第5章-假设检验

数据分析

(方法与案例)

作者贾俊平版权所有违者必究统计学基础(第6版)FundamentalStatistics第5章假设检验5.1

假设检验的基本原理5.2

总体均值的检验5.3

总体比例的检验hypothesistest学习目标假设检验的基本思想和原理总体均值的检验总体比例的检验P值的计算与应用5.1假设检验的基本原理

5.1.1假设的陈述

5.1.2两类错误与显著性水平

5.1.3检验统计量与拒绝域

5.1.3利用P值进行决策第5章假设检验5.1.1假设的陈述5.1假设检验的基本原理什么是假设?

(hypothesis)

在参数检验中，对总体参数的具体数值所作的陈述就一个总体而言，总体参数包括总体均值、比例、方差等分析之前必需陈述我认为这种新药的疗效比原有的药物更有效!什么是假设检验?

(hypothesistest)先对总体的参数(或分布形式)提出某种假设，然后利用样本信息判断假设是否成立的统计方法有参数检验和非参数检验逻辑上运用反证法，统计上依据小概率原理小概率是在一次试验中，一个几乎不可能发生的事件发生的概率在一次试验中小概率事件一旦发生，我们就有理由拒绝原假设原假设

(nullhypothesis)又称“0假设”，研究者想收集证据予以反对的假设，用H0表示所表达的含义总是指参数没有变化或变量之间没有关系

最初被假设是成立的，之后根据样本数据确定是否有足够的证据拒绝它总是有符号

,

或

H0：

=某一数值H0：

某一数值H0：

某一数值例如,H0：

10cmnull也称“研究假设”,研究者想收集证据予以支持的假设，用H1或Ha表示所表达的含义是总体参数发生了变化或变量之间有某种关系备择假设通常用于表达研究者自己倾向于支持的看法，然后就是想办法收集证据拒绝原假设，以支持备择假设

总是有符号

,

或

H1：

某一数值H1：

某一数值H1：

<某一数值备择假设(alternativehypothesis)【例5-1】一种零件的生产标准是直径应为10cm，为对生产过程进行控制，质量监测人员定期对一台加工机床检查，确定这台机床生产的零件是否符合标准要求。如果零件的平均直径大于或小于10cm，则表明生产过程不正常，必须进行调整。试陈述用来检验生产过程是否正常的原假设和被择假设提出假设(例题分析)解：研究者想收集证据予以证明的假设应该是“生产过程不正常”。建立的原假设和备择假设为

H0：

10cmH1：

10cm

【例5-2】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500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。试陈述用于检验的原假设与备择假设提出假设(例题分析)解：研究者抽检的意图是倾向于证实这种洗涤剂的平均净含量并不符合说明书中的陈述。建立的原假设和备择假设为

H0：

500H1：

<500500g绿叶洗涤剂【例5-3】一家研究机构估计，某城市中家庭拥有汽车的比例超过30%。为验证这一估计是否正确，该研究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与备择假设提出假设(例题分析)解：研究者想收集证据予以支持的假设是“该城市中家庭拥有汽车的比例超过30%”。建立的原假设和备择假设为

H0：

30%H1：

30%原假设和备择假设是一个完备事件组，而且相互对立在一项假设检验中，原假设和备择假设必有一个成立，而且只有一个成立先确定备择假设，再确定原假设等号“=”总是放在原假设上因研究目的不同，对同一问题可能提出不同的假设(也可能得出不同的结论)提出假设(结论与建议)备择假设没有特定的方向性，并含有符号“

”的假设检验，称为双侧检验或双尾检验(two-tailedtest)

