StatisticsStatistics1假設檢驗在統計方法中的地位參數估計假設檢驗統計方法描述統計推斷統計利用樣本統計量去估計總體的參數假設總體參數，用樣本信息去檢驗這個假設是否成立假設檢驗在統計方法中的地位參數估計假設檢驗統計方法描述統計推2第6章假設檢驗6.1

假設檢驗的基本問題6.2

一個總體參數的檢驗6.3

兩個總體參數的檢驗6.4

檢驗問題的進一步說明第6章假設檢驗6.1假設檢驗的基本問題3學習目標了解假設檢驗的基本思想掌握假設檢驗的步驟對實際問題作假設檢驗利用P-值進行假設檢驗學習目標了解假設檢驗的基本思想4正常人的平均體溫是37oC嗎？當問起健康的成年人體溫是多少時，多數人的回答是37oC，這似乎已經成了一種共識。下面是一個研究人員測量的50個健康成年人的體溫數據37.136.936.937.136.436.936.636.236.736.937.636.737.336.936.436.137.136.636.536.737.136.236.337.536.937.036.736.937.037.136.637.236.436.637.336.137.137.036.636.936.737.236.337.136.736.837.037.036.137.0正常人的平均體溫是37oC嗎？當問起健康的成年人體溫是多少正常人的平均體溫是37oC嗎？根據樣本數據計算的平均值是36.8oC，標準差為0.36oC根據參數估計方法得到的健康成年人平均體溫的95%的置信區間為(36.7，36.9)。研究人員發現這個區間內并沒有包括37oC因此提出“不應該再把37oC作為正常人體溫的一個有任何特定意義的概念”我們應該放棄“正常人的平均體溫是37oC”這個共識嗎？本章的內容就將提供一套標準統計程序來檢驗這樣的觀點正常人的平均體溫是37oC嗎？根據樣本數據計算的平均值是36.1假設檢驗的基本問題6.1.1假設問題的提出6.1.2假設的表達式6.1.3兩類錯誤6.1.4假設檢驗的流程6.1.5利用P值進行決策6.1.6單側檢驗6.1假設檢驗的基本問題6.1.1假設問題的提出7總體假設檢驗的過程抽取隨機樣本均值

x

=20我認為人口的平均年齡是50歲提出假設

拒絕假設別無選擇!作出決策總體假設檢驗的過程抽取隨機樣本均值

x=8假設檢驗的基本思想...因此我們拒絕假設

=50...如果這是總體的假設均值樣本均值m=50抽樣分布H0這個值不像我們應該得到的樣本均值...20假設檢驗的基本思想...因此我們拒絕假設=50..9假設檢驗在假設檢驗中，一般要設立一個原假設；而設立該假設的動機主要是企圖利用人們掌握的反映現實世界的數據來找出假設和現實的矛盾，從而否定這個假設。假設檢驗在假設檢驗中，一般要設立一個原假設；10假設檢驗在多數統計教科書中（除了理論探討之外）,假設檢驗都是以否定原假設為目標。如否定不了，那就說明證據不足，無法否定原假設。但這不能說明原假設正確。很多教科書在這個問題上不適當地用“接受原假設”的說法，犯了明顯的低級邏輯錯誤。假設檢驗在多數統計教科書中（除了理論探討之外）,假設檢驗都11假設檢驗的過程和邏輯首先要提出一個原假設，比如某正態總體的均值等于5（m=5）。這種原假設也稱為零假設（nullhypothesis），記為H0與此同時必須提出對立假設，比如總體均值大于5（m>5）。對立假設又稱為備選假設或備擇假設（alternativehypothesis）記為記為H1或Ha假設檢驗的過程和邏輯首先要提出一個原假設，比如某正態總體的12假設檢驗的過程和邏輯根據零假設（不是備選假設?。?，我們可以得到該檢驗統計量的分布；然后再看這個統計量的數據實現值（realization）屬不屬于小概率事件。也就是說把數據代入檢驗統計量，看其值是否落入零假設下的小概率范疇如果的確是小概率事件，那么我們就有可能拒絕零假設，否則我們說沒有足夠證據拒絕零假設。假設檢驗的過程和邏輯根據零假設（不是備選假設?。?，我們可以13假設檢驗的過程和邏輯注意：零假設和備選假設在我們涉及的假設檢驗中并不對稱。檢驗統計量的分布是從零假設導出的,因此,如果有矛盾,當然就不利于零假設了。不發生矛盾也不說明備選假設有問題。假設檢驗的過程和邏輯注意：零假設和備選假設在我們涉及的假設14假設問題的提出假設問題的提出15什么是假設?

(hypothesis)對總體參數的的數值所作的一種陳述總體參數包括總體均值、比例、方差等分析之前必需陳述我認為這種新藥的療效比原有的藥物更有效!什么是假設?

(hypothesis)對總體參數的的數值什么是假設檢驗?

(hypothesistesting)事先對總體參數或分布形式作出某種假設，然后利用樣本信息來判斷原假設是否成立有參數假設檢驗和非參數假設檢驗采用邏輯上的反證法，依據統計上的小概率原理小概率是在一次試驗中，一個幾乎不可能發生的事件發生的概率在一次試驗中小概率事件一旦發生，我們就有理由拒絕原假設什么是假設檢驗?

(hypothesistesting)17提出原假設和備擇假設什么是原假設？(nullhypothesis)1.待檢驗的假設，又稱“0假設”2.研究者想收集證據予以反對的假設3.總是有等號,或4.表示為H0H0：

某一數值指定為=號，即或例如,H0：

3190（克）提出原假設和備擇假設什么是原假設？(nullhypot18什么是備擇假設？(alternativehypothesis)與原假設對立的假設，也稱“研究假設”研究者想收集證據予以支持的假設總是有不等號:,

或備擇假設通常用于表達研究者自己傾向于支持的看法，然后就是想辦法收集證據拒絕原假設，以支持備擇假設，表示為H1H1：

<某一數值，或某一數值例如,H1：

<3910(克)，或3910(克)注意：零假設和備選假設在我們涉及的假設檢驗中并不對稱。提出原假設和備擇假設什么是備擇假設？(alternativehypothe19假設檢驗中的兩類錯誤(決策風險)假設檢驗中的兩類錯誤20兩類錯誤與顯著性水平研究者總是希望能做出正確的決策，但由于決策是建立在樣本信息的基礎之上，而樣本又是隨機的，因而就有可能犯錯誤原假設和備擇假設不能同時成立，決策的結果要么拒絕H0，要么不拒絕H0。決策時總是希望當原假設正確時沒有拒絕它，當原假設不正確時拒絕它，但實際上很難保證不犯錯誤第Ⅰ類錯誤(錯誤)—拒真錯誤原假設為正確時拒絕原假設第Ⅰ類錯誤的概率記為，被稱為顯著性水平第Ⅱ類錯誤(錯誤)—納偽錯誤原假設為錯誤時未拒絕原假設第Ⅱ類錯誤的概率記為(Beta)兩類錯誤與顯著性水平研究者總是希望能做出正確的決策，但由于決21H0:無罪假設檢驗中的兩類錯誤(決策結果)陪審團審判裁決實際情況無罪有罪無罪正確錯誤有罪錯誤正確H0檢驗決策實際情況H0為真H0為假未拒絕H0正確決策(1–a)第Ⅱ類錯誤(b)拒絕H0第Ⅰ類錯誤(a)正確決策(1-b)假設檢驗就好像一場審判過程統計檢驗過程H0:無罪假設檢驗中的兩類錯誤陪審團審判裁決實際情況無罪有

