanceLevel->0.05,TwoSided->True,FullReport->True,EqualVariances->True,FullReport->True](*指定显著性水平05.0=α,且方差相等*) 则输出{FullReport->MeanDiff TestStat Distribution3.6 1.56528 tudentTDistribution[25],OneSidedPValue->0.13009,Fail to reject null hypothesis at significance level->0.05} 即检验报告给出: 两个正态总体的均值差为3.6, 检验统计量为自由度25的t 分布(t 检验),检验统计量的观察值为1.56528, 单边检验的P 值为0.13009, 从而没有充分理由否认原假 设, 即认为这一地区男女生的物理考试成绩不相上下.双正态总体方差比的假设检验例1.8 (教材 例1.8) 为比较甲、乙两种安眠药的疗效, 将20名患者分成两组, 每组10人, 如服药后延长的睡眠时间分别服从正态分布, 其数据为(单位:小时):甲: 5.5 4.6 4.4 3.4 1.9 1.6 1.1 0.8 0.1 -0.1乙: 3.7 3.4 2.0 2.0 0.8 0.7 0 -0.1 -0.2 -1.6问在显著性水平05.0=α下两重要的疗效又无显著差别.根据题意, 先在21,μμ未知的条件下检验假设:2221122210:,:σσσσ≠=H H输入 list1={5.5,4.6,4.4,3.4,1.9,1.6,1.1,0.8,0.1,-0.1};list2={3.7,3.4,2.0,2.0,0.8,0.7,0,-0.1,-0.2,-1.6};VarianceRatioTest[list1,list2,1,SignificanceLevel->0.05,TwoSided->True,FullReport->True](*方差比检验,使用双边检验,05.0=α*) 则输出 {FullReport->Ratio TestStat Distribution1.41267 1.41267 FratioDistribution[9,9],TwoSidedPValue->0.615073,Fail to reject null hypothesis at significancelevel->0.05}即检验报告给出: 两个正态总体的样本方差之比2221s s 为1.41267, 检验统计量的分布为)9,9(F 分布(F 检验), 检验统计量的观察值为1.41267, 双侧检验的P 值为0.615073. 由检验报告知两总体方差相等的假设成立.其次, 要在方差相等的条件下作均值是否相等的假设检验:211210:,:μμμμ≠'='H H 输入MeanDifferenceTest[list1,list2,0,EqualVariances->True,SignificanceLevel->0.05,TwoSided->True,FullReport->True](*均值差是否为零的检验,已知方差相等,05.0=α,双边检验*)则输出{FullReport->MeanDiff TestStat Distribution1.26 1.52273 StudentTDistribution[18],TwoSidedPValue->0.1452,Fail to reject null hypothesis at significance level->0.05}根据输出的检验报告, 应接受原假设,:210μμ='H 因此, 在显著性水平05.0=α下可认为21μμ=.综合上述讨论结果, 可以认为两种安眠药疗效无显著差异.例1.9 (教材 例1.9) 甲、乙两厂生产同一种电阻, 现从甲乙两厂的产品中分别随机抽取12个和10个样品, 测得它们的电阻值后, 计算出样本方差分别为,40.121=s .38.422=s 假设电阻值服从正态分布, 在显著性水平10.0=ε下, 我们是否可以认为两厂生产的电阻值的方差相等.根据题意, 检验统计量为,2221S S F =它服从自由度(1,121--n n )的F 分布.