备择假设具有特定的方向性，并含有符号“>”或“<”的假设检验，称为单侧检验或单尾检验(one-tailedtest)备择假设的方向为“<”，称为左侧检验

备择假设的方向为“>”，称为右侧检验

双侧检验与单侧检验双侧检验与单侧检验

(假设的形式)假设双侧检验单侧检验左侧检验右侧检验原假设H0:m

=m0H0:m

m0H0:m

m0备择假设H1:m

≠m0H1:m

<m0H1:m

>m0以总体均值的检验为例5.1.2两类错误与显著性水平5.1假设检验的基本原理两类错误与显著性水平研究者总是希望能做出正确的决策，但由于决策是建立在样本信息的基础之上，而样本又是随机的，因而就有可能犯错误原假设和备择假设不能同时成立，决策的结果要么拒绝H0，要么不拒绝H0。决策时总是希望当原假设正确时没有拒绝它，当原假设不正确时拒绝它，但实际上很难保证不犯错误第Ⅰ类错误(

错误)原假设为正确时拒绝原假设第Ⅰ类错误的概率记为

，被称为显著性水平2. 第Ⅱ类错误(

错误)原假设为错误时未拒绝原假设第Ⅱ类错误的概率记为

(Beta)

两类错误的控制一般来说，对于一个给定的样本，如果犯第Ι类错误的代价比犯第Ⅱ类错误的代价相对较高，则将犯第Ⅰ类错误的概率定得低些较为合理；反之，如果犯第Ι类错误的代价比犯第Ⅱ类错误的代价相对较低，则将犯第Ⅰ类错误的概率定得高些一般来说，发生哪一类错误的后果更为严重，就应该首要控制哪类错误发生的概率。但由于犯第Ι类错误的概率是可以由研究者控制的，因此在假设检验中，人们往往先控制第Ι类错误的发生概率显著性水平

(significantlevel)事先确定的用于拒绝原假设H0时所必须的证据能够容忍的犯第Ⅰ类错误的最大概率(上限值)2. 原假设为真时，拒绝原假设的概率抽样分布的拒绝域3. 表示为

(alpha)

常用的值有0.01,0.05,0.104. 由研究者事先确定5.1.3检验统计量与拒绝域5.1假设检验的基本原理依据什么做出决策？若假设为H0：

=500，H1：

<500。样本均值为495，拒绝H0吗？样本均值为502，拒绝H0吗？做出拒绝或不拒绝原假设的依据是什么？传统上，做出决策所依据的是样本统计量，现代检验中人们直接使用由统计量算出的犯第Ⅰ类错误的概率，即所谓的P值根据样本观测结果计算出对原假设和备择假设做出决策某个样本统计量对样本估计量的标准化结果原假设H0为真点估计量的抽样分布检验统计量(teststatistic)

标准化的检验统计量

用统计量决策

(双侧检验)用统计量决策

(左侧检验)用统计量决策

(右侧检验)统计量决策规则给定显著性水平

，查表得出相应的临界值z

或z

/2，t

或t

/2将检验统计量的值与

水平的临界值进行比较作出决策双侧检验：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H05.1.4利用P值进行决策5.1假设检验的基本原理用P值决策

(P-value)如果原假设为真，所得到的样本结果会像实际观测结果那么极端或更极端的概率P值告诉我们：如果原假设是正确的话，我们得到得到目前这个样本数据的可能性有多大，如果这个可能性很小，就应该拒绝原假设被称为观察到的(或实测的)显著性水平决策规则：若p值<

,拒绝H0双侧检验的P值左侧检验的P值右侧检验的P值P值是关于数据的概率P值原假设的对或错的概率无关它反映的是在某个总体的许多样本中某一类数据出现的经常程度，它是当原假设正确时，得到目前这个样本数据的概率比如，要检验全校学生的平均生活费支出是否等于500元，检验的假设为H0：

=500；H0：

500。假定抽出一个样本算出的样本均值600元，得到的值为P=0.02，这个0.02是指如果平均生活费支出真的是500元的话，那么，从该总体中抽出一个均值为600的样本的概率仅为0.02。如果你认为这个概率太小了，就可以拒绝原假设，因为如果原假设正确的话，几乎不可能抓到这样的一个样本，既然抓到了，就表明这样的样本不在少数，所以原假设是不对的值越小，你拒绝原假设的理由就越充分

