数据分析假设检验

以收集到的数据为根据，对要确认的事实进行判断的方法以及

找出作为判断基准的p-Value的方法。

000营业部的IQC小组每天都要检查合作公司的产品质量。

IQC小组根据产品有没有达到规定的质量要求，判断它是合格品还是不合格品。

即IQC小组必须对以下两个事实中的一个做出判断。

-产品的质量符合要求（是合格品）

-产品质量不符合要求（是不合格品）

还没有确认的两个事实称为假设，分别用0假设和对立假设表示。

（肯定的假设是0假设，否定0假设的是对立假设）

这种情况下，如果按照常理，应在合作公司交上来的部件中抽样本，并将其与预定的规格进行比较。规格和样本的差异大，则为对立假设；差异小，则为0假设。对这些数据进行整理……

换句话说，以样本为根据对0假设的概率进行计算，如果概率大则设定为0假设，概率小则设定为对立假设，这样的一系列判断方法称为假设检验。0假设的概率称为p-Value。

求出p-Value之后需要一个基准来判断它的大小。

这个基准称为显著性水平，一般会选择1%、5%、10%中的一个。

（通常使用5%）。显著性水平的选择跟分析者对0假设的确信程度有关。

如果对0假设很确信，为了尽量使0假设正确，应选择较低的显著性水平。

对0假设不是很确信的时候，为提高对立假设的正确率，应该选择较高的显著性水平。

1/15

对一个平均值的假设检验（已知某样本集合的标准误差率的时候）

确认一下身高的平均值是否为70。

（已知：某样本集合的标准偏差是12）

-0假设：平均身高是70-对立假设：平均身高不是70

Stat->BasicStatistics->1-SampleZ...

亲自操作一下，比较结果

2/15

对一个平均值的假设检验（未知某样本集合的标准偏差的时候）

确认一下身高的平均值是不是70

-0假设：平均身高是70;

-对立假设：平均身高不是70.

Stat->BasicStatistics->

1-Samplet...

亲自操作一下，比较结果

对一个平均值的假设检验（已知某样本集合的标准偏差的时候）

关于OptionMenu……（想更改可信度的时候）

亲自操作一下，比较结果

4/15

对一个平均值的假设检验（已知某样本集合的标准偏差的时候）

关于GraphsMenu……（要在分析同时画图像的时候）

亲自操作一下，比较结果

对两个平均值的假设检验（已知某样本集合的标准偏差的时候）

确认一下男、女的平均身高有没有差异。-0假设：男平均身高=女平均身高-对立假设：男平均身高≠女平均身高

Stat->BasicStatistics->

2-Samplet...

图像和可信度的调整参考前一页。

亲自操作一下，比较结果.

6/15

关于散布差异的假设检验...

确认一下男女的平均身高有没有差异

-0假设：男身高的分散程度=女身高的分散程度

-对立假设：男身高的分散程度≠女身高的分散程度

ANOVA->TestforEqualVariances...

关于男女身高的Boxplot，只能在比较对象是两个的时候得出，

有三个以上对象的时候则不能得出结论。

亲自操作一下，比较结果.

7/15

确认是不是正态分布

确认数据的正态分布

确认一下收集的Pulse是否属于正态分布。.

Stat->BasicStatistics->NormalityTest...

亲自操作一下，比较结果

8/15

非正态分布的正态化

通过确认可以知道练习3的数据不服从正态分布。

这时，适当改变变量可以转换成正态分布。

Stat->ControlCharts->Box-CoxTransformation...

亲自操作一下，比较结果

9/15

对一个比率差异的假设检验

000营业部为了确认A合作企业的6西格马计划的成果，检查了300个样品。结果发现了15个不合格品。

以前A合作公司生产的部件不合格率是15%。

-0假设：不合格率=15%

-对立假设：不合格率≠15%

Stat->BasicStatistics->

1-Proportion...

亲自操作一下，比较结果

10/15

对两个比率差异的假设检验

000营业部为了比较A、B两个生产线的不合格率，收集了相关数据。

结果，A生产线是1000个当中有75个不合格品，B生产线是1500个当中有120个不合格品。

-0假设：A的不合格率=B的不合格率

-对立假设：A的不合格率≠B的不合格率

Stat->BasicStatistics->

2-Proportion...

亲自操作一下，比较结果

11/15

对表（Table）的假设检验

这次说明一下以表的形式整理数据的时使用的分析方法。

检验三个以上比率之间的差异.

000营业部对A、B、C、D四种材料进行了作业性评价，结果如下：

-0假设：不同材料的不合格率一样

-对立假设：不同材料的不合格率不一样

A

B

C

D样本

不合格品

45

43

48

44

5

7

2

6

数据的输入:

把表里的数据如实输入到Worksheet.

Stat->Tables->

Chi-SquareTest...

亲自操作一下，比较结果

12/15

对表（Table）的假设检验

想确认两个变量的独立关系的时候...

000营业部调查了不同性别所喜欢的产品色彩，结果如下：

-0假设：性别与色彩是相互独立的（有关联）

-对立假设：不同材料的不合格率不是相互独立的（有关联）

白色紫色蓝色男

女

37

41

44

35

72

71

数据的输入:

把表里的数据如实输入到Worksheet

Stat->Tables->Chi-SquareTest...

亲自操作一下，比较结果

13/15

对表（Table）的假设检验

Chi-SquareTest结果的解释方法

假设有一个工厂生产娱乐场使用的骰子。

对完成品进行质量检查的时候，应该怎样检查出合格品和不合格品呢?（除了外观检查）

我们知道在抛掷合格的骰子时，各个数字有1/6的出现概率。

利用这一点判断出合格品和不合格品。

为此，我们掷6000个骰子，把结果记录了下来。

把实际值和预测值相减，如果得出的值大，是不合格品；

如果得出的值小，则可以判定为合格品。

和标准偏差一样，得出的值可能是0，为了避免这一情况，进行平方。

这时，有可能导致得出的值太大，因此可再除以期望值，然后对较实际值和预测值的大小进行比较。

即：根据（实际值-预测值）/预测值的大小做出判断。

预测值实际值实际值和

预测值的差12345610001010101000990-1010001050501000950-501000100111000999-1

14/15

3)对表（TABLE）的假设检验

Chi-SquareTest结果的解释方法

骰子的概率因我们事先已经了解了，

因而能通过简单的计算算出来。

在不知概率的情况下，

如果〈当想要确认两个变数的独立关系时〉，我们将怎么做？

Chi-SquareTest:白色，紫色，

首先考虑一下出现白色的概率。

全部人员数是300名，选择白色的人数72名，

选择白色的概率是72/300。

接