錯誤和

錯誤的關系你要同時減少兩類錯誤的惟一辦法是增加樣本容量!和的關系就像翹翹板，小就大，大就小錯誤和錯誤的關系你要同時減少兩類錯誤的惟一辦法23兩類錯誤的控制一般來說，對于一個給定的樣本，如果犯第Ι類錯誤的代價比犯第Ⅱ類錯誤的代價相對較高，則將犯第Ⅰ類錯誤的概率定得低些較為合理；反之，如果犯第Ⅰ類錯誤的代價比犯第Ⅱ類錯誤的代價相對較低，則將犯第Ⅰ類錯誤的概率定得高些一般來說，發生哪一類錯誤的后果更為嚴重，就應該首要控制哪類錯誤發生的概率。但由于犯第Ⅰ類錯誤的概率是可以由研究者控制的，因此在假設檢驗中，人們往往先控制第Ⅰ類錯誤的發生概率兩類錯誤的控制一般來說，對于一個給定的樣本，如果犯第Ι類錯誤24檢驗能力

(poweroftest)拒絕一個錯誤的原假設的能力根據的定義，是指沒有拒絕一個錯誤的原假設的概率。這也就是說，1-則是指拒絕一個錯誤的原假設的概率，這個概率被稱為檢驗能力,也被稱為檢驗的勢或檢驗的功效(power)可解釋為正確地拒絕一個錯誤的原假設的概率檢驗能力

(poweroftest)拒絕一個錯誤的原假設25假設檢驗的流程提出假設確定適當的檢驗統計量規定顯著性水平計算檢驗統計量的值作出統計決策假設檢驗的流程26什么是檢驗統計量？1.用于假設檢驗決策的統計量2.選擇統計量的方法與參數估計相同，需考慮是大樣本還是小樣本總體方差已知還是未知3.檢驗統計量的基本形式為確定適當的檢驗統計量什么是檢驗統計量？確定適當的檢驗統計量27規定顯著性水平

(significantlevel)什么是顯著性水平？1. 是一個概率值2. 原假設為真時，拒絕原假設的概率被稱為抽樣分布的拒絕域3. 表示為(alpha)常用的值有0.01,0.05,0.104. 由研究者事先確定規定顯著性水平

(significantlevel)28依據什么做出決策？若假設為H0:m=500，H1:m<500。樣本均值為495，拒絕H0嗎？樣本均值為502，拒絕H0嗎？做出拒絕或不拒絕原假設的依據是什么？傳統上，做出決策所依據的是樣本統計量，現代檢驗中人們直接使用由統計量算出的犯第Ⅰ類錯誤的概率，即所謂的P值依據什么做出決策？若假設為H0:m=500，H1:m<5029作出統計決策計算檢驗的統計量根據給定的顯著性水平，查表得出相應的臨界值z或z/2，t或t/2，F或F/2將檢驗統計量的值與水平的臨界值進行比較得出拒絕或不拒絕原假設的結論作出統計決策計算檢驗的統計量30利用P值進行決策利用P值進行決策31檢驗統計量在零假設下,等于這個樣本的數據實現值或更加極端值的概率稱為p-值（p-value）。左側檢驗時，P-值為曲線上方小于等于檢驗統計量部分的面積右側檢驗時，P-值為曲線上方大于等于檢驗統計量部分的面積顯然得到很小p-值意味著小概率事件發生了。如果小概率事件發生，是相信零假設，還是相信數據呢？當然是相信數據。于是就拒絕零假設。即，若p值<,拒絕H0。但事件概率小并不意味著不會發生，僅僅發生的概率很小罷了。用P值決策

(P-value)檢驗統計量在零假設下,等于這個樣本的數據實現值或更加極端值的32雙側檢驗的P值/

2/

2Z拒絕拒絕H0值臨界值計算出的樣本統計量計算出的樣本統計量臨界值1/2P值1/2P值雙側檢驗的P值/2/2Z拒絕拒絕H0值臨界值計33左側檢驗的P值H0值臨界值a樣本統計量拒絕域抽樣分布1-置信水平計算出的樣本統計量P值左側檢驗的P值H0值臨界值a樣本統計量拒絕域抽樣分布1-34右側檢驗的P值H0值臨界值a拒絕域抽樣分布1-置信水平計算出的樣本統計量P值右側檢驗的P值H0值臨界值a拒絕域抽樣分布1-置信水35利用P值進行檢驗

(決策準則)單側檢驗若p-值>

,不拒絕H0若p-值<,拒絕H0雙側檢驗若p-值>

/2,不拒絕H0若p-值</2,拒絕H0利用P值進行檢驗

(決策準則)單側檢驗36P值是關于數據的概率P值反映的是在某個總體的許多樣本中某一類數據出現的經常程度，它是當原假設正確時，得到目前這個樣本數據的概率比如，要檢驗全校學生的平均生活費支出是否等于500元，檢驗的假設為H0：=500；H1：500。假定抽出一個樣本算出的樣本均值600元，得到的值為P=0.02，這個0.02是指如果平均生活費支出真的是500元的話，那么，從該總體中抽出一個均值為600的樣本的概率僅為0.02。如果你認為這個概率太小了，就可以拒絕原假設，因為如果原假設正確的話，幾乎不可能抓到這樣的一個樣本，既然抓到了，就表明這樣的樣本不在少數，所以原假設是不對的p值越小，你拒絕原假設的理由就越充分P值是關于數據的概率P值反映的是在某個總體的許多樣本中某一類37要證明原假設不正確，P值要多小，才能令人信服呢？原假設的可信度有多高？如果H0所代表的假設是人們多年來一直相信的，就需要很強的證據(小的P值)才能說服他們拒絕的結論是什么？如果拒絕H0而肯定H1