要证明原假设不正确，P值要多小，才能令人信服呢？原假设的可信度又多高？如果H0所代表的假设是人们多年来一直相信的，就需要很强的证据(小的P值)才能说服他们拒绝的结论是什么？如果拒绝H0而肯定H1

，你就需要有很强的证据显示要支持H1。比如，H1代表要花很多钱把产品包装改换成另一种包装，你就要有很强的证据显示新包装一定会增加销售量(因为拒绝H0要花很高的成本)多大的P值合适?用P值进行检验比根据统计量检验提供更多的信息统计量检验是我们事先给出的一个显著性水平，以此为标准进行决策，无法知道实际的显著性水平究竟是多少比如，根据统计量进行检验时，只要统计量的值落在拒绝域，我们拒绝原假设得出的结论都是一样的，即结果显著。但实际上，统计量落在拒绝域不同的地方，实际的显著性是不同的。比如，统计量落在临界值附近与落在远离临界值的地方，实际的显著性就有较大差异。而P值给出的是实际算出的显著水平，它告诉我们实际的显著性水平是多少P值决策与统计量的比较P值决策与统计量的比较假设检验结论的表述

(“显著”与“不显著”)当拒绝原假设时，我们称样本结果是统计上显著的拒绝原假设时结论是清楚的当不拒绝原假设时，我们称样本结果是统计上不显著的不拒绝原假设时，并未给出明确的结论，不能说原假设是正确的，也不能说它不是正确的假设检验结论的表述

(“显著”与“不显著”)当拒绝原假设时，我们称样本结果是统计上显著的拒绝原假设时结论是清楚的当不拒绝原假设时，我们称样本结果是统计上不显著的不拒绝原假设时，并未给出明确的结论，不能说原假设是正确的，也不能说它不是正确的假设检验结论的表述

(“不拒绝”不等于“接受”)假设检验的目的在于试图找到证据拒绝原假设，而不在于证明什么是正确的当没有足够证据拒绝原假设时，不采用“接受原假设”的表述，而采用“不拒绝原假设”的表述。“不拒绝”的表述实际上意为着并未给出明确的结论，我们没有说原假设正确，也没有说它不正确“接受”的说法有时会产生误导，因为这种说法似乎暗示着原假设已经被证明是正确的了。但实事上，H0的真实值我们永远也无法知道，H0只是对总体真实值的一个假定值，由样本提供的信息也就自然无法证明它是否正确假设检验步骤的总结陈述原假设和备择假设从所研究的总体中抽出一个随机样本确定一个适当的检验统计量，并利用样本数据算出其具体数值确定一个适当的显著性水平，并计算出其临界值，指定拒绝域将统计量的值与临界值进行比较，作出决策统计量的值落在拒绝域，拒绝H0，否则不拒绝H0也可以直接利用P值作出决策5.2总体均值的检验

5.2.1大样本的检验方法

5.2.2小样本的检验方法第5章假设检验5.2.1大样本的检验方法5.2总体均值的检验总体均值的检验

(大样本)1. 假定条件大样本(n

30)使用z检验统计量

2

已知：

2

未知：总体均值的检验(

2

已知)

(例题分析—大样本)【例5-4】一种罐装饮料采用自动生产线生产，每罐的容量是255ml，标准差为5ml。为检验每罐容量是否符合要求，质检人员在某天生产的饮料中随机抽取了40罐进行检验，测得每罐平均容量为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？双侧检验绿色健康饮品绿色健康饮品255255总体均值的检验(

2

已知)

(例题分析－大样本)H0

：

=255H1

：

255

=

0.05n

=

40临界值(c):检验统计量:决策:结论:

用Excel中的【NORMSDIST】函数得到的双尾检验P=0.312945不拒绝H0没有证据表明该天生产的饮料不符合标准要求

总体均值的检验(z检验)

(P值的计算与应用)

得到的累积概率为为0.8437523455，该值表示的是在标准正态分布条件下z值为1.01左边的面积总体均值的检验(

2

未知)

