第三章假设检验作业

（2） ˆ0 = Y − α ˆ1 X 1 − α ˆ 2 X 2 = (Y − X 1 ) − (α ˆ1 − 1) X 1 − α ˆ2 X 2 α ˆ X −β ˆ X = (Y − X ) − β
1 1 1 2 2
ˆ =β
0
证毕。
（3）设： Z i = Yi − X 1i （a）式的拟合优度为：
2 i 3i 2 3i
2 i 3i 2 3i
2 i 3i 2 3i
ˆ1 − 1 =α & & (y & −x & ) ∑x ∑x & x & & (y & −x & ) x ∑x ˆ = ∑ β & & x & ∑x ∑x & x & & ∑x ∑x & & y & & & ∑x ∑x ∑x ∑x & x & & y & & x & & x & ∑x ∑x ∑x ∑x = − & & x & & & x & ∑x ∑x ∑x ∑x & x & & & x & & ∑x ∑x ∑x ∑x
证明： 根据 OLS 估计原理依次求解上述待估参数可证明。 或
ˆi 为： 由回归方程（2）可得残差ν ˆ0 − α ˆ1 X 2i ，将其带入回归方程（3）可得： νˆi = X 1i − α ˆ0 − α ˆ1 X 2i ) + γ 2 X 2i + wi Yi = γ 0 + γ 1 ( X 1i − α ˆ 0 ) + γ 1 X 1i + (γ 2 − γ 1α ˆ1 ) X 2i + wi = (γ 0 − γ 1α

1．一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差异，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差异？如果想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，结果会如何？( =0.01)。

2．一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？12.210.812.011.811.912.411.312.212.012.33．对消费者的一项调查表明，17%的人早餐饮料是牛奶。

某城市的牛奶生产商认为，该城市的人早餐饮用牛奶的比例更高。

为验证这一说法，生产商随机抽取550人的一个随机样本，其中115人早餐饮用牛奶。

在显著性水平0.01下，检验该生产商的说法是否属实？4．甲、乙两台机床同时加工某种同类型的零件，已知两台机床加工的零件直径(单位：cm)分别服从正态分布，并且方差相等。

为比较两台机床的加工精度有无显著差异，分别独立抽取了甲机床加工的8个零件和乙机床加工的7个零件，通过测量得到如下数据。

在=0.05的显著性水平下，样本数据是否提供证据支持“两台机床加工的零件直径不一致”的看法？两台机床加工零件的样本数据(cm)甲20.519.819.720.420.120.019.019.9乙20.719.819.520.820.419.620.25．某饮料公司开发研制出一新产品，为比较消费者对新老产品口感的满意程度，该公司随机抽选一组消费者(8人)，每个消费者先品尝一种饮料，然后再品尝另一种饮料，两种饮料的品尝顺序是随机的，而后每个消费者要对两种饮料分别进行评分(0分～10分)，评分结果如下表。

《数理统计》试题库假设检验1设2521,,,ξξξ 取自正态母体)9,(μN 其中μ为未知参数,ξ为子样均值，对检验问题0100:,:μμμμ≠=H H 取检验的拒绝域:{}c x x x C ≥-=0251:)(μ , 试决定常数c 使检验的显著性水平为0.05.解:因为），，（9N ~μξ所以），（259N ~μξ 在0H 成立下, ,05.03512C 3553P C P 000=⎥⎦⎤⎢⎣⎡⎪⎭⎫ ⎝⎛Φ-=⎪⎪⎪⎭⎫⎝⎛≥-=≥-C μξμξ）（ 96.135,975.035==⎪⎭⎫⎝⎛ΦC C , 所以 C=1.176. 2．设子样),,(1n ξξ 取自正态母体2020),,(σσμN 已知，对检验假设0100:,:μμμμ>=H H 的问题，取临界域{}01:)(c x x x C n ≥= .（i ）求此检验犯第一类错误的概率α,犯第二类错误的概率β,并讨论它们之间的关系.（ii ）设9,05.0,04.0,5.0200====n ασμ,求65.0=μ时不犯第二类错误的概率.解: (i).在0H 成立下, ），（nN ~200σμξ()⎪⎪⎭⎫⎝⎛-≥-=≥=n C n P C P 0000000σμσμξξα, 0100100μμσμσμαα+=∴=-∴--nC n C其中αμ-1是N （0，1）分布的α-1分位点。