已知样本容量10,1221==n n , 样本方差.38.4,40.12221==s s 该问题即检验假设: 2221122210:,:σσσσ≠=H H输入FRatioPValue[1.40/4.38,12-1,10-1,TwoSided->True,SignificanceLevel->0.1]则输出TwoSidedPValue->0.0785523,Reject null hypothesis at significance level->0.1}所以, 我们拒绝原假设, 即认为两厂生产的电阻阻值的方差不同分布拟合检验——2χ检验法例1.10 (教材 例1.10) 下面列出84个伊特拉斯坎男子头颅的最大宽度(单位:mm):141 148 132 138 154 142 150 146 155 158 150 140 147 148 144150 149 145 149 158 143 141 144 144 126 140 144 142 141 140145 135 147 146 141 136 140 146 142 137 148 154 137 139 143140 131 143 141 149 148 135 148 152 143 144 141 143 147 146150 132 142 142 143 153 149 146 149 138 142 149 142 137 134144 146 147 140 142 140 137 152 145试检验上述头颅的最大宽度数据是否来自正态总体(1.0=α)?输入数据data2={141,148,132,138,154,142,150,146,155,158,150,140, 147,148,144,150,149,145,149,158,143,141,144,144,126,140, 144,142,141,140,145,135,147,146,141,136,140,146,142,137, 148,154,137,139,143,140,131,143,141,149,148,135,148,152, 143,144,141,143,147,146,150,132,142,142,143,153,149,146, 149,138,142,149,142,137,134,144,146,147,140,142,140,137,152,145};输入Min[data2]|Max[data2] 则输出126|158 即头颅宽度数据的最小值为126, 最大值为158. 考虑区间[124.5,159.5], 它包括了所有的数据. 以5为间隔, 划分小区间. 计算落入每个小区间的频数, 输入pshu=BinCounts[data2,{124.5,159.5,5}] 则输出{1,4,10,33,24,9,3} 因为出现了两个区间内的频数小于5, 所以要合并小区间. 现在把频数为1, 4的两个区间合并, 再把频数为9, 3的两个区间合并. 这样只有5个小区间. 这些区间为(5.134,-∞),),,5.154(,],5.139,5.134(+∞为了计算分布函数在端点的值, 输入zu=Table[129.5+j*5,{j,1,4}] 则输出{134.5,139.5,144.5,149.5} 以这4个数为分点,把),(+∞-∞分成5个区间后,落入5个小区间的频数分别为5, 10, 33, 24, 12.它们除以数据的总个数就得到频率. 输入plv={5,10,33,24,12}/Length[data2]则输出⎭⎬⎫⎩⎨⎧71,72,2811,425,845下面计算在0H 成立条件下, 数据落入5个小区间的概率. 输入nor=NormalDistribution[Mean[data2],StandardDeviationMLE[data2]];(*Mean[data2]是总体均值的极大似然估计,StandardDeviationMLE[data2]是总体标准差的极大似然估计,NormalDistribution 是正态分布,因此nor 是由极大似然估计得到的正态分布*)Fhat=CDF[nor,zu] (*CDF 是分布函数的值*)则输出{0.0590736,0.235726,0.548693,0.832687}此即0H 成立条件下分布函数在分点的值. 