4第四章 假设检验、t检验和Z检验

第四章 假设检验填空（5题/章），选择（5题/章），判断（5题/章），计算（3题/章） 一、填空1、在做假设检验时容易犯的两类错误是 和2、如果提出的原假设是总体参数等于某一数值，这种假设检验称为 ，若提出的原假设是总体参数大于或小于某一数值，这种假设检验称为3、假设检验有两类错误，分别是 也叫第一类错误，它是指原假设H0是 的，却由于样本缘故做出了 H0的错误；和 叫第二类错误，它是指原假设H0是 的, 却由于样本缘故做出 H0的错误。

4、在统计假设检验中，控制犯第一类错误的概率不超过某个规定值α,则α称为 。

5、 假设检验的统计思想是小概率事件在一次试验中可以认为基本上是不会发生的，该原理称为 。

6、从一批零件中抽取100个测其直径，测得平均直径为5.2cm ，标准差为1.6cm ，想知道这批零件的直径是否服从标准直径5cm ，在显著性水平α下，否定域为7、有一批电子零件，质量检查员必须判断是否合格，假设此电子零件的使用时间大于或等于1000，则为合格，小于1000小时，则为不合格，那么可以提出的假设为 。

（用H 0，H 1表示）8、一般在样本的容量被确定后，犯第一类错误的概率为α，犯第二类错误的概率为β，若减少α，则β9、某厂家想要调查职工的工作效率，用方差衡量工作效率差异，工厂预计的工作效率为至少制作零件20个/小时，随机抽样30位职工进行调查，得到样本方差为5，试在显著水平为0.05的要求下，问该工厂的职工的工作效率 （有，没有）达到该标准。

KEY: 1、弃真错误，纳伪错误 2、双边检验，单边检验3、拒真错误，真实的，拒绝，取伪错误，不真实的，接受4、显著性水平5、小概率事件6、1.25>21α-z7、H 0：t≥1000 H 1：t ＜1000 8、增大 9、有二、 选择1、假设检验中，犯了原假设H 0实际是不真实的，却由于样本的缘故而做出的接受H 0的错误，此类错误是（ ）A 、α类错误B 、第一类错误C 、取伪错误D 、弃真错误 2、一种零件的标准长度5cm ，要检验某天生产的零件是否符合标准要求，建立的原假设和备选假设就为（ ）A 、0:5H μ=，1:5H μ≠B 、0:5H μ≠，1:5H μ>C 、0:5H μ≤，1:5H μ>D 、0:5H μ≥，1:5H μ< 3、一个95%的置信区间是指（ ） A 、总体参数有95%的概率落在这一区间内 B 、总体参数有5%的概率未落在这一区间内C 、在用同样方法构造的总体参数的多个区间中，有95%的区间包含该总体参数D 、在用同样方法构造的总体参数的多个区间中，有95%的区间不包含该总体参数4、假设检验中，如果增大样本容量，则犯两类错误的概率（ ） A 、都增大 B 、都减小 C 、都不变 D 、一个增大一个减小5、一家汽车生产企业在广告中宣称“该公司的汽车可以保证在2年或24000公里内无事故”，但该汽车的一个经销商认为保证“2年”这一项是不必要的，因为汽车车主在2年内行驶的平均里程超过24000公里。