在H 1成立下,），（nN ~20σμξ,()⎪⎪⎭⎫⎝⎛-<-=<=n C n P C P 00011σμσμξξβ =⎪⎪⎭⎫⎝⎛--Φ=⎪⎪⎪⎪⎭⎫⎝⎛-+Φ=⎪⎪⎭⎫ ⎝⎛-Φ--n n n n C 001001000σμμμσμμμσσμαα 当α增加时，αμ-1减少，从而β减少；反之当α减少时，将导致β增加。

（ii ）不犯第二类错误的概率为1-β。

⎪⎭⎫ ⎝⎛⨯--Φ-=⎪⎪⎭⎫ ⎝⎛--Φ-=--32.05.065.011105.0001μσμμμβαn =()()().7274.0605.0605.0125.2645.11=Φ=-Φ-=-Φ-3．设一个单一观测的子样ξ取自密度函数为f(x)的母体，对f(x)考虑统计假设：⎩⎨⎧≤≤=≤≤⎩⎨⎧=其它）（：其它10021001)(:1100x x x f H x x f H 试求一个检验函数使犯第一，二类错误的概率满足min 2=+βα，并求其最小值。

第三章 假设检验例子例1：某糖厂用自动打包机装糖。

已知每袋糖的重量（单位：千克）服从正态分布()2~,X N μσ。

今随机抽查9袋，称出它们的重量并计算得到*48.5, 2.5x s ==。

取显著性水平0.05α=。

在下列两种情形下分别检验()01:50 :50H H μμ=≠22(1) 4 (2)σσ=未知解：()()2*01220.97512~,48.5, 2.5,9,0.05:50 :50(1) 4 (2)(1) 2.251.962.25 1.96X N x s n H H u uu αμσαμμσσ-=====≠======>糖的重量，现在已知显著性水平，在两种情形下检验：未知解：计算检验统计量的观测值 临界值，因为，所以拒绝原假设即不能认为糖的重量50的平均值是千克，即打包机工作不正常。

()()()()2*0120.97512~,48.5, 2.5,9,0.05:50 :50(2) 1.818 2.306 1.8 2.306X N x s n H H t t n t αμσαμμσ-=====≠===-==<糖的重量，现在已知显著性水平，在两种情形下检验：未知解：计算检验统计量的观测值 临界值，因为，所以不能拒绝原假设，即不能认为打包机工作不正常。

例2：在上题中，试在显著性水平0.1α=下检验()2201: 4 :4H H σσ=>()()()()*2201*22202210.948.5, 2.5,9,0.1: 4 :4112.51813.36212.513.362.x s n H H n s n αασσχσχχ-=====>-==-==<显著性水平，解：计算检验统计量的观测值 临界值，因为，所以不能拒绝原假设，即不能认为打包机工作不正常例3：监测站对某条河流每日的溶解氧（DO ）质量浓度记录了30个数据，并由此算得 2.52, 2.05x s ==。

已知这条河流的每日DO 质量浓度服从()2,N μσ，试在显著性水平0.05α=下检验()01: 2.7 : 2.7H H μμ=≠。

试问，在显著性水平
25%下，能否认为每匹布上的疵点数服从泊松分布。
例：一位环保工程师要考察某条河流的污染情况。 他收集了河流与某个居民点的距离 X （单位：公里） 及河流该处的生化需氧量 Y （单位： 104 mL / L ）的 15 对数据如下表：
xi yi 65 2 9 18 20 25 28 50
显著性水平 =0.1 下，对总体 X 是否服从二项分 布 B 2, 0.5 作 2 拟合优度检验，其中 X 表示两 个孩子的家庭中男孩个数，并对结论作直观解释。
例：某厂在全面质量管理工作中，抽查了 50 匹布， 记录下它们的疵点数：
疵点数 频数 0 1 2 3 4
21 18 7 3 1
更新设备后，从新生产的产品中随机抽取 100 个，
测得平均重量 x 12.5 克 , 如果方差不变，问更新 设备后，产品的平均重量是否有显著变化 X ~ N , 2 ， 今从一批产品中抽查 10 根测其折断力，算得
均未知，试问在显著性水平 5%下，能否认为距离与 生化需氧量无关？
例：为了考察某地区 50 岁以上的成年人吸烟 习惯与患肺癌之间的关系，调查了 112 名对象， 得列联表如下：
人数 吸烟 不吸烟 n j
患肺癌 未患肺癌 18 12 4 78
ni
，试问在
n 112
显著性水平 1%下，能否认为吸烟习惯与患肺癌无关？
例：为了检查一颗骰子是否均匀，把这颗骰子掷了 100 次，得结果如下表：
出现点数 频数 1 2 3 4 5 6
14 15 13 20 18 20
试在显著性水平
=0.05 下作 2 拟合优度检验。
例：为了检验某厂生产的灯泡的使用寿命是否服从 指数分布，随机地抽查了 150 只灯泡，测得它们的 平均使用寿命 x 200 小时 ，把这 150 个数据 分组整理后如下表：