再求相邻两个端点的分布函数值之差, 输入 Fhat2=Join[{0},Fhat,{1}];glv=Table[Fhat2[[j]]-Fhat2[[j-1]],{j,2,Length[Fhat2]}]则输出{0.0590736,0.176652,0.312967,0.283994,0.167313}输入计算检验统计量2χ值的命令chi=Apply[Plus,(plv-glv)^2/glv*Length[data2]]则输出3.59235再输入求2χ分布的P 值命令ChiSquarePValue[chi,2] (*5-2-1=2为2χ分布的自由度*)则输出OneSidedPValue->0.165932这个结果表明0H 成立条件下, 统计量2χ取3.59235及比它更大的概率为0.165932, 因此不拒绝0H , 即头颅的最大宽度数据服从正态分布.实验习题1.设某种电子元件的寿命X (单位:h)服从正态分布22,),,(σμσμN 均未知. 现测得16只元件的寿命如下:159 280 101 212 224 379 179 264222 362 168 250 149 260 485 170问是否有理由认为元件的平均寿命225h?是否有理由认为这种元件寿命的方差≤852?2.某化肥厂采用自动流水生产线,装袋记录表明,实际包重)2,100(~2N X ,打包机必须定期进行检查,确定机器是否需要调整,以确保所打的包不至过轻或过重,现随机抽取9包, 测得数据(单位:kg)如下102 100 105 103 98 99 100 97 105若要求完好率为95%,问机器是否需要调整?3.某炼铁厂的铁水的含碳量X 在正常情况下服从正态分布.现对操作工艺进行了某些改进,从中抽取5炉铁水测得含碳量百分比的数据如下4.421 4.052 4.357 4.287 4.683据此是否可以认为新工艺炼出的铁水含碳量的方差仍为?)05.0(108.02=α4.机器包装食盐,假设每袋盐的净重服从正态分布,规定每袋标准重量为500g,标准差不能超过0.02.某天开工后,为检验机械工作是否正常,从装好的食盐中随机地抽取9袋,则其净重(单位:500g)为0.994 1.014 1.02 0.95 0.968 0.968 1.048 0.982 1.03 问这天包装机工作是否正常(05.0=α)?5.(1)某切割机在正常工作时,切割每段金属棒的平均长度为10.5cm.今从一批产品中随机地抽取15段,测得其长度(单位:cm)如下10.4 10.6 10.1 10.4 10.5 10.3 10.3 10.210.9 10.6 10.8 10.5 10.7 10.2 10.7 设金属棒长度服从正态分布,且标准差没有变化,试问该机工作是否正常(05.0=α)?(2)上题中假定切割的长度服从正态分布,问该机切割的金属棒的平均长度有无显著变化(05.0=α)? (3)如果只假定切割的长度服从正态分布,问该机切割的金属棒长度的标准差有无显著变化(05.0=α)?6. 在平炉上进行一项试验以确定改变操作方法的建议是否会增加钢的得率,试验是在同一平炉进行的, 每炼一炉钢时除操作方法外, 其他方法都尽可能做到相同.先用标准方法炼一炉, 然后用建议的新方法炼一炉, 以后交替进行, 各炼了10炉, 其得率分别为(1) 标准方法 78.1 72.4 76.2 74.3 77.4 78.4 76.0 75.5 76.7 77.3(2) 新 方 法 79.1 81.0 77.3 79.1 80.0 79.1 79.1 77.3 80.2 82.1设这两个样本相互独立, 且分别来自正态总体),(21σμN 和),(22σμN ,21,μμ和2σ均未知.问建议的新操作方法能否提高得率(05.0=α).7.某自动机床加工同一种类型的零件.现从甲、乙两班加工的零件中各抽验了5各,测得它们的直径(单位:cm)分别为甲: 2.066 2.063 2.068 2.060 2.067乙: 2.058 2.057 2.063 2.059 2.060已知甲、乙二车床加工的零件其直径分别为),(~),,(~2221σμσμN Y N X ,试根据抽样结果来说明两车床加工的零件的平均直径有无显著性差异(05.0=α)?8.设某产品的使用寿命近似服从正态分布,要求平均使用寿命不低于1000h.现从一批产品中任取25只, 测得平均使用寿命为950h,样本方差为100, 在05.0=α下,检验这批产品是否合格.9. 两台机器生产某种部件的重量近似服从正态分布.分别抽取60与30个部件进行检测,样本方差分别为.66.9,46.152221==s s 试在05.0=α下检验假设 .:;:2221122210σσσσ>=H H 10.设某电子元件的可靠性指标服从正态分布,合格标准之一为标准差.05.00=σ现检测15次,测得指标的平均值95.0=x ,指标的标准差.03.0=s 试在1.0=α下检验假设.05.0:;05.0:221220≠=σσH H11.对两种香烟中尼古丁含量进行6次测试,得到样本均值与样本方差分别为 22.9,25.6,67.25,5.252221====s s y x 设尼古丁含量都近似服从正态分布,且方差相等.取显著性水平,05.0=α检验香烟中尼古丁含量的方差有无显著差异.。