假设检验的几种方法假设检验是统计学中常用的一种技术。

它可以帮助人们查看样本数据是否具有代表性，并据此作出关于总体数据的推断。

假设检验的目的是对一个关于总体的假设进行检验，看样本数据是否支持这个假设，或者是否应该拒绝这个假设。

假设检验方法的选择取决于所要检验的问题，而统计学家通常会使用以下四种方法：1. Z检验Z检验适用于大样本，即样本数量大于30个，总体标准差已知的情况下。

它用于检验给定样本均值是否与总体均值相等，或两个样本均值是否相等。

该检验将样本均值与总体均值之间的差异量标准化，得到标准差，从而得出样本和总体均值之间的关系。

2. t检验t检验适用于小样本情况，即样本数量少于30个，总体标准差未知，并且样本符合正态分布。

它用于检验给定样本均值是否与总体均值相等，或两个样本均值是否相等。

该检验将样本均值与总体均值之间的差异量标准化，得出t值，然后与t分布表中相应值比较，从而得出样本和总体均值之间的关系。

3.单尾检验单尾检验是针对所检验的问题的方向（即是大于还是小于）进行的检验。

它根据所研究的问题，将给定样本的假设分为单尾和双尾假设。

单尾检验用于检验一个样本是否比另一个样本更高（或更低），并估计差异的显著性。

4.双尾检验双尾检验用于检验给定样本均值是否与一个已知总体值相等，或者检验两个样本之间的差异是否显著。

它提供了一种可靠的方法，用于估算样本均值与总体均值之间的差异，并考虑标准误差的影响。

总之，假设检验方法的选择应该取决于分析者要研究的问题。

在尽可能保持样本数据的准确性的情况下，正确选择假设检验方法可以提高数据分析的效果。

第4章参数估计和假设检验第四章参数估计与假设检验掌握参数估计和假设检验的基本思想是正确理解和应⽤其他统计推断⽅法的基础，后⾯将要学习的⽅差分析、⾮参数检验、回归分析、时间序列等统计推断⽅法都是在此基础上展开的。

需要特别指出的是，所有的统计推断都要以随机样本为基础。

如果样本是⾮随机的，统计推断⽅法就不适⽤了。

由于相关知识在先修课程中已经学习过，本章主要在回顾相关知识的基础上，补充讲解必要样本容量的计算、p值、参数估计和假设检验⽅法的软件操作和结果分析等内容。

本章的主要内容包括：（1）参数估计的基本思想和软件实现。

（2）简单随机抽样情况下样本容量的计算。

（3）假设检验的基本原理。

（4）假设检验中的p值。

（5）⼏种常⽤假设检验的软件实现。

第⼀节参数估计⼀、参数估计的基本概念参数估计是指利⽤样本信息对总体数字特征作出的估计。

例如，我们可以通过估计⼀部分产品的合格率对整批产品的合格率作出估计，通过调查⼀个样本的⼈⼝数来对全国的⼈⼝数作出估计，等等。

参数估计可以分为点估计和区间估计。

点估计是指根据样本数据给出的总体未知参数的⼀个估计值。

对总体参数进⾏估计的⽅法可以有多种，例如矩估计法、极⼤似然估计法等，得到的估计量（样本统计量）并不是唯⼀的。

例如我们可以使⽤样本均值对总体均值作出估计，也可以使⽤样本中位数对总体均值进⾏估计。

因此，在参数估计中我们需要对估计量的好坏作出评价，这就涉及到估计量的评价准则问题。

常⽤的估计量评价准则包括⽆偏性、有效性、⼀致性等。

⽆偏性是指估计量的数学期望与总体参数的真实值相等；有效性的含义是，在两个⽆偏估计量中⽅差较⼩的估计量较为有效，⽅差越⼩越有效；⼀致性是指随着样本容量的增⼤，估计量的取值应该越来越接近总体参数。

样本的随机性决定了估计结果的随机性。

由于每⼀个点估计值都来⾃于⼀个随机样本，所以总体参数真值刚好等于⼀个具体估计值的可能性极⼩。

区间估计的⽅法则以概率论为基础，在点估计的基础上给出了⼀个置信区间，并给出了这⼀区间包含总体真值的概率，⽐点估计提供了更多的信息。

t检验和z检验的比较
检验类型单样本资料的t检验配对设计资料的t检验两独立样本资料的t检验两独立样本资料的z检验
应用条件当样本例数n较小，样本来自正态总体，总体标准差未知。

在作两个样本均数比较时，还要求两样本
相应的两总体方差相等。

（用于定量资料）
两个样本含量n较大（均大于50）
的情况
举例已知一个样本的指标的真值，现
在重复测定15次，问此法测得的
均数与真值有无差别（P296例）
用某药治疗8例高血压患者，观
察治疗前后舒张压的变化情况，
问该药是否对高血压患者治疗前
后舒张压变化有影响（P297例）
两组雄性大鼠（n1=12，n2=12）
分别用高蛋白和低蛋白饲料喂
养，问体重的增加有无差别
（P299例）
某医院用120名2型糖尿病患者
分成两组，用不同降血糖药，比
较两种降糖药的降血糖效果是否
不同（P299例）
假设（注意单侧和双侧假设区别）H 0:μ=μ0
H 1:μ≠μ0 α= 0.05
H 0:μd=0
H 1:μd≠0 α= 0.05
H 0:μ1=μ2
H 1:μ1≠μ2 α= 0.05
H 0:μ1=μ2
H 1:μ1≠μ2 α= 0.05
计算公式
比较，结论t>t界值（z>z界值），p≤0.05，拒绝Ho，接受H1，差异有统计学意义，可以认为······
t<t界值（z<z界值），p>0.05，不拒绝Ho，差异无统计学意义，尚不能认为······（根据题目下结论）。