第三章 假设检验P1313.2 一种元件，要求其使用寿命不得低于1000（小时）。

现在从一批这种元件中随机抽取25件，测得其寿命平均值为950（小时）。

已知该种元件寿命服从标准差100σ=（小时）的正态分布，试在显著水平0.05下确定这批元件是否合格。

解：本题需检验0H ：0μμ≥，1H ：0μμ<.元件寿命服从正态分布，0σ已知，∴当0H成立时，选取统计量X u μ-=，其拒绝域为{}V u u α=<.其中950X =，01000μ=，25n =，0100σ=.则 2.5u ==-.查表得0.05 1.645u =-，得0.05u u <，落在拒绝域中，拒绝0H ，即认为这批元件不合格。

3.3 某厂生产的某种钢索的断裂强度服从正态分布()2N μσ，，其中40σ=（kg / cm 2）。

现从一批这种钢索的容量为9的一个子样测得断裂强度平均值为X ，与以往正常生产时的μ相比，X 较μ大20（kg / cm 2）。

设总体方差不变，问在0.01α=下能否认为这批钢索质量有显著提高？解：本题需检验0H ：0μμ=，1H ：0μμ>.钢索的断裂强度服从正态分布，0σ已知，∴当0H成立时，选取统计量u =，其拒绝域为{}1V u u α-=>.其中040σ=，9n =，020X μ-=，0.01α=.则 1.5u ==.查表得10.990.01 2.33u u u u αα-==-=-=，得0.99u u <，未落在拒绝域中，接受0H ，即认为这批钢索质量没有显著提高。

3.5 测定某种溶液中的水分。

它的10个测定值给出0.452%X =，0.035%S =。

设总体为正态分布()2N μσ，，试在水平5%检验假设：（i ）0H ：0.5%μ>； 1H ：0.5%μ<. （ii ）0H ：0.04%σ≥； 1H ：0.04%σ<. 解：（i ）总体服从正态分布，0σ未知，当0H成立时，选取统计量t =(){}1V t t n α=<-.查表得()()0.050.9599 1.8331t t =-=-.而()4.114 1.83311t t n α==-<-=-.落在拒绝域中，拒绝0H .（ii ）总体服从正态分布，μ未知， 当0H 成立时，选取统计量222nSχσ=，其拒绝域为(){}221V n αχχ=<-.查表得()20.059 3.325χ=.而()()()2222100.035%7.65610.04%n αχχ⨯==>-.未落在拒绝域中，接受0H .3.6 使用A （电学法）与B （混合法）两种方法来研究冰的潜热，样品都是－0.72℃的冰块，下列数据是每克冰从－0.72℃变成0℃水的过程中的吸热量（卡 / 克）：方法A ：79.98，80.04，80.02，80.04，80.03，80.03，80.04，79.97，80.05，80.03，80.02，80.00，80.02方法B ：80.02，79.94，79.97，79.98，79.97，80.03，79.95，79.97假定用每种方法测得的数据都服从正态分布，且它们的方差相等。