，你就需要有很強的證據顯示要支持H1。比如，H1代表要花很多錢把產品包裝改換成另一種包裝，你就要有很強的證據顯示新包裝一定會增加銷售量(因為拒絕H0要花很高的成本)多大的P值合適?要證明原假設不正確，P值要多小，才能令人信服呢？多大的P38實際上，計算機軟件僅僅給出p-值，而不給出a。這有很多方便之處。比如a=0.05，而假定我們得到的p-值等于0.001。這時我們如果采用p-值作為新的顯著性水平，即a=0.001，于是可以說，我們拒絕零假設，顯著性水平為0.001。拒絕零假設時犯錯誤的概率實際只是千分之一而不是百分之五。在這個意義上，p-值又稱為觀測的顯著性水平（observedsignificantlevel）。在統計軟件輸出p-值的位置，有的用“p-value”，有的用significant的縮寫“Sig”就是這個道理。實際上，計算機軟件僅僅給出p-值，而不給出a。這有很多方便之39關于“臨界值”的注：作為概率的顯著性水平a實際上相應于一個檢驗統計量取值范圍的一個臨界值（criticalvalue），a值定義為統計量取臨界值或更極端的值的概率等于a。也就是說，“統計量的實現值比臨界值更極端”等價于“p-值小于a”。使用臨界值的概念進行的檢驗不計算p-值。只比較統計量的取值和臨界值的大小。關于“臨界值”的注：作為概率的顯著性水平a實際上相應于一個檢40使用臨界值而不是p-值來判斷拒絕與否是前計算機時代的產物。當時計算p-值不易，只有采用臨界值的概念。但從給定的a求臨界值同樣也不容易，好在習慣上僅僅在教科書中列出相應于特定分布的幾個有限的a臨界值（比如a=0.05，a=0.025，a=0.01，a=0.005，a=0.001等等），或者根據分布表反過來查臨界值（很不方便也很粗糙）?，F在計算機軟件都不給出a和臨界值，但都給出p-值和統計量實現值，讓用戶自己決定顯著性水平是多少。使用臨界值而不是p-值來判斷拒絕與否是前計算機時代的產物。當41拒絕H0P值決策與統計量的比較拒絕H0的兩個統計量的不同顯著性Z拒絕H00統計量1

P1

值統計量2

P2

值拒絕H0臨界值拒絕H0P值決策與統計量的比較拒絕H0的兩個統計量的不同顯42雙側檢驗和單側檢驗雙側檢驗和單側檢驗43雙側檢驗與單側檢驗

(假設的形式)假設研究的問題雙側檢驗左側檢驗右側檢驗H0m=m0m

m0m

m0H1m≠m0m<m0m>m0雙側檢驗與單側檢驗

(假設的形式)假設研究的問題雙側檢驗左44雙側檢驗

(原假設與備擇假設的確定)屬于決策中的假設檢驗不論是大于還是小于，都必需采取相應的行動措施例如，某種零件的尺寸，要求其平均長度為10cm，大于或小于10cm均屬于不合格我們想要證明(檢驗)大于或小于這兩種可能性中的任何一種是否成立建立的原假設與備擇假設應為

H0:

=10H1:

10雙側檢驗

(原假設與備擇假設的確定)屬于決策中的假設檢驗45雙側檢驗

(顯著性水平與拒絕域)抽樣分布H0值臨界值臨界值a/2a/2

樣本統計量拒絕域拒絕域1-置信水平雙側檢驗

(顯著性水平與拒絕域)抽樣分布H0值臨界值臨界值46單側檢驗

(顯著性水平與拒絕域)H0值臨界值a樣本統計量拒絕域抽樣分布1-置信水平單側檢驗

(顯著性水平與拒絕域)H0值臨界值a樣本統計量拒絕47假設檢驗不能證明原假設正確假設檢驗的目的主要是收集證據拒絕原假設，而支持你所傾向的備擇假設假設檢驗只提供不利于原假設的證據。因此，當拒絕原假設時，表明樣本提供的證據證明它是錯誤的，當沒有拒絕原假設時，我們也沒法證明它是正確的，因為假設檢驗的程序沒有提供它正確的證據這與法庭上對被告的定罪類似：先假定被告是無罪的，直到你有足夠的證據證明他是有罪的，否則法庭就不能認定被告有罪。當證據不足時，法庭的裁決是“被告無罪”，但這里也沒有證明被告就是清白的假設檢驗不能證明原假設正確假設檢驗的目的主要是收集證據拒絕原48假設檢驗不能證明原假設正確假設檢驗得出的結論都是根據原假設進行闡述的我們要么拒絕原假設，要么不拒絕原假設當不能拒絕原假設時，我們也從來不說“接受原假設”，因為沒有證明原假設是真的采用“接受”原假設的說法，則意味著你證明了原假設是正確的沒有足夠的證據拒絕原假設并不等于你已經“證明”了原假設是真的，它僅僅意味著目前還沒有足夠的證據拒絕原假設，只表示手頭上這個樣本提供的證據還不足以拒絕原假設“不拒絕”的表述方式實際上意味著沒有得出明確的結論假設檢驗不能證明原假設正確假設檢驗得出的結論都是根據原假設進49假設檢驗不能證明原假設正確“接受”的說法有時會產生誤導這種說法似乎暗示著原假設已經被證明是正確的了實事上，H0的真實值我們永遠也無法知道，不知道真實值是什么，又怎么能證明它是什么？H0只是對總體真實值的一個假定值，由樣本提供的信息也就自然無法證明它是否正確采用“不拒絕”的表述方法更合理一些，因為這種表述意味著樣本提供的證據不夠強大，因而沒有足夠的理由拒絕，這不等于已經證明原假設正確假設檢驗不能證明原假設正確“接受”的說法有時會產生誤導50假設檢驗不能證明原假設正確假設檢驗不能證明原假設正確51假設檢驗不能證明原假設正確假設檢驗中通常是先確定顯著性水平，這就等于控制了第Ι類錯誤的概率，但犯第Ⅱ類錯誤的概率卻是不確定的在拒絕H0時，犯第Ⅰ類錯誤的概率不超過給定的顯著性水平，當樣本結果顯示沒有充分理由拒絕原假設時，也難以確切知道第Ⅱ類錯誤發生的概率采用“不拒絕”而不采用“接受”的表述方式，在多數場合下便避免了錯誤發生的風險因為“接受”所得結論可靠性將由第Ⅱ類錯誤的概率來測量，而的控制又相對復雜，有時甚至根本無法知道的值，除非你能確切給出