统计学假设检验公式整理统计学假设检验是统计学中常用的一种方法。

通过使用统计学的方法，我们可以根据样本数据对总体的某种假设进行检验，以确定该假设是否得到支持。

在进行假设检验时，我们需要使用一些公式来计算统计量，从而得到检验结果。

本文将对常见的统计学假设检验公式进行整理和介绍。

一、单样本均值假设检验公式单样本均值假设检验用于确定总体均值是否与给定值相等。

常见的统计学公式包括：1. Z检验公式Z检验适用于大样本（样本容量大于30）的情况，公式如下：$$Z = \frac{\overline{x} - \mu}{\frac{\sigma}{\sqrt{n}}}$$其中，$\overline{x}$ 表示样本均值，$\mu$ 表示总体均值，$\sigma$ 表示总体标准差，$n$ 表示样本容量。

2. t检验公式t检验适用于样本容量较小（30以下）或总体标准差未知的情况，公式如下：$$t = \frac{\overline{x} - \mu}{\frac{s}{\sqrt{n}}}$$其中，$\overline{x}$ 表示样本均值，$\mu$ 表示总体均值，$s$ 表示样本标准差，$n$ 表示样本容量。

双样本均值假设检验常用于比较两个样本之间的均值是否有显著差异。

常见的统计学公式包括：1. 独立双样本t检验公式独立双样本t检验适用于两个样本是相互独立的情况，公式如下：$$t = \frac{(\overline{x}_1 - \overline{x}_2) - (\mu_1 -\mu_2)}{\sqrt{\frac{{s_1}^2}{n_1} + \frac{{s_2}^2}{n_2}}}$$其中，$\overline{x}_1$ 和 $\overline{x}_2$ 分别表示第一个样本和第二个样本的均值，$\mu_1$ 和 $\mu_2$ 分别表示第一个总体和第二个总体的均值，$s_1$ 和 $s_2$ 分别表示第一个样本和第二个样本的标准差，$n_1$ 和 $n_2$ 分别表示第一个样本和第二个样本的容量。

假设检验的python实现命令——Z检验、t检验、F检验Z检验statsmodels.stats.weightstats.ztest()import statsmodels.stats.weightstats as sw参数详解：x1:待检验数据集；x2:待检验数据集；默认为None，双样本检验时不为None；value:在⼀个样本中，value是原假设下x1的均值。

在两个样本中，value为原假设下x1均值与x2均值之差；alternative:str,默认为'two-sided',双尾检验；右尾检验，'larger';左尾检验，'smaller'；usevar:str,默认为'pooled',此时认为样本的标准偏差是相同的；ddof:int;⾃由度,⽤于计算⽅差的平均估计。

在⽐较的情况下，这是⼀个，但它可以调整，以测试其他统计数据(⽐例，相关性)(这个解释翻译⾃官⽹，我不常⽤，就没有深究）返回：tstat:float,检验统计量；pvalue:float,p值t检验stats.ttest_ind()from scipy import stats⽤途：两个独⽴样本的均值检验参数详解：a,b:待检验的两个数据集；axis:计算时所沿的轴，这个⼀般不⽤特殊设置；equal_var:如果为True（默认值），则执⾏⼀个标准的独⽴2样本检验，该检验假定总体⽅差相等。

如果为False，则执⾏Welch的t检验，该检验不假定总体⽅差相等;nan_policy:定义当输⼊包含nan时如何处理。

可以使⽤以下选项（默认为'propagate'）：'propagate'：返回nan; 'raise'：抛出⼀个错误;'omit'：执⾏计算时忽略nan值alternative:str,默认为'two-sided',双尾检验；右尾检验，'greater';左尾检验，'less'；返回：tstat:float,检验统计量；pvalue:float,p值F检验stats.levene()from scipy import stats⽤途：⽅差齐性检验，⽤于t检验中⽅差未知的情况参数详解：sample1,sample2···:待检验数据集；center:默认为'median',还可以选'mean'和'trimmed';这个参数我不懂proportiontocut: 显著性⽔平，默认为0.05返回：tstat:float,检验统计量；pvalue:float,p值。