假设检验练习题在统计学中，假设检验是一种常用的数据分析方法，用于通过样本数据对总体参数的假设进行验证。

通过进行假设检验，我们可以确定样本数据是否足够支持对总体参数的某种特定假设。

一、背景介绍假设检验的基本思想是：假设总体参数服从某种特定的概率分布，然后利用样本数据对这一假设进行检验。

在进行假设检验时，我们通常会提出原假设（H0）和备择假设（H1），其中原假设是我们要进行检验的假设，备择假设则是对原假设的否定或补充。

二、假设检验的步骤1. 提出假设：根据问题的需求和背景，明确原假设和备择假设。

2. 选择显著性水平：显著性水平α代表我们对假设检验结果的接受程度，通常选择0.05或0.01。

3. 计算检验统计量：根据样本数据和所选的假设检验方法，计算出相应的检验统计量。

4. 确定拒绝域：根据显著性水平和假设检验的方法，确定拒绝域的临界值。

5. 判断结论：将计算得到的检验统计量与拒绝域进行比较，根据比较结果作出结论。

三、假设检验的类型1. 单样本检验：当我们只有一个样本数据，想要对总体参数是否符合某个特定值进行判断时，可以使用单样本检验。

2. 独立样本检验：当我们有两个独立的样本数据，并且希望比较两个总体参数是否有差异时，可以使用独立样本检验。

3. 配对样本检验：当我们有两组相关的样本数据，并且希望比较两个总体参数的差异时，可以使用配对样本检验。

四、常见的假设检验方法1. t检验：用于对总体均值进行假设检验，可以进行单样本t检验、独立样本t检验和配对样本t检验。

2. 方差分析（ANOVA）：用于比较多个样本均值是否有差异，适用于有两个以上样本的情况。

3. 卡方检验：用于对分类变量的比例进行假设检验，适用于两个或更多分类变量的情况。

4. 相关分析：用于检验两个变量之间是否存在线性相关性。

五、实例分析为了更好地理解假设检验的应用，我们举一个实际例子。

假设一个制药公司研发了一种新药，声称该药物的疗效显著优于市场上已有的药物。

解：H0 : 0.5, H1 : 0.5
n=16 ，0.05 ，t (15) 1.753
t x 0 s* 0.56 0.5 2 >1.753 n 0.12 16
否定H0
即该服务系统工作不正常
42/27
(三)关于方差的检验
1、检验假设 H0: ,H1:
42/31
ns 选取 ＝ 2 0
2
2
ns2 当2＝ 2 b时，否定H0 0
当2 b时，不能否定H0
42/32
例6 葡萄酒厂用自动装瓶机装酒，每瓶规定重量为500克,标 准差不超过10克，每天定时检查。某天抽得9瓶，测得平均重 量为x 499克，标准差为s* 16.03克。假设瓶装酒的重量服从 正态分布。问这台机器工作是否正常？(=0.05)
H0 : EX 0.5, H1 : EX 0.5
样本平均值X 0.6
由于
X 0.5 0.1 0.224
而
DX 0.25 0.224 n 100 0.05
不能否定H0
42/10
二、参数检验
☆8
42/11
参数检验
• 参数估计与参数检验都利用样本的信 息
估计量 样本 信息 样本 统计量 检验统计量 参数检验 参数估计
解：
提出假设 H0:2 0.1082 ,H1:2 0.1082
n5 0.05
*2
s 0.2282
*2
查表可得
a=0.484
2
b=11.1
ns (n 1)s 4 0.2282 17.83 >11.1 2＝ 2 2 2 0 0 0.108
否定H0,即方差不能认为是0.1082

(1) 差异可能是由抽样的随机性引起的，称为 “抽样误差”或 随机误差 这种误差反映偶然、非本质的因素所引起的随机波动。然 而，这种随机性的波动是有一定限度的， (2) 如果差异超过了这个限度，则我们就不能用 抽样的随机性来解释了.
必须认为这个差异反映了事物的本质差别，即反映 了生产已不正常.
这种差异称作 “系统误差”
正确
第二类错误
人们总希望犯这两类错误的概率越小越好，但 对样本容量一定时，不可能使得犯这两类错误的 概率都很小。 往往是先控制犯第一类错误的概率在一定限度 内，再考虑尽量减小犯第二类错误的概率。
即： 较小的 (0,1) 使得 P{拒绝H0|H0为真}≤ ,
然后减小P{接受H0|H0不真} 犯两类错误的概率:
如发现不正常，就应停产，找出原因，排除 故障，然后再生产；如没有问题，就继续按规定 时间再抽样，以此监督生产，保证质量.
很明显，不能由5罐容量的数据，在把握不大 的情况下就判断生产 不正常，因为停产的损失是 很大的.
当然也不能总认为正常，有了问题不能及时 发现，这也要造成损失.
如何处理这两者的关系，假设检验面对的就 是这种矛盾.
如果H0不成立，但统计量的实测 值未落入否定域，从而没有作出否定 H0的结论，即接受了错误的H0，那就 犯了“以假为真”的错误 . “取伪错误” 这两类错误出现的可能性是不可能排除的。 原因在于：由样本推导总体
假设检验的两类错误
实际情况 H0为真 H0不真 第一类错误 正确
决定 拒绝H0 接受H0
在上面的例子的叙述中，我们已经初步介绍 了假设检验的基本思想和方法 .
基于概率反证法的逻辑的检验： 如果小概率事件在一次试验中居然发生， 我们就以很大的把握否定原假设.