，否則就不宜表述成“接受”原假設假設檢驗不能證明原假設正確假設檢驗中通常是先確定顯著性水平，52統計上顯著不一定有實際意義當拒絕原假設時，我們稱樣本結果是統計上顯著的(statisticallySignificant)當不拒絕原假設時，我們稱樣本結果是統計上不顯著的在“顯著”和“不顯著”之間沒有清楚的界限，只是在P值越來越小時，我們就有越來越強的證據，檢驗的結果也就越來越顯著統計上顯著不一定有實際意義當拒絕原假設時，我們稱樣本結果是統53“顯著的”(Significant)一詞的意義在這里并不是“重要的”，而是指“非偶然的”一項檢驗在統計上是“顯著的”，意思是指：這樣的(樣本)結果不是偶然得到的，或者說，不是靠機遇能夠得到的如果得到這樣的樣本概率(P)很小，則拒絕原假設在這么小的概率下竟然得到了這樣的一個樣本，表明這樣的樣本經常出現，所以，樣本結果是顯著的統計上顯著不一定有實際意義“顯著的”(Significant)一詞的意義在這里并不是“54統計上顯著不一定有實際意義在進行決策時，我們只能說P值越小，拒絕原假設的證據就越強，檢驗的結果也就越顯著但P值很小而拒絕原假設時，并不一定意味著檢驗的結果就有實際意義因為假設檢驗中所說的“顯著”僅僅是“統計意義上的顯著”一個在統計上顯著的結論在實際中卻不見得就很重要，也不意味著就有實際意義因為P值與樣本的大小密切相關，樣本量越大，檢驗統計量的P值也就越大，P值就越小，就越有可能拒絕原假設統計上顯著不一定有實際意義在進行決策時，我們只能說P值越小，55統計上顯著不一定有實際意義如果你主觀上要想拒絕原假設那就一定能拒絕它這類似于我們通常所說的“欲加之罪，何患無辭”只要你無限制擴大樣本量，幾乎總能拒絕原假設當樣本量很大時，解釋假設檢驗的結果需要小心在大樣本情況下，總能把與假設值的任何細微差別都能查出來，即使這種差別幾乎沒有任何實際意義在實際檢驗中，不要刻意追求“統計上的”顯著性，也不要把統計上的顯著性與實際意義上的顯著性混同起來一個在統計上顯著的結論在實際中卻不見得很重要，也不意味著就有實際意義統計上顯著不一定有實際意義如果你主觀上要想拒絕原假設那就一定566.2一個總體參數的檢驗

6.2.1總體均值的檢驗

6.2.2總體比例的檢驗

6.2.3總體方差的檢驗第6章假設檢驗6.2一個總體參數的檢驗第6章假設檢驗576.2.1總體均值的檢驗

(大樣本)6.2一個總體參數的檢驗6.2.1總體均值的檢驗

(大樣本)58總體均值的檢驗

(大樣本)1.假定條件大樣本(n30)2.使用z檢驗統計量2

已知：2

未知：總體均值的檢驗

(大樣本)1.假定條件59總體均值的檢驗(2

已知)

(例題分析—大樣本)【例6-4】一種罐裝飲料采用自動生產線生產，每罐的容量是255ml，標準差為5ml。為檢驗每罐容量是否符合要求，質檢人員在某天生產的飲料中隨機抽取了40罐進行檢驗，測得每罐平均容量為255.8ml。取顯著性水平=0.05

，檢驗該天生產的飲料容量是否符合標準要求？雙側檢驗綠色健康飲品綠色健康飲品255255總體均值的檢驗(2已知)

(例題分析—大樣本)【例6-總體均值的檢驗(2

已知)

(例題分析－大樣本)H0

：

=255H1

：

255

=

0.05n

=

40臨界值(c):檢驗統計量:決策:結論:

用Excel中的【NORMSDIST】函數得到的雙尾檢驗P=0.312945不拒絕H0沒有證據表明該天生產的飲料不符合標準要求

z01.96-1.960.005拒絕H0拒絕H00.005總體均值的檢驗(2已知)

(例題分析－大樣本)H0：總體均值的檢驗(z檢驗)

(P值的計算與應用)第1步：進入Excel表格界面，直接點擊【fx】第2步：在函數分類中點擊【統計】，并在函數名菜單下選擇【NORMSDIST】，然后【確定】第3步：將z的絕對值1.01錄入，得到的函數值為

0.843752345

P值=2(1-0.843752345)=0.312495

P值遠遠大于，故不拒絕H0總體均值的檢驗(z檢驗)

(P值的計算與應用)第1步：總體均值的檢驗(2

未知)

(例題分析—大樣本)【例6-5】一種機床加工的零件尺寸絕對平均誤差為1.35mm。生產廠家現采用一種新的機床進行加工以期進一步降低誤差。為檢驗新機床加工的零件平均誤差與舊機床相比是否有顯著降低，從某天生產的零件中隨機抽取50個進行檢驗。利用這些樣本數據，檢驗新機床加工的零件尺寸的平均誤差與舊機床相比是否有顯著降低？(=0.01)

左側檢驗50個零件尺寸的誤差數據(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總體均值的檢驗(2未知)

(例題分析—大樣本)【例6總體均值的檢驗

(例題分析—大樣本)H0

：

1.35H1

：

<1.35

=

0.01n

=

50臨界值(c):檢驗統計量:拒絕H0新機床加工的零件尺寸的平均誤差與舊機床相比有顯著降低決策:結論:-2.33z0拒絕H00.01總體均值的檢驗

(例題分析—大樣本)H0：1.35檢總體均值的檢驗

(P值的計算與應用—大樣本)第1步：進入Excel表格界面，直接點擊【fx】第2步：在函數分類中點擊【統計】，并在函數名的菜單下選擇【ZTEST】，然后【確定】第3步：在所出現的對話框【Array】框中，輸入原始數據所在區域；在【X】后輸入參數的某一假定值(這里為

1.35)；在【Sigma】后輸入已知的總體標準差(若總體標準差未知則可忽略不填，系統將自動使用樣本標準差代替)第4步：用1減去得到的函數值0.995421023

即為P值

P值=1-0.995421023=0.004579

P值<=0.01，拒絕H0計算P值Excel總體均值的檢驗

(P值的計算與應用—大樣本)第1步：進入總體均值的檢驗

(P值的圖示)計算出的樣本統計量=2.6061P=0.004579

Z拒絕H00臨界值P值總體均值的檢驗

(P值的圖示)計算出的樣本統計量=2.666總體均值的檢驗(2

未知)

(例題分析)【例6-6】某一小麥品種的平均產量為5200kg/hm2

。一家研究機構對小麥品種進行了改良以期提高產量。為檢驗改良后的新品種產量是否有顯著提高，隨機抽取了36個地塊進行試種，得到的樣本平均產量為5275kg/hm2，標準差為120/hm2

。試檢驗改良后的新品種產量是否有顯著提高？(=0.05)

右側檢驗總體均值的檢驗(2未知)

(例題分析)【例6-6】某一總體均值的檢驗(2

未知)