3总体均值的假设检验
• 第3步：在分析工具中选择“t检验：平均值的成对二样 本分析”
• 第4步：当出现对话框后
•
在“变量1的区域”方框内键入数据区域
•
在“变量2的区域”方框内键入数据区域
• 为0)
在“假设平均差”方框内键入假设的差值(这里
•
在“”框内键入给定的显著性水平
1 - 29
质量管理 学实验
匹配样本
(数据形式)
质量管理
实验三
学实验 总体均值的假设检验
1 一个（单）总体均值的检验 2 两个（双）总体均值之差的检验
1 -1
质量管σ2理已知时,样本均值的抽样分布 学实验
总体是否正态分布
否
是
样本容量n
大
小
正态分布
x
~N
(, 1 2 )
n
或Z x ~ N (0,1) / n
1 -2
正态分布 非正态分布
x
~N
•第1步：将原始数据输入到Excel工作表格中
•第2步：选择“工具”下拉菜单并选择“数据分析”选项
•第3步：在“数据分析”对话框中选择 “t-检验：双样本异方 差假设”
•第4步：当对话框出现后
•
在“变量1的区域”方框中输入第1个样本的数据区域
•
在“变量2的区域”方框中输入第2个样本的数据区域
•
在“假设平均差”方框中输入假定的总体均值之差
•
在“”方框中输入给定的显著性水平(本例为0.05)
•
在“输出选项”选择计算结果的输出位置，然后“确
定”
1 - 25
质量管理 学实验
两个总体均值之差的 检验
(匹配样本)
1 - 26
质量管理 两个总体均值之差的检验
8.2正态总体均值的假设检验
t t ( n1 n2 2).
x y 因为 t 4.295, 1 1 sw 10 10
t0.05 (18) 1.7341,
所以拒绝 H 0 ,
即认为建议的新操作方法较原来的方法为优.
例5 有甲、乙两台机床加工相同的产品, 从这两台机床加工 的产品中随机地抽取若干件, 测得产品直径(单位:mm)为 机床甲: 20.5, 19.8, 19.7, 20.4, 20.1, 20.0, 19.0, 19.9
X 0 P Z / n
拒绝域为 Z Z
或 H0： 0；H1：0
X 0 P Z / n
拒绝域为 Z Z
2、方差未知 问题：总体 X~N（，2），2未知 假设 H0：=0；H1：≠0 构造T统计量 T X 0 ~ t (n 1)
t检验 双边检验
X 0 由 P t 2 (n 1) S n 确定拒绝域 T t 2 (n 1) x 0 如果统计量的观测值 T t 2 (n 1) S n
则拒绝原假设；否则接受原假设
S
n
例2 化工厂用自动包装机包装化肥，每包重量服从正态 分布，额定重量为100公斤。某日开工后，为了确定包 装机这天的工作是否正常，随机抽取9袋化肥，称得平 均重量为99.978，均方差为1.212，能否认为这天的包 装机工作正常？（=0.1） 解 由题意可知：化肥重量X~N（，2），0=100 方差未知，要求对均值进行检验，采用T检验法。
得 k t / 2 (n1 n2 2).
故拒绝域为
( x y) t t / 2 ( n1 n2 2). 1 1 sw n1 n2
概率论 正态总体的均值和方差的假设检验
H 0 : μ 1600,
2
H1 : μ 1600
由于方差σ 未知，故选择统计量
X 1600 T Sn / n
当H0 成立时,T ~ t ( n-1) = t (9) ,由所给的样本值
求得x 1582 ,
*2 16528.89 Sn
故
1582 1600 t 10 0.443 16528.89
1 提出待检验的假设H0及备择假设H1; 2 选择适当的检验统计量,在H0成立的条件 下,确定它的概率分布； 3 给定检验水平 ,(依前所得的概率分布)确 4 由样本观测值计算统计量的值； 5 根据统计量的观测值落入拒绝域W1内,还 是W1外进行判断,落入拒绝域W1内,拒绝H0;落入
拒绝域W1外,接受H0.
