下载文档原格式
医学统计学之卡方检验SPSS操作卡方检验（Chi-Square Test）是一种常用的统计方法，用于比较两个或多个分类变量的分布是否存在差异。
该方法主要用于处理分类数据，例如比较男女性别和吸烟与否对癌症发生的关系。
在SPSS（Statistical Package for the Social Sciences）软件中，进行卡方检验的操作主要分为数据准备、假设设定和计算步骤。
第一步：数据准备首先，需要在SPSS中导入数据。
假设我们需要在一个样本中比较男女性别和吸烟与否的关系，我们可以将性别和吸烟状况作为两个分类变量，分别用“Male”和“Female”表示性别，“Smoker”和“Non-smoker”表示吸烟状况。
将这些数据输入到SPSS中的一个数据表中。
第二步：假设设定接下来，需要设置假设。
在卡方检验中，我们通常有一个原假设和一个备择假设：-原假设（H0）：两个或多个分类变量之间没有显著差异。
-备择假设（H1）：两个或多个分类变量之间存在显著差异。
在本例中，原假设可以是“性别和吸烟状况之间没有显著差异”，备择假设可以是“性别和吸烟状况之间存在显著差异”。
第三步：计算步骤进行卡方检验的计算步骤如下：1.打开SPSS软件并导入数据。
2. 选择“分析（Analyse）”菜单，然后选择“非参数检验（Nonparametric Tests）”子菜单，最后选择“卡方（Chi-Square）”选项。
3.在弹出的对话框中选择两个分类变量（性别和吸烟状况），并将它们添加到变量列表中。
4.点击“确定（OK）”按钮，开始进行卡方检验的计算。
5.SPSS将计算卡方统计量的值和相关的P值。
如果P值小于指定的显著性水平（通常为0.05），则可以拒绝原假设，接受备择假设。
这样，就完成了卡方检验的SPSS操作。
需要注意的是，卡方检验是一种只能说明变量之间是否存在关系的方法，不能用于确定因果关系。
此外，在进行卡方检验之前，需要确保样本符合一些假设，例如每个单元格的期望频数应该大于5、如果不满足这些假设，可以考虑使用其他适用的统计方法。
SPSS非参数检验之一卡方检验一、卡方检验的概念和原理卡方检验是一种常用的非参数检验方法，用于检验两个或多个分类变量之间的关联性。
它利用实际观察频数与理论频数之间的差异，来判断两个变量是否独立。
卡方检验的原理基于卡方分布，在理论上，如果两个变量是独立的，那么它们的观测频数应该等于理论频数。
卡方检验通过计算卡方值来度量观察频数与理论频数之间的差异程度，进而判断两个变量是否独立。
卡方值的计算公式为：卡方值=Σ(（观察频数-理论频数）²/理论频数）其中，观察频数为实际观察到的频数，理论频数为理论上计算得到的频数。
二、卡方检验的步骤卡方检验的步骤包括以下几个方面：1.建立假设：首先需要建立原假设和备择假设。
原假设（H0）是两个变量之间独立，备择假设（H1）是两个变量之间存在关联。
2.计算理论频数：根据原假设和已知数据，计算出各组的理论频数。
3.计算卡方值：利用卡方值的计算公式，计算观察频数与理论频数之间的差异。
4.计算自由度：自由度的计算公式为自由度=(行数-1)*(列数-1)。
5.查表或计算P值：根据卡方值和自由度，在卡方分布表中查找对应的临界值，或者利用计算机软件计算P值。
6.判断结果：判断P值与显著性水平的关系，如果P值小于显著性水平，则拒绝原假设，认为两个变量存在关联；如果P值大于显著性水平，则接受原假设，认为两个变量是独立的。
三、卡方检验在SPSS中的应用在SPSS软件中，进行卡方检验的操作相对简单。
下面以一个具体的案例来说明：假设我们有一份数据，包括了男性和女性在健康习惯（吸烟和不吸烟）方面的调查结果。
我们想要检验性别与吸烟习惯之间是否存在关联。