(例題分析)H0

：

5200H1

：

>5200

=

0.05n

=

36臨界值(c):檢驗統計量:拒絕H0(P=0.000088<

=0.05)改良后的新品種產量有顯著提高決策:結論:z0拒絕H00.051.645總體均值的檢驗(2未知)

(例題分析)H0：5總體均值的檢驗(z檢驗)

(P值的圖示)抽樣分布P=0.000088

01.645a=0.05拒絕H01-計算出的樣本統計量=3.75P值總體均值的檢驗(z檢驗)

(P值的圖示)抽樣分布P=69總體均值的檢驗

(小樣本)1.假定條件總體服從正態分布小樣本(n<

30)2.檢驗統計量2

已知：2

未知：總體均值的檢驗

(小樣本)1.假定條件70總體均值的檢驗

(例題分析—小樣本)【例6-7】一種汽車配件的平均長度要求為12cm，高于或低于該標準均被認為是不合格的。汽車生產企業在購進配件時，通常是經過招標，然后對中標的配件提供商提供的樣品進行檢驗，以決定是否購進?，F對一個配件提供商提供的10個樣本進行了檢驗。假定該供貨商生產的配件長度服從正態分布，在0.05的顯著性水平下，檢驗該供貨商提供的配件是否符合要求？10個零件尺寸的長度(cm)12.210.812.011.811.912.411.312.212.012.3總體均值的檢驗

(例題分析—小樣本)【例6-7】一種汽車配總體均值的檢驗

(例題分析—小樣本)H0

：

=12H1

：

12

=0.05df=10-1=9臨界值(c):檢驗統計量:不拒絕H0沒有證據表明該供貨商提供的零件不符合要求

決策：結論：t02.262-2.2620.025拒絕

H0拒絕H00.025總體均值的檢驗

(例題分析—小樣本)H0：=12檢驗總體均值的檢驗

(P值的計算與應用－t

檢驗)第1步：進入Excel表格界面，直接點擊【fx】第2步：在函數分類中點擊【統計】，并在函數名的菜單下選擇【TDIST】，然后【確定】第3步：在出現對話框的【X】欄中輸入計算出的t的絕對值0.7053，在【Deg-freedom】(自由度)欄中輸入本例的自由度9，在【Tails】欄中輸入2(表明是雙側檢驗，如果是單測檢驗則在該欄輸入1)第4步：P值=0.498453

P值>=0.05，故不拒絕H0

總體均值的檢驗

(P值的計算與應用－t檢驗)第1步：進總體均值的檢驗

(用SPSS進行檢驗—小樣本t檢驗)第1步：選擇【Analyze】下拉菜單，并選擇【CompareMeans—One-SamplesTTest】選項，進入主對話框第2步：將檢驗變量(零件長度)選入【TestVariable(s)】；在【TestValue】框內輸入假設值(本題為12)第3步：點擊【Options】，選擇所需的置信水平(隱含值為95%)。點擊【Continue】回到主對話框。點擊【OK】用SPSS進行檢驗SPSS總體均值的檢驗

(用SPSS進行檢驗—小樣本t檢驗)第1步74總體均值的檢驗

(用SPSS進行檢驗—小樣本t檢驗)不拒絕H0。沒有證據表明該供貨商提供的零件不符合要求總體均值的檢驗

(用SPSS進行檢驗—小樣本t檢驗)不拒絕75一個總體均值的檢驗

(作出判斷)是否已知小樣本量n大是否已知否t檢驗否z檢驗是z檢驗

是z檢驗一個總體均值的檢驗

(作出判斷)是否已知小樣本量n大766.2.2總體比例的檢驗6.2一個總體參數的檢驗6.2.2總體比例的檢驗6.2一個總體參數的檢驗77總體比例檢驗假定條件總體服從二項分布可用正態分布來近似(大樣本)檢驗的z統計量0為假設的總體比例總體比例檢驗假定條件0為假設的總體比例78總體比例的檢驗

(例題分析)【例6-8】一種以休閑和娛樂為主題的雜志，聲稱其讀者群中有80%為女性。為驗證這一說法是否屬實，某研究部門抽取了由200人組成的一個隨機樣本，發現有146個女性經常閱讀該雜志。分別取顯著性水平

=0.05和=0.01

，檢驗該雜志讀者群中女性的比例是否為80%？它們的P值各是多少？雙側檢驗總體比例的檢驗

(例題分析)【例6-8】一種以休閑和娛樂為總體比例的檢驗

(例題分析)H0

：

=80%H1

：

80%

=0.05n

=200臨界值(c):檢驗統計量:拒絕H0(P=0.013328<

=0.05)該雜志的說法并不屬實

決策:結論:z01.96-1.960.025拒絕

H0拒絕

H00.025總體比例的檢驗

(例題分析)H0：=80%檢驗統計總體比例的檢驗

(例題分析)H0

：

=80%H1

：

80%

=0.01n

=200臨界值(c):檢驗統計量:不拒絕H0(P=0.013328>=0.01)沒有證據表明“該雜志聲稱讀者群中有80%為女性”的看法不正確

決策:結論:z02.58-2.580.005拒絕H0拒絕H00.005總體比例的檢驗

(例題分析)H0：=80%檢驗統計6.2.3總體方差的檢驗6.2一個總體參數的檢驗6.2.3總體方差的檢驗6.2一個總體參數的檢驗82總體方差的檢驗

(2檢驗)

檢驗一個總體的方差或標準差假設總體近似服從正態分布使用2分布檢驗統計量假設的總體方差總體方差的檢驗

(2檢驗)檢驗一個總體的方差或標準差83總體方差的檢驗

(例題分析)【例6-9】啤酒生產企業采用自動生產線灌裝啤酒，每瓶的裝填量為640ml，但由于受某些不可控因素的影響，每瓶的裝填量會有差異。此時，不僅每瓶的平均裝填量很重要，裝填量的方差同樣很重要。如果方差很大，會出現裝填量太多或太少的情況，這樣要么生產企業不劃算，要么消費者不滿意。假定生產標準規定每瓶裝填量的標準差不應超過4ml。企業質檢部門抽取了10瓶啤酒進行檢驗，得到的樣本標準差為s=3.8ml。試以0.05的顯著性水平檢驗裝填量的標準差是否符合要求？朝日BEER朝日BEER朝日BEER朝日總體方差的檢驗