解
本题归结为检验假设
H 0 : μ 800,
选择统计量
H1 : μ 800;
X 800 U 9 40
当H0成立时,U~N(0,1).对于 = 0.05,由正态分布函
数表查得u /2=u0.025 =1.96,从而得检验的拒绝域为 W1={(x1 , x2 , ∙∙∙ , xn) :|u| u 0.025 =1.96 },
χ 2 的值进行判断:
若χ 2 W1，则拒绝 H0；若χ 2 W1，则接受 H0 .
2 拒绝域： W 1 {( x1 , x2 , , xn ) : χ 2 χ1 α / 2 ( n 1)} 2 n 1}. {( x1 , x2 , , xn ) : χ 2 χα /2
H 0 : μ1 μ2 , H1 : μ1 μ2
由样本值求得统计量 T 的观测值
t x y
2 ( n 1) s2 ( n1 1) s1 2 n 2n
假设检验与方差分析
参数检验
不依赖于总体参数的假设，而是直接对样本数据进行统计分析，例如中位数、众数等。
非参数检验
假设检验的类型
做出推断
根据样本数据和临界值的比较结果，做出关于总体参数的推断。
计算临界值
根据选择的统计量和显著性水平，计算临界值。
确定显著性水平
选择一个合适的显著性水平，用于判断样本数据是否具有统计学上的意义。
03
2. 收集数据
收集不同肥料处理下的农作物产量数据。
04
3. 数据整理
对数据进行整理，分组并计算各组的均值和总体均值。
05
4. 计算方差分析表
包括组间方差、组内方差和总方差。
06
5. 做出决策
根据组间方差和组内方差的比较，判断是否拒绝原假设。
方差分析案例
06
总结与展望
总结
01
假设检验与方差分析是统计学中常用的方法，用于研究不同组别之间的差异和比较不同数据集之间的关系。
假设检验与方差分析
目录
contents
引言 假设检验的基本概念 方差分析的基本概念 假设检验与方差分析的关联 案例分析 总结与展望
01
引言
是一种统计推断方法，通过检验样本数据是否符合某一假设，从而对总体做出推断。
是一种统计方法，用于比较不同组数据的均值是否存在显著差异。
主题介绍
方差分析
假设检验
对未来研究的展望
随着大数据时代的到来，数据量越来越大，对于高维数据的处理和分析成为未来研究的热点。如何利用假设检验与方差分析等方法处理高维数据，揭示其内在结构和规律，是未来研究的重要方向。
THANKS FOR
正态总体均值的假设检验
于是
x
0
/n
0.516
z0.05
1.645,
故接受 H0 , 认为该机工作正常.
2. 2为未知, 关于 的检验( t 检验)
设总体 X ~ N (, 2 ), 其中, 2 未知, 显著性水平为 .
求检验问题 H0 : 0 , H1 : 0 的拒绝域.
设 X1 , X2 ,, Xn 为来自总体 X 的样本,
正态总体均值的假设检验
一、单个总体均值 的检验
二、两个总体均值差的检验(t 检验) 三、基于成对数据的检验(t 检验)
一、单个总体N(, 2)均值 的检验
1. 2 为已知, 关于 的检验( Z 检验)
在正态总体 N(, 2) 讨论中
当
2为已知时,
关于
的检验问题
0
:
(1) 假设检验 H0 : 0 , H1 : 0 ; (2) 假设检验 H0 : 0 , H1 : 0 ; (3) 假设检验 H0 : 0 , H1 : 0 .
设两样本独立. 注意两总体的方差相等. 又设 X ,Y 分别是总体的样本均值, S12 , S22 是样本方
差, 1, 2 , 2 均为未知,
求检验问题 H0 : 1 2 , H1 : 1 2 ( 为已知常数)的拒绝域.
取显著性水平为 .
引入 t 统计量作为检验统计量:
t
(X Sw
11 n1 n2
k
得 k t / 2 (n1 n2 2).