(例题分析—大样本)【例5-5】一种机床加工的零件尺寸绝对平均误差为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？(

=0.01)

左侧检验50个零件尺寸的误差数据(mm)1.261.191.310.971.811.130.961.061.000.940.981.101.121.031.161.121.120.951.021.131.230.741.500.500.590.991.451.241.012.031.981.970.911.221.061.111.541.081.101.641.702.371.381.601.261.171.121.230.820.86总体均值的检验

(例题分析—大样本)H0

：

1.35H1

：

<1.35

=

0.01n

=

50临界值(c):检验统计量:拒绝H0新机床加工的零件尺寸的平均误差与旧机床相比有显著降低决策:结论:总体均值的检验

(P值的计算与应用—大样本)第1步：进入Excel表格界面，直接点击【fx】第2步：在函数分类中点击【统计】，并在函数名的菜单下选择【Z.TEST】，然后【确定】第3步：在所出现的对话框【Array】框中，输入原始数据所在区域；在【X】后输入参数的某一假定值(这里为

1.35)；在【Sigma】后输入已知的总体标准差(若总体标准差未知则可忽略不填，系统将自动使用样本标准差代替)第4步：用1减去得到的函数值0.995421023

即为P值

P值=1-0.995421023=0.004579

P值<

=0.01，拒绝H0总体均值的检验

(P值的图示)总体均值的检验(

2

未知)

(例题分析)【例5-6】某一小麦品种的平均产量为5200kg/hm2

。一家研究机构对小麦品种进行了改良以期提高产量。为检验改良后的新品种产量是否有显著提高，随机抽取了36个地块进行试种，得到的样本平均产量为5275kg/hm2，标准差为120/hm2

。试检验改良后的新品种产量是否有显著提高？(

=0.05)

右侧检验总体均值的检验(

2

未知)

(例题分析)H0

：

5200H1

：

>5200

=

0.05n

=

36临界值(c):检验统计量:拒绝H0

(P=0.000088<

=0.05)改良后的新品种产量有显著提高

决策:结论:总体均值的检验(z检验)

(P值的图示)总体均值的检验

(大样本检验方法的总结)假设双侧检验左侧检验右侧检验假设形式H0

：m=m0H1：m

m0H0：m

m0H1：m<m0H0：m

m0H1：m>m0统计量

已知

未知拒绝域P值决策拒绝H05.2.2小样本的检验方法5.2总体均值的检验总体均值的检验

(小样本)1. 假定条件总体服从正态分布小样本(n<

30)检验统计量

2

已知：

2

未知：总体均值的检验

(小样本检验方法的总结)假设双侧检验左侧检验右侧检验假设形式H0

：m=m0H1：m

m0H0

：m

m0H1：m<m0H0：m

m0H1：m>m0统计量

已知

未知拒绝域P值决策拒绝H0注：

已知的拒绝域同大样本总体均值的检验

(例题分析—小样本)【例5-7】一种汽车配件的平均长度要求为12cm，高于或低于该标准均被认为是不合格的。汽车生产企业在购进配件时，通常是经过招标，然后对中标的配件提供商提供的样品进行检验，以决定是否购进。现对一个配件提供商提供的10个样本进行了检验。假定该供货商生产的配件长度服从正态分布，在0.05的显著性水平下，检验该供货商提供的配件是否符合要求？10个零件尺寸的长度(cm)12.210.812.011.811.912.411.312.212.012.3总体均值的检验

(例题分析—小样本)H0

：

=12H1

：

12

=0.05df=10-1=9临界值(c):检验统计量:不拒绝H0没有证据表明该供货商提供的零件不符合要求

决策：结论：总体均值的检验

(P值的计算与应用－t

检验)第1步：进入Excel表格界面，直接点击【fx】第2步：在函数分类中点击【统计】，并在函数名的菜单下选择【TDIST】，然后【确定】第3步：在出现对话框的【X】栏中输入计算出的t的绝对值0.7053，在【Deg-freedom】(自由度)栏中输入本例的自由度9，在【