1.打开SPSS软件，导入数据。
2.选择"分析"菜单，点击"拟合度优度检验"。
3.在弹出的对话框中，将两个变量（性别和吸烟习惯）拖入"因子"栏目中。
4.点击"统计"按钮，勾选"卡方拟合度"。
spss分析SPSS (Statistical Package for the Social Sciences) 是一种常用的统计软件，可以进行各种数据分析。
SPSS分析方法如下：1. 描述性统计分析：对数据进行描述性统计，包括平均数、中位数、众数、标准差、方差等。
2. 参数检验：通过参数检验可以判断总体参数是否符合预期，常见的参数检验方法有t检验、方差分析（ANOVA）、卡方检验等。
3. 非参数检验：非参数检验方法用于处理数据样本不满足正态分布或方差齐性的情况，常见的非参数检验方法有Wilcoxon秩和检验、Kruskal-Wallis检验等。
4. 相关分析：用于分析两个或多个变量之间的关系，常见的相关分析方法有Pearson相关系数、Spearman秩相关系数等。
5. 回归分析：通过建立回归方程来研究自变量与因变量之间的关系，常见的回归分析方法有线性回归、多元回归等。
6. 方差分析：用于比较不同因素对结果的影响，常见的方差分析方法有单因素方差分析、多因素方差分析等。
7. 聚类分析：将数据集中的个体划分为不同的类别，常见的聚类分析方法有K均值聚类、层次聚类等。
8. 判别分析：用于确定将个体划分到已知类别中的判别准则，常见的判别分析方法有线性判别分析、逻辑回归等。
9. 生存分析：用于分析个体在某个时间段内生存的概率，常见的生存分析方法有Kaplan-Meier生存曲线、Cox比例风险模型等。
10. 因子分析：用于确定影响多个变量的共同因素，常见的因子分析方法有主成分分析、因子旋转等。
以上只是SPSS分析的一部分，还有很多其他的分析方法可以在SPSS中实现。
具体选择哪种分析方法取决于研究目的和数据特点。
SPSS 中非参数检验之一：总体分布的卡方（Chi-square ）检验在得到一批样本数据后，在得到一批样本数据后，人们往往希望从中得到样本所来自的总体的分布形人们往往希望从中得到样本所来自的总体的分布形态是否和某种特定分布相拟合。
这可以通过绘制样本数据直方图的方法来进行粗略的判断。
略的判断。
如果需要进行比较准确的判断，如果需要进行比较准确的判断，如果需要进行比较准确的判断，则需要使用非参数检验的方法。
则需要使用非参数检验的方法。
则需要使用非参数检验的方法。
其中其中总体分布的卡方检验（也记为χ2检验）就是一种比较好的方法。
检验）就是一种比较好的方法。
一、定义总体分布的卡方检验适用于配合度检验，是根据样本数据的实际频数推断总体分布与期望分布或理论分布是否有显著差异。
它的零假设H0：样本来自的总体分布形态和期望分布或某一理论分布没有显著差异。
总体分布的卡方检验的原理是：如果从一个随机变量尤中随机抽取若干个观察样本，这些观察样本落在X 的k 个互不相交的子集中的观察频数服从一个多项分布，这个多项分布当k 趋于无穷时，就近似服从X 的总体分布。
的总体分布。
因此，假设样本来自的总体服从某个期望分布或理论分布集的实际观察频数同时获得样本数据各子集的实际观察频数，并依据下面的公式计算统计量Q ()21ki i i iO E Q E =-=å其中，Oi 表示观察频数；Ei 表示期望频数或理论频数。
可见Q 值越大，表示观察频数和理论频数越不接近；Q 值越小，说明观察频数和理论频数越接近。
SPSS 将自动计算Q 统计量，由于Q 统计量服从K-1个自由度的X 平方分布，因此SPSS 将根据X 平方分布表给出Q 统计量所对应的相伴概率值。
统计量所对应的相伴概率值。