第三章 假设检验课后作业参考答案3.1 某电器元件平均电阻值一直保持2.64Ω，今测得采用新工艺生产36个元件的平均电阻值为2.61Ω。

假设在正常条件下，电阻值服从正态分布，而且新工艺不改变电阻值的标准偏差。

已知改变工艺前的标准差为0.06Ω，问新工艺对产品的电阻值是否有显著影响？(01.0=α)解：(1)提出假设64.2:64.2:10≠=μμH H ， (2)构造统计量36/06.064.261.2/u 00-=-=-=nX σμ(3)否定域⎭⎬⎫⎩⎨⎧>=⎭⎬⎫⎩⎨⎧>⋃⎭⎬⎫⎩⎨⎧<=--21212αααu u uu u u V (4)给定显著性水平01.0=α时，临界值575.2575.2212=-=-ααuu ，(5) 2αu u <，落入否定域，故拒绝原假设，认为新工艺对电阻值有显著性影响。

3.2 一种元件,要求其使用寿命不低于1000（小时）,现在从一批这种元件中随机抽取25件,测得其寿命平均值为950（小时）。

已知这种元件寿命服从标准差100σ=（小时）的正态分布，试在显著水平0.05下确定这批元件是否合格。

解：{}01001:1000, H :1000X 950 100 n=25 10002.5V=u 0.05H x u αμμσμα-≥<====->=提出假设：构造统计量：此问题情形属于u 检验，故用统计量：此题中：代入上式得：拒绝域：本题中：0.950.950u 1.64u 0.0u H =>∴即，拒绝原假设认为在置信水平5下这批元件不合格。

3.3某厂生产的某种钢索的断裂强度服从正态分布()2,σμN ，其中()2/40cm kg =σ。

现从一批这种钢索的容量为9的一个子样测得断裂强度平均值为X ，与以往正常生产时的μ相比，X 较μ大20(2/cm kg )。

设总体方差不变，问在01.0=α下能否认为这批钢索质量显著提高？ 解：(1)提出假设0100::μμμμ>=H H ， (2)构造统计量5.13/4020/u 00==-=nX σμ (3)否定域{}α->=1u u V(4)给定显著性水平01.0=α时，临界值33.21=-αu(5) α-<1u u ，在否定域之外，故接受原假设，认为这批钢索质量没有显著提高。

《应⽤数理统计》吴翊李永乐第三章假设检验课后作业第三章假设检验课后作业参考答案3.1 某电器元件平均电阻值⼀直保持2.64Ω，今测得采⽤新⼯艺⽣产36个元件的平均电阻值为2.61Ω。

假设在正常条件下，电阻值服从正态分布，⽽且新⼯艺不改变电阻值的标准偏差。

已知改变⼯艺前的标准差为0.06Ω，问新⼯艺对产品的电阻值是否有显著影响？(01.0=α)解：(1)提出假设64.2:64.2:10≠=µµH H ， (2)构造统计量36/06.064.261.2/u 00-=-=-=nX σµ(3)否定域>=><=--21212αααu u uu u u V (4)给定显著性⽔平01.0=α时，临界值575.2575.2212=-=-ααuu ，(5) 2αu u <，落⼊否定域，故拒绝原假设，认为新⼯艺对电阻值有显著性影响。

