大学统计学《假设检验》复习课件

大学统计学·假设检验复习课件概念·原理·方法·实战2026年课程导览01基本概念与术语假设检验的起点02两类错误与权衡弃真与取伪03显著性水平与P值决策的核心标尺04完整步骤与流程考试必备解题框架05Z检验精讲方差已知的均值检验06t检验精讲方差未知的均值检验07卡方检验精讲分类变量与方差检验08速查对比与易错点考前冲刺要点01基本概念与术语从样本推断总体的科学决策方法假设检验用反证法做推断先假定结论成立，再用样本证据检验这一假定。核心逻辑先假定结论成立，再用样本证据检验这一假定。反证法思想是全部术语与流程的前提。判决依据小概率事件原理原假设成立时，小概率事件在一次抽样中几乎不可能发生；一旦实际出现，就有理由拒绝原假设。关键推论小概率≠不可能，因此结论永远没有百分之百把握——这正是两类错误的根源。原假设与备择假设互斥穷尽做题先写清H₀与H₁，是后续一切推导的第一步。假设检验第一关H₀与H₁必须成对出现，互斥且穷尽做题先写清H₀与H₁，是后续一切推导的第一步。原假设H₀默认成立、不轻易否定表达无差异、无效果或参数等于指定值备择假设H₁与H₀对立，代表研究者希望证实的差异或方向拒绝与不拒绝样本最终只能在拒绝与不拒绝之间作出选择简单假设与复合假设能唯一确定总体分布→简单假设否则→复合假设检验统计量与三种检验类型单双侧选择直接决定临界值位置与拒绝条件，是易错环节。检验统计量样本的函数

T=T(X₁,X₂,…,Xₙ)，H₀成立时分布完全已知——这是划定拒绝域的前提。拒绝域与临界值统计量落入拒绝域则拒绝H₀；其补集为接受域，二者边界点即临界值。双侧检验H₁为“不等于”拒绝域在分布两端左侧检验H₁为“小于”拒绝域在左端右侧检验H₁为“大于”拒绝域在右端02两类错误与权衡控制风险，而非消除风险弃真与取伪两类错误样本只代表部分总体特征，判断必然可能出错。两类错误，方向相反两类错误由奈曼与皮尔逊于20世纪20至30年代系统提出。弃真错误（Ⅰ型）H₀为真却被拒绝，概率记为

α合格零件被误判为不合格——冤枉好人取伪错误（Ⅱ型）H₀为假却未拒绝，概率记为

β问题药物未被检出效果——放走坏人降低α必抬升β的权衡样本容量固定时，降低α、缩小拒绝域，β必然抬升；放宽α则β下降。此消彼长α与β的权衡样本容量固定时，降低

α、缩小拒绝域，β必然抬升——更难拒绝，漏检随之增多；放宽α则β下降。同时减小两类错误的唯一途径是增大样本容量。提高功效常用办法增大样本量提高效应量放宽α实际应用α的取值实际应用常取适中的α，如

0.05

或

0.01，以平衡两类风险。Power=1−β检验功效

Power=1−β：原假设为假时正确拒绝它的能力。03显著性水平与P值P值越小，反对原假设的证据越强显著性水平是容忍风险阈值α是人为设定的风险上限拒绝原假设时，允许犯第一类错误的最大概率。常用取值0.050.010.10α=0.05：原假设为真时，每

100

次检验最多允许

5

次错误拒绝选取不统一，看领域医学试验：常取

0.01，减少误诊工业质检：可能沿用

0.05，控制漏检结论α越大越容易拒绝原假设——这是研究者在风险与功效之间的主动取舍。P值衡量反对证据的强度P值本质原假设视角原假设成立时，观察到当前样本结果或更极端结果的概率。衡量数据与H₀的背离程度——P值越小，反对H₀的证据越强。决策规则α为检验水准P≤α→拒绝H₀差异有统计学意义P>α→不拒绝H₀证据不足分级解读不同检验水准P>0.05差异无显著意义P<0.05有显著意义P<0.01有非常显著意义两点牢记易错警示P值只反映差别是否有统计意义，不反映差别大小。"不拒绝H₀"≠"接受H₀"。04完整步骤与流程六步走通假设检验六步走通检验流程1提出假设写清

H₀

与

H₁，二者互斥穷尽。2选定统计量按数据类型、样本量与方差是否已知，选

Z、t

或

卡方。3给定α确定犯第一类错误的最大容忍概率。4计算观测值代入样本数据，算出统计量或直接求

P值。5作出决策落入拒绝域或

P≤α

则拒绝

H₀，否则不拒绝。6回扣实际解释统计结论，区分“拒绝”“不拒绝”与“接受”。六步环环相扣，任意一步选错都会影响最终判断。流程例题完整走查1①

提出假设H₀∶μ=570，H₁∶μ≠570，双侧检验›2②

选定统计量总体正态且方差已知，选Z检验›3③

给定αα=0.05，查表z₀.₀₂₅=1.96›4④

计算观测值Z=(572.2−570)/(8/√16)=1.1›5⑤

作出决策双侧临界值1.96，|Z|=1.1<1.96，未落入拒绝域，不拒绝H₀›6⑥

回扣实际在0.05水平下可以认为这批金属丝的平均折断力为570N例题六步走查某厂生产特种金属丝，折断力服从正态分布，已知σ=8N，抽取16个样品，测得x̄=572.2N，问可否认为平均折断力为570N，α=0.05。05Z检验精讲大样本与已知方差的利器Z检验的适用条件与公式适用条件总体服从正态分布，且总体方差