如果相伴概率小于或等于用户的显著性水平，则应拒绝零假设H0，认为样本来自的总体分布形态与期望分布或理论分布存在显著差异；如果相伴概率值大于显著性水平，则不能拒绝零假设HO ，认为样本来自的总体分布形态与期望分布或理论分布不存在显著差异。
实验报告SPSS 勺参数检验和非参数检验学期：_2013—至2013_第_1_学期 课程名称：_数学建模专业：数学实验项目 SPSS 勺参数检验和非参数检验实验成绩:一、 实验目的及要求熟练掌握t 检验及其结果分析。
熟练掌握单样本、两独立样本、多独立样本 的非参数检验及各种方法的适用范围，能对结果给出准确分析。
二、 实验内容使用指定的数据按实验教材完成相关的操作。
1、给幼鼠喂以不同的饲料，用以下两种方法设计实验： 方式1:同一鼠喂不同的饲料所测得的体内钙留存量数据如下:方式2:甲组有12只喂饲料1,乙组有9只喂饲料2,所测得的钙留存量数据如 下：请选用恰当方法对上述两种方式所获得的数据进行分析，研究不同饲料是否使幼鼠体内钙的留存量有显著不同。
2、为分析大众对牛奶品牌是否具有偏好，随机挑选超市收集其周一至周六各天 三种品牌牛奶的日销售额数据，如下表所示：请选用恰当的非参数检验方法，以恰当形式组织上述数据进行分析， 并说明分析 结论。
实验报告附页三、实验步骤（一）方式1:1、打开SPSS软件，根据所给表格录入数据，建立数据文件；2、选择菜单Analyze —Compare means- Paired-Samples T Test ，出现窗口；3、把检验变量饲料1,饲料2选择到Paired Variables 框，单击OK 方式2:1、打开SPSS软件，根据所给表格录入数据，建立数据文件；2、选择菜单Analyze —Compare mean—Independent-Samples T Test，出现窗口3、选择检验变量饲料到Test Variable（s）框中。
4、选择总体标志变量组号到Group ing Variables 框中5、单击Define Groups按钮定义两总体的标志值1、2，单击OK（二）1、打开SPSS软件，根据所给表格录入数据，建立数据文件；2、选择菜单Analyze->Nonparametric->k Independent sample3、选择待检验的若干变量入包装1,包装2,包装3到Test Variable（s）框中;4、选择推广的平均秩检验（Friedman检验），单击OK四、实验结果分析与评价（一）:方式1:Paired Samples Correlations由上表知：两配对变量饲料1和饲料2对应的概率p值为0.108>0.05通过了检验，可以认为两配对变量饲料1和饲料2无相关关系。
SPSS的参数检验和非参数检验SPSS是一种非常常用的统计分析软件，可以用于参数检验和非参数检验。
参数检验是假设检验的一种方法，用于判断统计样本是否代表总体。
而非参数检验则是用于检验数据是否满足一些分布假设，或判断两个或多个群体是否具有差异。
参数检验主要有t检验、方差分析和回归分析等。
其中，t检验用于比较两个样本均值是否有显著差异，包括独立样本t检验和相关样本t检验。
方差分析用于比较三个或更多样本均值是否有显著差异，可以进行单因素方差分析或多因素方差分析。
回归分析用于建立预测模型，可以通过线性回归或多项式回归进行。
非参数检验通常适用于数据不满足正态分布或方差齐性的情况，如Wilcoxon符号秩检验、Kruskal-Wallis H检验、Mann-Whitney U检验等。
Wilcoxon符号秩检验用于比较两个配对样本的差异是否有显著差异，Kruskal-Wallis H检验用于比较三个或更多独立样本的差异是否有显著差异，Mann-Whitney U检验用于比较两个独立样本的差异是否有显著差异。