(例題分析)【例6-9】啤酒生產企業采用自動總體方差的檢驗

(例題分析)H0

：2

42H1

：2

>42

=0.10df=

10-1=9臨界值(s):統計量:不拒絕H0(p=0.52185)沒有證據表明裝填量的標準差不符合要求

2016.9190=0.05決策:結論:總體方差的檢驗

(例題分析)H0：242統計量:6.3兩個總體參數的檢驗

6.3.1兩個總體均值之差的檢驗

6.3.2兩個總體比例之差的檢驗

6.3.3兩個總體方差比的檢驗第6章假設檢驗6.3兩個總體參數的檢驗第6章假設檢驗866.3.1兩個總體均值之差的檢驗6.3兩個總體參數的檢驗6.3.1兩個總體均值之差的檢驗6.3兩個總體參數87兩個總體均值之差的檢驗

(獨立大樣本)1.假定條件兩個樣本是獨立的隨機樣本正態總體或非正態總體大樣本(n130和n230)2.檢驗統計量12

，22

已知：12

，22

未知：兩個總體均值之差的檢驗

(獨立大樣本)1.假定條件88兩個總體均值之差的檢驗

(例題分析—獨立大樣本)【例6-10】某公司對男女職員的平均小時工資進行了調查，獨立抽取了具有同類工作經驗的男女職員的兩個隨機樣本，并記錄下兩個樣本的均值、方差等資料如右表。在顯著性水平為0.05的條件下，能否認為男性職員與女性職員的平均小時工資存在顯著差異？

兩個樣本的有關數據

男性職員女性職員n1=44n1=32x1=75x2=70S12=64S22=42.25兩個總體均值之差的檢驗

(例題分析—獨立大樣本)【例6-189兩個總體均值之差的檢驗

(例題分析—獨立大樣本)H0

：1-2=0H1

：1-2

0

=

0.05n1

=44，n2

=32臨界值(c):檢驗統計量:決策:結論:

拒絕H0該公司男女職員的平均小時工資之間存在顯著差異

z01.96-1.960.025拒絕

H0拒絕

H00.025兩個總體均值之差的檢驗

(例題分析—獨立大樣本)H0：兩個總體均值之差的檢驗

(獨立小樣本：12，

22

已知)假定條件兩個獨立的小樣本兩個總體都是正態分布12，22已知檢驗統計量兩個總體均值之差的檢驗

(獨立小樣本：12，2291兩個總體均值之差的檢驗

(獨立小樣本：12，22

未知但12=22)假定條件兩個獨立的小樣本兩個總體都是正態分布12、22未知但相等，即12=22檢驗統計量其中：自由度：兩個總體均值之差的檢驗

(獨立小樣本：12，22未知92兩個總體均值之差的檢驗

(獨立小樣本：12，22

未知且不等1222)假定條件兩個總體都是正態分布12，22未知且不相等，即1222樣本量不相等，即n1n2檢驗統計量自由度：兩個總體均值之差的檢驗

(獨立小樣本：12，22未知93兩個總體均值之差的檢驗

(例題分析—獨立小樣本，12=22)【例6-11】甲、乙兩臺機床同時加工某種同類型的零件，已知兩臺機床加工的零件直徑(單位：cm)分別服從正態分布，并且有12=22

。為比較兩臺機床的加工精度有無顯著差異，分別獨立抽取了甲機床加工的8個零件和乙機床加工的7個零件，通過測量得到如下數據。在=0.05的顯著性水平下，樣本數據是否提供證據支持

“兩臺機床加工的零件直徑不一致”的看法？兩臺機床加工零件的樣本數據

(cm)甲20.519.819.720.420.120.019.019.9乙20.719.819.520.820.419.620.2兩個總體均值之差的檢驗

(例題分析—獨立小樣本，12=94兩個總體均值之差的檢驗

(例題分析—12=22)H0

：1-2

=0H1

：1-2

0

=0.05n1

=8，n2

=

7臨界值(c):檢驗統計量:決策:結論:

不拒絕H0沒有證據表明兩臺機床加工的零件直徑不一致t02.160-2.1600.025拒絕

H0拒絕H00.025兩個總體均值之差的檢驗

(例題分析—12=22)H0兩個總體均值之差的檢驗

(用Excel進行檢驗)第1步：將原始數據輸入到Excel工作表格中第2步：選擇【工具】下拉菜單并選擇【數據分析】選項第3步：在【數據分析】對話框中選擇

【t-檢驗：雙樣本等方差假設】第4步：當對話框出現后在【變量1的區域】方框中輸入第1個樣本的數據區域在【變量2的區域】方框中輸入第2個樣本的數據區域在【假設平均差】方框中輸入假定的總體均值之差在【】方框中輸入給定的顯著性水平(本例為0.05)

在【輸出選項】選擇計算結果的輸出位置，然后【確定】進行檢驗Excel兩個總體均值之差的檢驗

(用Excel進行檢驗)第1步：將兩個總體均值之差的檢驗

(用Excel進行檢驗)Excel的輸出結果兩個總體均值之差的檢驗

(用Excel進行檢驗)Excel兩個總體均值之差的檢驗

(例題分析—獨立小樣本，1222)【例6-12】甲、乙兩臺機床同時加工某種同類型的零件，已知兩臺機床加工的零件直徑(單位：cm)分別服從正態分布，并且有1222

。為比較兩臺機床的加工精度有無顯著差異，分別獨立抽取了甲機床加工的8個零件和乙機床加工的7個零件，通過測量得到如下數據。在=0.05的顯著性水平下，樣本數據是否提供證據支持

“兩臺機床加工的零件直徑不一致”的看法？兩臺機床加工零件的樣本數據

(cm)甲20.519.819.720.420.120.019.019.9乙20.719.819.520.820.419.620.2兩個總體均值之差的檢驗

(例題分析—獨立小樣本，1298兩個總體均值之差的檢驗

(用Excel進行檢驗)第1步：將原始數據輸入到Excel工作表格中第2步：選擇“工具”下拉菜單并選擇【數據分析】選項第3步：在【數據分析】對話框中選擇

【t-檢驗：雙樣本異方差假設】第4步：當對話框出現后在【變量1的區域】方框中輸入第1個樣本的數據區域在【變量2的區域】方框中輸入第2個樣本的數據區域在【假設平均差】方框中輸入假定的總體均值之差在【】方框中輸入給定的顯著性水平(本例為0.05)

在【輸出選項】選擇計算結果的輸出位置，然后【確定】進行檢驗Excel兩個總體均值之差的檢驗

(用Excel進行檢驗)第1步：將兩個總體均值之差的檢驗

(用Excel進行檢驗)Excel的輸出結果兩個總體均值之差的檢驗

(用Excel進行檢驗)Excel用SPSS進行檢驗

(獨立小樣本，12=22

；1222)在用SPSS中進行檢驗時，需要把兩個樣本的觀測值作為一個變量輸入(本例為“零件尺寸”)，然后設計另一個變量用于標記每個觀測值所屬的樣本(本例為“機床”，1表示機床1，2表示機床2)第1步：選擇【Analyze】【CompareMeans—Independent-SamplesTTest】進入主對話框第2步：檢驗變量(零件尺寸)選入【TestVariable(s)】,將分組變量(機床)選入【GroupingVariable(s)】，并選擇【DefineGroups】，在【Group1后輸入1】,在【Group2后輸入2】,點擊【Continue】回到主對話框。點擊【OK】進行檢驗SPSS用SPSS進行檢驗