σ²已知大样本下σ未知，可依中心极限定理用样本标准差近似σ²已知核心公式Z=(X̄−μ₀)/(σ/√n)原假设成立时，Z服从标准正态分布

N(0,1)双侧常用临界值

1.96置信度95%Z检验判据以公式与正态分布为判断基础基于临界值

1.96

划定拒绝域双侧与单侧临界值区分使用判断规则Z检验拒绝域与例题判断拒绝域方向双侧

H₁∶μ≠μ₀→|Z|≥zα/2左侧

H₁∶μ<μ₀→Z≤−zα右侧

H₁∶μ>μ₀→Z≥zα01例题演练·双侧检验金属丝例题双侧临界值

1.96，算得

Z=1.1，未落入拒绝域，不拒绝原假设。样本均值与假设值只差

2.2N，除以标准误2后仅

1.1。差异更可能来自抽样波动，而非真实差别。Z=1.1<1.96未落入拒绝域结论不拒绝原假设双样本Z检验简述适用与判定适用条件两总体独立，且方差σ₁²、σ₂²均已知判断规则统计量落入拒绝域，即拒绝“两总体均值相等”的原假设检验统计量Z=(X̄₁−X̄₂)/√(σ₁²/n₁+σ₂²/n₂)分布服从标准正态分布与单样本的异同思想一致仍是“差异

÷

标准误”分子换成两个样本均值之差分母换成两个均值差的标准误考试提示

考点常出现在两组独立数据均值比较题中，

辨析须与

t检验的独立样本版本区分适用条件06t检验精讲小样本与未知方差的首选t检验用于方差未知场景方差未知，t检验接棒。分布特征：样本量越小，t分布尾部越厚；自由度增大，逐渐逼近标准正态。t检验：方差未知的均值检验3项要点适用边界总体服从正态分布，但方差

σ²未知。统计量构造t=(X̄−μ₀)/(S/√n)~t(n−1)，用样本标准差

S

代替σ小样本优势n<30

时尤其适用，轻微偏离正态仍较稳健。小样本t分布特征与拒绝域自由度决定形状，尾部比标准正态更厚。易错点：单侧临界值小于同水平双侧，更易拒绝原假设，但犯第一类错误的风险也更大。拒绝域构造拒绝域构造双侧H₁∶μ≠μ₀→|t|≥tα/2(n−1)单侧右尾t≥tα(n−1)；左尾t≤−tα(n−1)查表关键临界值随自由度变化，必须先确认

n−1拒绝域t检验典型例题计算1选方法t检验(df=24)方差未知·样本量252算统计量t=(x̄−μ₀)/(S/√n)代入数据得观测值3查临界值α=0.02,df=24按t分布表查临界值4做决策|t|>临界值→拒绝H₀落入拒绝域则拒绝与Z检验差异：仅换分布表并引入自由度独立样本与配对t检验独独立样本t检验适用两组相互独立，如男生与女生平均身高比较前提两组近似正态、方差齐性配配对样本t检验适用同一批对象处理前后自身对比，如药物干预前后血糖变化做法先算每对观测值之差，再对差值做单样本t检验优势消除个体差异干扰，功效往往更高先问一句：两组数据是否天然配对？选错设计会使结论失效，是常见失分点。07卡方检验精讲频数与比例的检验工具卡方检验面向频数数据Z、t检验分析连续变量的平均值卡方检验分析分类变量的频数或比例典型应用性别比例是否不同治愈率是否存在差异是否吸烟与是否患癌是否有关它回答的核心问题是：不同类别之间是否存在关联或差异。核心统计量χ²=Σ[(Oᵢ−Eᵢ)²/Eᵢ]Oᵢ为观测频数Eᵢ为理论期望频数统计量衡量偏离程度选错数据类型对应的检验方法，结论将完全无效。卡方检验与Z、t检验的根本区别在数据类型。卡方检验的应用与前提两类用途独立性检验判断两个分类变量之间是否有关联拟合优度检验判断观测频数是否符合某一理论分布前提条件总体样本量建议

大于50各单元期望频数

不低于5（严格标准）期望频数过小时，检验结果可能失真快速定位先问“我要比较的是平均值还是人数或比例”——比均值用

t检验，比频数用

卡方检验。卡方检验不涉及均值与方差，只聚焦频数的偏离程度。方差检验借用卡方统计量适用场景:单个正态总体方差的假设检验，常与均值检验组合判断机器工作是否稳定。典型考题:检验灌装重量标准差是否超标。理解它，方差类考题才能完整作答。检验统计量检验原假设

H₀∶σ²=σ₀²

时，构造统计量χ²=