在SPSS中进行参数检验和非参数检验一般需要进行以下步骤：1.导入数据：将数据导入SPSS软件，可以通过选择文件-导入功能进行操作。
2.设定分析变量：定义需要进行分析的变量，并将其添加到分析列表中。
3.选择统计方法：根据实验设计和数据分布情况，选择合适的参数检验或非参数检验方法。
4.执行分析：点击运行按钮进行分析，在分析结果中可以查看得到显著性水平、均数、方差等指标。
5.结果解释：根据分析结果进行假设检验，判断是否存在显著差异，并解释其结果。
无论是参数检验还是非参数检验，在进行分析前需要注意数据的合理性、样本的选择和实验设计的合理性等，以保证分析结果的可靠性。
同时，还应根据不同的研究目的和数据特点选择适当的方法，并合理解释分析结果。
在SPSS软件中，可以通过图表、表格和描述性统计等形式展示和解释结果，并通过结果进行科学判断和相关推断。
SPSS数据分析的统计方法选择SPSS（Statistical Package for the Social Sciences）是一款广泛应用于社会科学领域的统计分析软件。
在进行数据分析时，选择合适的统计方法非常重要，因为不同的问题需要不同的统计方法来解决。
下面是一些常用的统计方法及其在SPSS中的应用。
1.描述统计：描述统计是对数据的基本特征进行汇总和整理的方法。
SPSS提供了丰富的描述统计方法，如变量的均值、中位数、标准差、最小值、最大值、分位数等。
2.t检验：t检验用于比较两个群体均值是否有显著差异。
SPSS中提供了独立样本t检验和配对样本t检验两种方式来进行t检验。
3.方差分析：方差分析用于比较多个群体均值是否有显著差异。
SPSS 中的一元方差分析可以用于比较一个因变量在一个自变量有多个水平时的均值差异。
4. 相关分析：相关分析用于研究两个变量之间的关系。
在SPSS中，可以通过计算Pearson相关系数或Spearman等级相关系数来进行相关分析。
5.回归分析：回归分析用于研究因变量与自变量之间的关系和预测。
SPSS中提供了多种回归方法，包括线性回归、逐步回归、逐级回归等。
6.卡方检验：卡方检验用于检验观察频数与期望频数之间的差异。
SPSS中提供了卡方检验方法，包括卡方独立性检验和卡方拟合度检验。
7.方差分析：方差分析（ANOVA）是一种用于比较多个组均值的统计方法。
在SPSS中，可以进行一元方差分析或多元方差分析来评估组间差异的显著性。
8. 非参数检验：非参数检验用于在不满足正态分布假设的情况下比较群体差异。
SPSS中提供了一些非参数检验方法，如Wilcoxon符号秩检验、Mann-Whitney U检验、Kruskal-Wallis H检验等。
9.因素分析：因素分析用于降维和提取潜在变量。
在SPSS中，可以进行主成分分析或因子分析来研究变量之间的相关结构。
10.聚类分析：聚类分析用于将相似的个体或因素分组。
在SPSS 中进行实验一的基本统计方法包括描述统计和推论统计两个方面。
描述统计用于对实验数据的整体特征进行描述，而推论统计则用于对样本数据进行推断，从而得出总体的结论。
以下是在SPSS 中进行实验一时常用的基本统计方法：描述统计：1. 均值（Mean）：计算数据的平均值，反映数据的集中趋势。
2. 标准差（Standard Deviation）：衡量数据的离散程度。
3. 频数统计（Frequencies）：统计分类变量的频数分布。
4. 中位数（Median）：数据的中间值，不受极端值影响。
5. 最大最小值（Minimum, Maximum）：显示数据的最大值和最小值。
6. 百分位数（Percentiles）：显示数据的分位数，如四分位数等。
推论统计：1. 相关分析（Correlation）：分析两个连续变量之间的关系。