3.2 ⼀种元件,要求其使⽤寿命不低于1000（⼩时）,现在从⼀批这种元件中随机抽取25件,测得其寿命平均值为950（⼩时）。

已知这种元件寿命服从标准差100σ=（⼩时）的正态分布，试在显著⽔平0.05下确定这批元件是否合格。

解：{}01001:1000, H :1000X 950 100 n=25 10002.5V=u 0.05H x u αµµσµα-≥<====->=提出假设：构造统计量：此问题情形属于u 检验，故⽤统计量：此题中：代⼊上式得：拒绝域：本题中：0.950.950u 1.64u 0.0u H =>∴即，拒绝原假设认为在置信⽔平5下这批元件不合格。

3.3某⼚⽣产的某种钢索的断裂强度服从正态分布()2,σµN ，其中()2/40cm kg =σ。

现从⼀批这种钢索的容量为9的⼀个⼦样测得断裂强度平均值为X ，与以往正常⽣产时的µ相⽐，X 较µ⼤20(2/cm kg )。

n
近似服从标准正态分布N(0,1)。
给定小概率 ，查附表1可得
u
2
P{U u }
2
，使
即
上式中花括号内是小概率事件。
m p0 n P{ u } p0 1 p0 2 n
m 进行一次抽样后得到子样废品率 的数值， n
如果使上面小概率事件发生，那么拒绝假设 H0 ，否则接受H0 。这就是说，若
10
假设H0 ，即能化。这 个例子的目的是要检验正态母体的平均数。 2 2 2 假定母体X的分布是 N , ，且 0 2 （ 0 是已知数）。在母体上作 假设H0 ： 0 0是已知数 u 给定 （ 是小概率），查附表1可得 2 进行一次抽样后获得子样平均值 x 。若
1 2
n1 n2 2 的t分布，其中
1 1 * S n1 n2
S
*
n1 1S
给定显著水平 ，由附表2可得 t n1 n2 2 2 使 P{T t n1 n2 2} 即
P{ X1 X 2
2
n2 1S n1 n2 2
x 0 u
2
0
则拒绝假设H0 ，即不能认为母体平均数 0 0 若 x u
0
n n

则接受假设H0 ，即可认为母体平均数是 0
2
例2 某种产品在通常情况下废品率是5%， 现从生产出的一批中随意地抽取50个，检验 得知有4个废品，问能否认为这批产品的废 品率为5%？（取小概率 =5%） 母体X的分布是二点分布B(1,p),即 P{X=1}=p, P{X=0}=1-p 在母体上作 假设H0 ：p=p0(取 p0=0.05) 2 p0 (1 p0 ) E X p0 , D X n n m p0 故 U n p0 1 p0

spss整理（大题目）Spass整理第三章统计假设检验二、两样本平均数统计假设检验例3-11.随机抽取 2 个品种的苹果果实的果肉硬度（磅/cm 2），试比较2 品种苹果的果肉硬度是否存在显著差异？SPSS 操作：菜单Analyze —Independent-Samples T Test在独立样本T检验（成组T检验）比较中，结果会分2种情况输出，对应着结果表的数据是2行，第一行是假设方差相等的数据，第二行是假设方差不相等的数据。

最终的结果是看第一行还是第二行，需要看Levene's Test for Equality of Variances（方差齐性检验）的结果。

如果Levene's Test for Equality of Variances 结果是方差相齐的，则看第一行数据，否则看第二行数据。

分析过程：首先，Levene's Test for Equality of Variances H0：2组数据方差相等（相齐），检验结果显著值（Sig.）为0.947 > 0.05，接受H0，2组数据方差相等，看第一行数据. 其次，T检验的显著值（Sig.）是0.458 > 0.05，说明接受T检验的H0：2组数据对应总体的均值无显著差异，即2个品种的苹果果实的果肉硬度无显著差异。

例3-12. 选用10个品种的草莓进行电渗处理和传统方法对草莓果实中钙离子含量的影响，结果如下，请问电渗处理和传统处理方法对草莓果实中钙离子含量是否有显著的差异？SPSS 操作：因为该试验是对10 个品种的每个品种进行2种方法测试，因此需要使用成对样本均值的T 检验，而不能用成组样本的T检验在成对样本T 检验结果表中，需要看T检验的显著值。

分析过程：成对样本T 检验（Paired-Samples T T est）结果，显著值（Sig.）为0 < 0.05 ( 0.01 )，否定H0：2种处理方法对应的总体均值相等，说明传统方法和电渗处理2种方法测试的草莓果实中钙离子含量之间有显著（极显著）差异，根据分析结果，对照—电渗处理的均值小于0，说明电渗处理法测试的草莓果实中钙离子含量显著提高。