故拒绝域为
t
(x sw
y)
11 n1 n2
t / 2 (n1
n2
2).
关于均值差的其它两个检验问题的拒绝域见表
8.1, 常用 0 的情况.
两个正态总体均值差和方差的假设检验
方差齐性检验是检验 两个正态总体方差是 否相等的统计方法。
常用的方差齐性检验 方法有：Levene检验、 Bartlett检验和Welch 检验。
Levene检验基于方差 分析，通过比较不同 组间的方差来判断方 差是否齐性。
Bartlett检验基于 Kruskal-Wallis秩和 检验，通过比较不同 组间的中位数和四分 位距来判断方差是否 齐性。
独立样本的均值检验
1
独立样本的均值检验是用来比较两个独立正态总 体的均值是否存在显著差异的统计方法。
2
常用的独立样本均值检验方法包括t检验和z检验， 其中t检验适用于小样本和大样本，而z检验适用 于大样本。
3
在进行独立样本均值检验时，需要满足独立性、 正态性和方差齐性的假设，以确保检验结果的准 确性和可靠性。
根据研究目的和数据类型，选择合适的统计量 来描述样本数据。
确定临界值
根据统计量的分布和显著性水平，确定临界值。
计算样本统计量
根据样本数据计算所选统计量的值。
做出决策
将样本统计量的值与临界值进行比较，做出接受 或拒绝原假设的决策。
解读结果
根据决策结果解读研究问题，给出结论和建议。
Part
02
两个正态总体均值的假设检验
Part
05
结论与展望
假设检验的优缺点
理论基础坚实
假设检验基于概率论和统计学原理，具有坚实的理论基础。
操作简便
假设检验提供了清晰的步骤和标准，方便研究者进行操作。
假设检验的优缺点
• 实用性强：假设检验广泛应用于各个领域，为科学研究和实践提供了有效的工具。
假设检验的优缺点
01
对数据要求较高
假设检验对数据的分布、样本量 等有一定的要求，不符合条件的 样本可能导致检验结果不准确。
第六章 假设检验
第一步：建立假设 第一步：
H0 : µ = 8000; H1 : µ > 8000
原假设的选取原则： 原假设的选取原则：没有充分理由 不能轻易否定的命题。 不能轻易否定的命题。
对立假设的选取原则：没有把握不 对立假设的选取原则： 能轻易肯定的命题。 能轻易肯定的命题。
第二步：寻找检验统计量 第二步：
2
第三步：给定显著性水平和临界值 第三步：
• 在原假设 H0 为真时，X 应该接近8000。 为真时， 如果 X 远离8000 ，就有理由怀疑原 假设为真。 假设为真。 • 例中，8300与8000之间算近还是算远？ 例中， 之间算近还是算远？ • 需要定一个界限，记此界限为c。 需要定一个界限，记此界限为c
假设检验是要根据样本的观测值对原假作 出判断，接受原假设或者拒绝。 出判断，接受原假设或者拒绝。 由于样本的随机性，客观情况未知， 由于样本的随机性，客观情况未知，有可 能犯错误。 能犯错误。 例：产品验收，有时面对的整批产品是合 产品验收， 格的，有时面对的整批产品是不合格的。 格的，有时面对的整批产品是不合格的。 拒收了合格率高的产品或者接受了合格率 低的产品都是犯了错误。 低的产品都是犯了错误。
例：餐厅的营业额问题： 餐厅的营业额问题：
H0 : µ = 8000; H1 : µ பைடு நூலகம் 8000
N(µ0 ,σ )
2 0
N(µ,σ )
2
在原假设成立的条件下，新菜单挂出后， 在原假设成立的条件下，新菜单挂出后， 每天营业额仍然服从正态分布
N(8000,640 )
如今获得了一个容量为9的样本， 如今获得了一个容量为9的样本，此时样 服从： 本均值 X 服从： 1 2 N(8000, ×640 ) 9