2. t检验（Independent Samples T-Test, Paired Samples T-Test）：比较两组样本均值是否存在显著差异。
3. 方差分析（ANOVA）：比较两个或多个组之间均值是否存在显著差异。
4. 卡方检验（Chi-Square Test）：用于比较分类变量之间的关联性。
5. 线性回归（Linear Regression）：分析自变量和因变量之间的线性关系。
6. 非参数检验（Mann-Whitney U Test, Kruskal-Wallis Test）：适用于非正态分布数据或秩次数据的假设检验。
以上是在SPSS 中常用的实验一基本统计方法，通过这些方法可以对实验数据进行全面的描述和分析，从而得出科学、客观的结论。
在使用这些方法时，需要根据实际情况选择合适的统计方法，并正确解读结果。
SPSS数据分析—卡方检验卡方统计量是基于卡方分布的一种检验方法，根据频数值来构造统计量，是一种非参数检验方法。
SPSS中在交叉表和非参数检验中，都可调用卡方检验。
卡方检验的主要有两类应用一、拟合度检验1.检验单个无序分类变量各分类的实际观察次数和理论次数是否一致此类问题为单变量检验，首先要明确理论次数，这个理论次数是根据专业或经验已知的，原假设为观察次数与理论次数一致例】：随机抽取60名高一学生，问他们文理要不要分科，回答赞成的39人，反对的21人，问对分科的意见是否有显著的差异。
分析：如果意见没有差异，那么赞成反对的人数应该各半，即30次，因此理论次数为30例】：一周内各日患忧郁症的人数漫衍如下表所示，请检验一周内各日人们忧郁数是否满足1:1:2:2:1:1:1例】：一个骰子投掷120次，记录掷得每个点数的次数，问该骰子是否存在问题如果骰子是正常的，那么每个点数掷得的概率应该相等，操作方法和前面一样，也使用非参数检验过程，选择默认的所有类别相等卡方检验主要用于分类变量，但是也可以用于对连续变量的拟合度检验上，此类问题的基本思想是：将总体X的取值范围分成k个互不重叠的小区间A1.A2.Ak，把落入第i个小区间的样本值个数作为实际频数，所有实际频数之和等于样本容量，根据理论分布，可以算出总体X的值落入每个小区间Ai的概率Pi，于是nPi就是落入Ai的样本值的理论频数。
有了实际频数和理论频数，就可以计算卡方统计量并进行卡方检验了。
二、独立性检验独立性检验分析两变量之间是否相互独立或有无分歧，也可以在控制某种因素之后，分析两变量之间是否相互独立或有无分歧。
原假设为两变量相互独立或两变量间的相互作用没有分歧。
对于两变量一般采用列联表的形式记录观察数据，分为四格表和R*C列联表，根据卡方统计量和分类变量的类型，又衍生出一些相关系数，这在相关分析中已经讲过。
例】：为了解男女在公开场合禁烟上的态度，随机调查100名男性和80名女性。
SPSS：T检验、方差分析、非参检验、卡方检验的使用要求和适用场景一、T检验1.1 样本均值比较T检验的使用前提1.正态性；（单样本、独立样本、配对样本T检验都需要）2.连续变量；（单样本、独立样本、配对样本T检验都需要）3.独立性；（独立样本T检验要求）4.方差齐性；（独立样本T检验要求）1.2 样本均值比较T检验的适用场景1.单样本T检验（比较样本均数和总体均数）；2.操作：打开分析—比较均值—单样本t检验要求：正态性（可以用K-S检验法，在SPSS中的“分析”–“非参数检验”—“单样本”中；或者直接根据直方图、P-P图，Q-Q图来观察或根据偏度峰度法来分析）说明：由中心极限定理可知，即使原数据不符合正态分布，只要样本量足够大时样本均数分布仍然是正态的。
只要数据不是强烈的偏正态，没有明显的极端值，一般而言单样本t检验都是可以使用的，分析结果都是稳定的。