第三章 假设检验在第二章我们讨论了参数估计问题，本章将讨论统计推断的另一类重要问题假设检验。

所谓的假设检验是先假设总体的分布形式或总体的参数具有某种特征，然后利用样本提供的信息来推断所提出的假设的正确性。

这种处理问题的方法称为假设检验。

3.1基本概念在这一节，我们给出一般的Neyman-Pearson 假设检验构架。

为此，我们从实际例子引入一些基本概念。

例3.1.1洗衣粉装包机在正常工作时，装包量服从正态分布。

根据长期经验知其标准差为15克，而额定标准为每袋净重500克。

今为检验装包机工作是否正常，随机抽取它所包装的洗衣粉9袋，称得净重为497，506，518，524，488，511，510，515，512问由上述数据能否判定包装机工作正常？在这个例子中，已经知道包装量服从标准差为15=σ的正态分布),(2σμN 。

所谓包装机工作正常就是500=μ。

我们先提出装包机工作正常的假设，记为500:=μH 。

然后需要由所得的9个样本观测值来判断假设H 是否成立？因此，这个例子实际上是在总体分布形式已知的前提下关于总体的数学期望假设检验问题。

凡在总体分布形式已知前提下对总体X 的分布中的参数提出作检验的问题统称为参数假设检验问题。

否则，称为非参数假设检验问题。

例如下面的例子是对总体X 的分布类型提出假设作检验的问题。

例3.1.2认为某工厂生产的灯泡其光通量X 服从正态分布，是否正确？又认为某服务窗口在某段时间内接待的顾客数X 服从Poisson 分布，是否正确？下面我们结合讨论例3.1.1，阐述假设检验的基本思想及所涉及到的基本概念。

原假设和备择假设在例3.1.1中，我们已知包装量服从正态分布，实际上是已知包装量X 的分布属于正态分布族});,({2∞<<-∞μσμN 。

包装机工作是正常的，即为假设500=μ。

一般地，设统计模型为};{Θ∈θθP ，关于总体分布中的参数θ的推测，即Θ⊂Θ∈θ:H 称为假设，其中Θ是参数空间Θ的非空真子集。

单侧检验的例子(续一) 解：
（一）、首先找出总体参数，这里应该是总体的均值m，即谷 物的平均重量，给出原假设和备择假设，即用公式表达两个相 反的意义。 H0: m ≥ 24 (均值至少为 24)
Ha: m < 24 (均值少于24) （二）、确定概率分布和用来做检验的检验统计量。
我们要检验抽取的样本均值是否达到广告宣称的数额，就
就需要提出假设，假设包括零假设H0与备择假设 H1。
零假设的选取
假设检验所使用的逻辑上的间接证明法决定了我们 选取的零假设应当是与我们希望证实的推断相对立 的一种逻辑判断，也就是我们希望否定的那种推断。
零假设的选取(续一)
同时，作为零假设的这个推断是不会轻易被推翻的，只有当样本 数据提供的不利于零假设的证据足够充分，使得我们做出拒绝零 假设的决策时错误的可能性非常小的时候，才能推翻零假设。
4、得出关于H0和关于H1的结论
显著性水平
显著性水平α是当原假设正确却被拒绝的概率
通常人们取0.05或0.01 这表明，当做出接受原假设的决定时，其正确的可能性(概率)为
95%或99%
判定法则
1、如果检验统计量落入拒绝域中，则拒绝原假设 2、如果检验统计量落入接受域中，则我们说不能拒绝原假设
可以用样本均值离标称值的标准离差个数的多少来判断。
因此构造检验统计量
z* x n
单侧检验的例子(续二)
（三）、设定置信水平为95%。收集样本信息，假设选取了 一个数目为40的样本，计算得
x 23.76 n 40 计算检验统计量的值为（σ = 0.2）
z x 23.76 24 7.5895 n 0.2 40
Values
4.9 5.1 4.6

_950-1000 _100/V25 = —2.50.3419第三章假设检验3.2 一种元件，要求其使用寿命不低于1000 （小时），现在从一批这种元件中随机抽取25件，测得其寿命平均值为950 （小时）。