(獨立小樣本，12=22；12兩個總體均值之差的檢驗

(用SPSS進行檢驗)ESPSS的輸出結果Levene‘sTestforEqualityofVariances：

檢驗兩個總體方差相等的假設兩個總體均值之差的檢驗

(用SPSS進行檢驗)ESPSS的兩個總體均值之差的檢驗

(配對樣本)假定條件兩個總體配對差值構成的總體服從正態分布配對差是由差值總體中隨機抽取的數據配對或匹配(重復測量(前/后))檢驗統計量樣本差值均值樣本差值標準差兩個總體均值之差的檢驗

(配對樣本)假定條件樣本差值均值樣本103匹配樣本

(數據形式)

觀察序號樣本1樣本2差值1x11x21d1=x11-x212x12x22d2=x12-x22MMMMix1ix2idi

=x1i

-x2iMMMMnx1nx2ndn

=x1n-x2n匹配樣本

(數據形式)觀察序號樣本1樣本2差值1x11x104兩個總體均值之差的檢驗

(例題分析—配對樣本)

【例6-13】某飲料公司開發研制出一新產品，為比較消費者對新老產品口感的滿意程度，該公司隨機抽選一組消費者(8人)，每個消費者先品嘗一種飲料，然后再品嘗另一種飲料，兩種飲料的品嘗順序是隨機的，而后每個消費者要對兩種飲料分別進行評分(0分～10分)，評分結果如下表。取顯著性水平=0.05，該公司是否有證據認為消費者對兩種飲料的評分存在顯著差異？兩種飲料平均等級的樣本數據舊飲料54735856新飲料66743976兩個總體均值之差的檢驗

(例題分析—配對樣本)【例6-1105兩個總體均值之差的檢驗

(用Excel進行檢驗—配對樣本)第1步：選擇“工具”下拉菜單，并選擇【數據分析】選項第3步：在分析工具中選擇【t檢驗：平均值成對二樣本分析】第4步：當出現對話框后

在【變量1的區域】方框內鍵入變量1的數據區域

在【變量2的區域】方框內鍵入變量2的數據區域

在【假設平均差】方框內鍵入假設的差值(這里為0)

在【】框內鍵入給定的顯著性水平，然后【確定】

進行檢驗Excel兩個總體均值之差的檢驗

(用Excel進行檢驗—配對樣本)106配對總體均值之差的檢驗

(用Excel進行檢驗)Excel的輸出結果配對總體均值之差的檢驗

(用Excel進行檢驗)Excel兩個總體均值之差的檢驗

(用SPSS進行檢驗—配對樣本)第1步：選擇【Analyze】下拉菜單，并選擇【CompareMeans—Paired-SamplesTTest】選項，進入主對話框第2步：將兩個樣本同時選入【PairedVariables】第3步：點擊【Options】，選擇所需的置信水平(隱含值為95%)。點擊【Continue】回到主對話框。點擊【OK】進行檢驗SPSS兩個總體均值之差的檢驗

(用SPSS進行檢驗—配對樣本)第108配對總體均值之差的檢驗

(用SPSS進行檢驗)SPSS的輸出結果配對總體均值之差的檢驗

(用SPSS進行檢驗)SPSS的輸兩個總體均值之差的檢驗

(TTEST函數的應用

)函數語法：TTEST(array1,array2,tails,type)

說明：【Array1】為樣本1的數據區域

【array2】為樣本2的數據區域

【tails】表示分布曲線的尾數如果tails=1，返回分布的單尾概率如果tails=2，返回分布的雙尾概率【type】為檢驗的類型1代表配對樣本檢驗1代表雙樣本等方差假設3代表雙樣本異方差假設用TTEST進行檢驗Excel兩個總體均值之差的檢驗

(TTEST函數的應用)函數語法110兩個總體均值之差的檢驗

(方法總結)兩個總體均值之差的檢驗

(方法總結)6.3.2兩個比例均值之差的檢驗6.3兩個總體參數的檢驗6.3.2兩個比例均值之差的檢驗6.3兩個總體參數1121.假定條件兩個總體都服從二項分布可以用正態分布來近似2.檢驗統計量檢驗H0：1-2=0檢驗H0：1-2=d0兩個總體比例之差的檢驗1.假定條件兩個總體比例之差的檢驗113兩個總體比例之差的檢驗

(例題分析)

【例6-14】一所大學準備采取一項學生在宿舍上網收費的措施，為了解男女學生對這一措施的看法是否存在差異，分別抽取了200名男學生和200名女學生進行調查，其中的一個問題是：“你是否贊成采取上網收費的措施？”其中男學生表示贊成的比例為27%，女學生表示贊成的比例為35%。調查者認為，男學生中表示贊成的比例顯著低于女學生。取顯著性水平=0.05，樣本提供的證據是否支持調查者的看法？21netnet兩個總體比例之差的檢驗

(例題分析)【例6-14】一所大114兩個總體比例之差的檢驗

(例題分析)H0

：1-2

0H1

：1-2<0

=

0.05n1=200,

n2=200臨界值(c):檢驗統計量:決策:結論:

拒絕H0(P=0.041837<

=0.05)樣本提供的證據支持調查者的看法

-1.645Z0拒絕域兩個總體比例之差的檢驗

(例題分析)H0：1-2兩個總體比例之差的檢驗

(例題分析)

【例6-15】有兩種方法生產同一種產品，方法1的生產成本較高而次品率較低，方法2的生產成本較低而次品率則較高。管理人員在選擇生產方法時，決定對兩種方法的次品率進行比較，如方法1比方法2的次品率低8%以上，則決定采用方法1，否則就采用方法2。管理人員從方法1生產的產品中隨機抽取300個，發現有33個次品，從方法2生產的產品中也隨機抽取300個，發現有84個次品。用顯著性水平=0.01進行檢驗，說明管理人員應決定采用哪種方法進行生產？兩個總體比例之差的檢驗

(例題分析)【例6-15】有兩種116兩個總體比例之差的檢驗

(例題分析)H0

：2-18%H1

：2-1>8%

=

0.01n1=300,n2=300臨界值(c):檢驗統計量:決策:結論:

拒絕H0(P

=1.22E-15<

=0.05)方法1的次品率顯著低于方法2達8%，應采用方法1進行生產-2.33Z0拒絕域兩個總體比例之差的檢驗

(例題分析)H0：2-16.3.3兩個總體方差比的檢驗6.3兩個總體參數的檢驗6.3.3兩個總體方差比的檢驗6.3兩個總體參數的118兩個總體方差比的檢驗

(F

檢驗)假定條件兩個總體都服從正態分布，且方差相等兩個獨立的隨機樣本檢驗統計量兩個總體方差比的檢驗

(F檢驗)假定條件119兩個總體方差比的檢驗

(圖示)FF1-F總體方差比的1-的置信區間拒絕H0拒絕H0兩個總體方差比的檢驗

(圖示)FF1-F總體120兩個總體方差比的檢驗

(例題分析)【例6-16】一家房地產開發公司準備購進一批燈泡，公司打算在兩個供貨商之間選擇一家購買。這兩家供貨商生產的燈泡平均使用壽命差別不大，價格也很相近，考慮的主要因素就是燈泡使用壽命的方差大小。如果方差相同，就選擇距離較近的一家供貨商進貨。為此，公司管理人員對兩家供貨商提供的樣品進行了檢測，得到的數據如右表。檢驗兩家供貨商燈泡使用壽命的方差是否有顯著差異

(=0.05)

兩家供貨商燈泡使用壽命數據

樣本1650569622630596637628706617624563580711480688723651569709632樣本2568540596555496646607562589636529584681539617兩個總體方差比的檢驗

(例題分析)【例6-16】一家房地產兩個總體方差比的檢驗

(用Excel進行檢驗)第1步：選擇“工具”下拉菜單，并選擇【數據分析】第3步：在分析工具中選擇【F－檢驗

雙樣本方差】第4步：當出現對話框后

在【變量1的區域】方框內鍵入數據區域

在【變量2的區域】方框內鍵入數據區域在【】框內鍵入給定的顯著性水平選擇輸出區域選擇【確定】進行檢驗Excel兩個總體方差比的檢驗

(用Excel進行檢驗)第1步：選擇122兩個總體方差比的檢驗

(用Excel進行檢驗)Excel的輸出結果

兩個總體方差比的檢驗

(用Excel進行檢驗)Excel的123Excel中的統計函數ZTEST—計算Z檢驗的P值TDIST—計算t分布的概率TINV—計算t分布的臨界值TTEST—計算t分布檢驗的P值FDIST—計算F分布的概率FINV—計算F分布的逆函數(臨界值)FTEST—計算F檢驗(兩個總體方差比的檢驗)單尾概率Excel中的統計函數ZTEST—計算Z檢驗的P值124本章小節總體參數檢驗一個總體兩個總體均值比例方差均值差比例差方差比獨立樣本匹配樣本大樣本F檢驗Z檢驗大樣本小樣本Z檢驗1222已知1222未知Z檢驗t檢驗大樣本小樣本Z檢驗2已知Z檢驗2未知t檢驗Z檢驗卡方檢驗本章小節總體參數檢驗一個總體兩個總體均值比例方差均值差比例差本章小節假設檢驗的基本原理一個總體參數的檢驗兩個總體參數的檢驗用Excel進行檢驗利用P

值進行檢驗本章小節假設檢驗的基本原理結束THANKS結束THANKS1271、有時候讀書是一種巧妙地避開思考的方法。12月-2212月-22Saturday,December10,20222、閱讀一切好書如同和過去最杰出的人談話。13:45:2013:45:2013:4512/10/20221:45:20PM3、越是沒有本領的就越加自命不凡。12月-2213:45:2013:45Dec-2210-Dec-224、越是無能的人，越喜歡挑剔別人的錯兒。13:45:2013:45:2013:45Saturday,December10,20225、知人者智，自知者明。勝人者有力，自勝者強。12月-2212月-2213:45:2013:45:20December10,20226、意志堅強的人能把世界放在手中像泥塊一樣任意揉捏。10十二月20221:45:20下午13:45:2012月-227、最具挑戰性的挑戰莫過于提升自我。。十二月221:45下午12月-2213:45December10,20228、業余生活要有意義，不要越軌。2022/12/1013:45:2013:45:2010December20229、一個人即使已登上頂峰，也仍要自強不息。1:45:20下午1:45下午13:45:2012月-2210、你要做多大的事情，就該承受多大的壓力。12/10/20221:45:20PM13:45:2010-12月-2211、自己要先看得起自己，別人才會看得起你。12/10/20221:45PM12/10/20221:45PM12月-2212月-2212、這一秒不放棄，下一秒就會有希望。10-Dec-2210December202212月-2213、無論才能知識多么卓著，如果缺乏熱情，則無異紙上畫餅充饑，無補于事。Saturday,December10,202210-Dec-2212月-2214、我只是自己不放過自己而已，現在我不會再逼自己眷戀了。12月-2213:45:2010December202213:45謝謝大家1、有時候讀書是一種巧妙地避開思考的方法。12月-2212月128StatisticsStatistics129假設檢驗在統計方法中的地位參數估計假設檢驗統計方法描述統計推斷統計利用樣本統計量去估計總體的參數假設總體參數，用樣本信息去檢驗這個假設是否成立假設檢驗在統計方法中的地位參數估計假設檢驗統計方法描述統計推130第6章假設檢驗6.1

假設檢驗的基本問題6.2

一個總體參數的檢驗6.3

兩個總體參數的檢驗6.4

檢驗問題的進一步說明第6章假設檢驗6.1假設檢驗的基本問題131學習目標了解假設檢驗的基本思想掌握假設檢驗的步驟對實際問題作假設檢驗利用P-值進行假設檢驗學習目標了解假設檢驗的基本思想132正常人的平均體溫是37oC嗎？當問起健康的成年人體溫是多少時，多數人的回答是37oC，這似乎已經成了一種共識。下面是一個研究人員測量的50個健康成年人的體溫數據37.136.936.937.136.436.936.636.236.736.937.636.737.336.936.436.137.136.636.536.737.136.236.337.536.937.036.736.937.037.136.637.236.436.637.336.137.137.036.636.936.737.236.337.136.736.837.037.036.137.0正常人的平均體溫是37oC嗎？當問起健康的成年人體溫是多少正常人的平均體溫是37oC嗎？根據樣本數據計算的平均值是36.8oC，標準差為0.36oC根據參數估計方法得到的健康成年人平均體溫的95%的置信區間為(36.7，36.9)。研究人員發現這個區間內并沒有包括37oC因此提出“不應該再把37oC作為正常人體溫的一個有任何特定意義的概念”我們應該放棄“正常人的平均體溫是37oC”這個共識嗎？本章的內容就將提供一套標準統計程序來檢驗這樣的觀點正常人的平均體溫是37oC嗎？根據樣本數據計算的平均值是36.1假設檢驗的基