3.独立样本T检验（比较成组设计的两个样本）；4.操作：打开分析—比较均值—独立样本t检验5.我们输入数据的时候，两个样本的数据是要在一列变量里的，另外还有一列二分类变量为这列因变量做标注。
要求：独立性、正态性（对正态性有耐受性）、方差齐性（影响大，检验更有必要，使用Levene’s检验，两样本T检验中提供Levene’s检验，如需更详细的检验结果可在“分析”–“描述统计”–“探索”中进行）说明：各样本相互独立，且均来自于正态分布的样本，各样本所在总体的方差相等；* 疑问：独立性怎么检验？有些数据可以根据现实环境判断；*6.配对样本T检验（如用药前和用药后的两个人群的样本、同一样品用两种方法的比较）7.操作：打开分析—比较均值—配对样本t检验要求：正态性（配对样本等价于单样本T检验，检验的是两个样本对应的差值，初始假设为差值等于0）二、单因素方差分析2.1 单因素方差分析的基本思想•基本思想：变异分解，总变异=随机变异+处理因素导致的变异，又可以分解为总变异=组内变异+组间变异，F=组间变异/组内变异，F 的值越大，处理因素的影响越大。
SPSS-⾮参数检验⾮参数检验（卡⽅（Chi-square）检验、⼆项分布（Binomial）检验、单样本K-S（Kolmogorov-Smirnov）检验、单样本变量值随机性检验（Runs Test）、两独⽴样本⾮参数检验、多独⽴样本⾮参数检验、两配对样本⾮参数检验、多配对样本⾮参数检验）参数检验：T检验、F检验等常⽤来估计或检验总体参数，统称为参数检验⾮参数检验：这种不是针对总体参数，⽽是针对总体的某些⼀般性假设（如总体分布）的统计分析⽅法称⾮参数检验1.总体分布的卡⽅（Chi-square）检验（Q统计量）定义：总体分布的卡⽅检验适⽤于配合度检验，是根据样本数据的实际频数推断总体分布与期望分布或理论分布是否有显著差异。
特点：⽐较适⽤于⼀个因素的多项分类数据分析。
总体分布的卡⽅检验的数据是实际收集到的样本数据，⽽⾮频数数据。
SPSS操作2.⼆项分布检验（Z统计量）⼆项分布：从这种⼆分类总体中抽取的所有可能结果，要么是对⽴分类中的这⼀类，要么是另⼀类，其频数分布称为⼆项分布⼆项分布检验：SPSS⼆项分布检验就是根据收集到的样本数据，推断总体分布是否服从某个指定的⼆项分布SPSS操作3.SPSS单样本变量值随机性检验（Z统计量）定义:单样本变量值的随机性检验是对某变量的取值出现是否随机进⾏检验，也称为游程检验（Run过程）SPSS操作4.SPSS单样本K-S检验（Z统计量）定义：单样本K-S检验是利⽤样本数据推断总体是否服从某⼀理论分布的⽅法，适⽤于探索连续型随机变量的分布形态SPSS操作5.两独⽴样本⾮参数检验定义：两独⽴样本的⾮参数检验是在对总体分布不很了解的情况下，通过分析样本数据，推断样本来⾃的两个独⽴总体分布是否存在显著差异。
⼀般⽤来对两个独⽴样本的均数、中位数、离散趋势、偏度等进⾏差异⽐较检验。
检验⽅法：①两独⽴样本的Mann-Whitney U检验（主要检验总体均值有没有显著差异）②两独⽴样本的K-S检验③两独⽴样本的游程检验④两独⽴样本的极端反应检验SPSS操作6.多独⽴样本⾮参数检验定义：多独⽴样本⾮参数检验分析样本数据是推断样本来⾃的多个独⽴总体分布是否存在显著差异SPSS多独⽴样本⾮参数检验⼀般推断多个独⽴总体的均值或中位数是否存在显著差异检验⽅法：①多独⽴样本的中位数检验②多独⽴样本的K-W检验③多独⽴样本的Jonkheere-Terpstra检验SPSS操作7.两配对样本⾮参数检验定义：两配对样本（2 Related Samples）⾮参数检验是在对总体分布不很清楚的情况下，对样本来⾃的两相关配对总体分别进⾏检验。