已知这种元件寿命服从标准差6 = 100（小时）的正态分布，试在显著水平0.05下确定这批元件是否合格。

提出假设：H o-.ju> 1000, H]：〃<1000构造统计量：此问题情形属于u检验，故用统计量:u=^ —此题中= 950 cr0 =100 n=25 用=1000代入上式得：拒绝域:V={|u| > "胡本题中：a = 0.05 u 0 95 = 1.64即，|u|>"°.95拒绝原假设％认为在置信水平0.05下这批元件不合格。

3.4某批矿砂的五个样品中镣含量经测定为（％）:3.25 3.27 3.24 3.26 3.24设测定值服从正态分布，问在a = 0.01下能否接受假设，这批矿砂的镣含量为提出假设：气：〃]=为=3.25构造统计量：本题属于W未知的情形，可用t检验，即取检验统计量为：t= X"）本题中二= 3.252, S=0.0117, n=5代入上式得：_ 3.252-3.25—0.0117/7^1否定域为：V=< t>t >本题中,a = 0.01 角.995（4） = 4.6041••• V «1--2接受丑0,认为这批矿砂的镣含量为3.25。

0.035%,= -4.114310*(0.035% 尸=7.6563 否定域v={z 2>zL(»-i)}本题中，%”1)=就5 ⑼= 16.919接受也3.9设总体X N(〃,4),X I ，...,X]6为样本，考虑如下检验问题:3.5确定某种溶液中的水分，它的10个测定值X = 0.452%,S设总体为正态分布试在水平5%检验假设:(z)H 。

假设检验与方差分析一、单选题1、假设检验的基本思想是（）A、中心极限定理B、小概率原理C、大数定律D、置信区间2、如果一项假设规定的显著水平为0.05，下列表述正确的是（）A、接受H0时的可靠性为95%B、接受H1时的可靠性为95%C、H1为假时被接受的概率为5%D、H0为真时被拒绝的概率为5%3、假设检验的步骤（）A、建立假设、选择和计算统计量、确定P值和判断结果B、建立原假设、备择假设，确定检验水准C、确定单侧检验或双侧检验、选择t检验或u检验、估计一类错误和二类错误D、计算统计量、确定P值、做出推断结果4、在一次假设检验中，当显著水平设为0.05时，结论是拒绝原假设，现将显著水平设为0.1，那么（）A、仍然拒绝原假设B、不一定拒绝原假设C、需要重新进行假设检验D、有可能拒绝原假设5、进行假设时，在其他条件不变的情形下，增加样本量，检验结论犯两类错误的概率将（）A.都减小B. 都增加C.都不变D.一个增加一个减少6、在假设检验中，1-α是指（）A.拒绝了一个真实的原假设的概率B.接受了一个真实的原假设概率C.拒绝了一个错误的原假设的概率D.接受了一个错误的原假设概率7、在假设检验中，1-β是指（）A.拒绝了一个正确的原假设的概率B.接受了一个正确的原假设的概率C.拒绝了一个错误的原假设的概率D. 接受了一个错误的原假设的概率8．将由显著性水平所规定的拒绝域平分为两部分，置于概率分布的两边，每边占显著性水平的二分之一，这是（）。

A. 单侧检验B.双侧检验C.右侧检验D.左侧检验9.方差分析要求（）A.各个总体方差相等B.各个样本来自同一总体C.各个总体均数相等D.两样本方差相等二、多项选择题1.显著性水平与检验拒绝域关系（）A. 显著性水平提高（α变小），意味着拒绝域缩小B. 显著性水平降低，意味着拒绝域扩大C. 显著性水平提高，意味着拒绝域扩大D. 显著性水平降低，意味着拒绝域扩大化E. 显著性水平提高或降低，不影响拒绝域的变化2. β错误（）A. 是在原假设不真实的条件下发生B. 是在原假设真实的条件下发生C. 决定于原假设与真实值之间的差距D. 原假设与真实值之间的差距越大，犯β错误的可能性就越小E. 原假设与真实值之间的差距越小，犯β错误的可能性就越大3、假设检验的三个关键点（）A.找到一个合适的统计量，使该统计量包括所要检验的参数和与之对应的样本估计量B.从犯“弃真”错误的角度考虑问题，使得弃真的概率很小。