SPSS非参数检验非参数检验 SPSS单样本非参数检验是对单个总体的分布形态等进行推断的方法，其中包括卡方检验、二项分布检验、K-S检验以及变量值随机性检验等方法。
参数检验与非参数检验的区别:参数检验是在总体分布形式已知的情况下，对总体分布的参数如均值、方差等进行推断的方法。
但是，在数据分析过程中，由于种种原因，人们往往无法对总体分布形态作简单假定，此时参数检验的方法就不再适用了。
非参数检验正是一类基于这种考虑，在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法。
由于非参数检验方法在推断过程中不涉及有关总体分布的参数，因而得名为“非参数检验”。
一、几种常见的非参数检验1、总体分布的卡方检验卡方检验方法可以根据样本数据，推断总体分布与期望分布或某一理论分布是否存在显著差异，是一种吻合性检验，通常适于对有多项分类值的总体分布的分析。
它的原假设是:样本来自的总体分布与期望分布或某一理论分布无差异。
例如，医学家在研究心脏病人猝死人数与日期的关系时发现:一周之中，星期一心脏病人猝死者较多，其他日子则基本相当。
当天的比例近似为2.8:1:1:1:1:1:1。
现收集到心脏病人死亡日期的样本数据，推断其总体分布是否与上述理论分布相吻合。
2、二项分布检验SPSS的二项分布检验正是要通过样本数据检验样本来自的总体是否服从指定的概率为P的二项分布，其原假设是:样本来自的总体与指定的二项分布无显著差异。
在生活中有很多数据的取值是二值的，例如，人群可以分成男性和女性，产品可以分成合格和不合格，学生可以分成三好学生和非三好学生，投掷硬币实验的结果可以分成出现正面和出现反面等。
通常将这样的二值分别用1或0表示。
如果进行n次相同的实验，则出现两类(1或0)的次数可以用离散型随机变量X来描述。
如果随机变量X为1的概率设为P，则随机变量X值为0的概率Q便等于1-P，形成二项分布。
从某产品中随机抽取23个样品进行检测并得到检测结果。
参数检验与非参数检验一、参数检验与非参数检验的区别（1）参数检验：一般是数据的总体分布已知的情况下，对数据分布的参数是否落在相应范围内进行检验。
是对参数平均值、方差进行的统计检验，是推断统计的重要组成部分。
适用条件：当总体分布已知（如总体为正态分布），根据样本数据对总体分布的统计参数进行推断。
此时，总体的分布形式是给定的或是假定的，只是其中一些参数的取值或范围未知，分析的主要目的是估计参数的取值，或对其进行某种统计检验。
这类问题往往用参数检验来进行统计推断。
它不仅仅能够对总体的特征参数进行推断，还能够实现两个或多个总体的参数进行比较。
（2）非参数检验：一般是在不知道数据总体分布的前提下，检验数据的分布情况。
适用条件：在数据分析过程中，由于种种原因，往往无法对总体分布形态作简单假定，此时参数检验不再适用。
非参数检验正是基于这种考虑，在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法。
二、参数检验方法及适用条件三、非参数检验方法及适用条件四、使用方法当分析某个因素对变量的影响差异时，即检验该因素分类的若干个样本差异：（1）如果因素为两个，使用独立样本T-检验，来分析两个总体平均数相等的显著性；结果判定：先看方差齐性F检验结果，再看均值相等性的t检验结果，即a.如果方差齐性显著性>0.05，则表明方差齐性显著，再看第一行的检验统计值t及显著性p（p<0.05表示差异明显）；b.如果方差齐性显著性<=0.05，则表明方差显著不齐，再看第二行的检验统计值t及显著性p（p<0.05表示差异明显）；（2）如果因素为多个，使用单因素方差检验（即F检验），来分析该因素的影响差异。
结果判定：方差齐性显著则看ANOVA的检验统计值F及其显著性p。
