| English | 释义 | 拼音 |
|---|---|---|
| hypothesis test/haɪˈpɒθəsɪs test/ | 假设检验 | jiǎ shè jiǎn yàn |
| null hypothesis/nʌl haɪˈpɒθəsɪs/ | 原假设 | yuán jiǎ shè |
| alternative/ɔːlˈtɜːnətɪv/ | 备择假设 | bèi zé jiǎ shè |
| one-tailed/wʌn teɪld/ | 单尾 | dān wěi |
| two-tailed/tuː teɪld/ | 双尾 | shuāng wěi |
| significance level/sɪɡˈnɪfɪkəns ˈlevl/ | 显著性水平 | xiǎn zhù xìng shuǐ píng |
| test statistic/test stəˈtɪstɪk/ | 检验统计量 | jiǎn yàn tǒng jì liàng |
| rejection region/rɪˈdʒekʃn ˈriːdʒn/ | 拒绝域 | jù jué yù |
| critical value/ˈkrɪtɪkl ˈvæljuː/ | 临界值 | lín jiè zhí |
| Type I error/taɪp aɪ ˈerə/ | 第一类错误 | dì yī lèi cuò wù |
| Type II error/taɪp ˈtuː ˈerə/ | 第二类错误 | dì èr lèi cuò wù |
统计学的法庭
- 一家药企声称他们的新药比旧药更有效。你如何决定证据是否足够强?
- 假设检验(hypothesis testing)是统计学中的法庭:你假定被告(原假设)无罪,直到被排除合理怀疑地证明有罪。
建立假设
- 一个假设检验用样本数据来评判一个声称。
- 原假设(null hypothesis)$H_0$——默认的立场(通常是“没有改变”或“没有效果”)。
- 备择假设(alternative)$H_1$——你怀疑为真的。
- 如果 $H_1$ 指向一个方向($\mu > 50$)就是单尾(one-tailed);如果两个方向($\mu \neq 50$)就是双尾(two-tailed)。
算例。 一台机器给瓶子装 500 mL。你怀疑它装少了。 $H_0: \mu = 500$(机器正确)。$H_1: \mu < 500$(装少了)。这是一个单尾检验。

一个双尾 5% 检验在超出正负 1.96 的阴影尾部拒绝 H0
拒绝域
reject H₀ if z < −z*
阴影的尾部是拒绝域——如果检验统计量落在那里,就拒绝 H₀。
原假设 H₀ 通常陈述:
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
H₀ 是被检验的声称,通常是“没有改变”;H₁ 是被怀疑的备择。
如果 H₁ 陈述 μ > 50,这个检验是:
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
H₁ 指向一个方向(μ > 50 或 μ < 50)使它成为一个单尾检验。
进行检验
- 固定一个显著性水平(significance level,常常 5%),计算一个检验统计量(test statistic),并看它是否落在拒绝域(rejection region)中。
- 若 $|z|$ 超过临界值 临界值 (1.96 对应双尾 5%,1.645 对应单尾 5%),则拒绝 $H_0$。

一个 5% 的单尾检验只在检验统计量落在阴影尾部时拒绝 H₀。
显著性水平不是 $H_0$ 为真的概率。 一个 5% 的显著性水平意味着:如果 $H_0$ 为真,有 5% 的机会得到这么极端的数据。它不意味着 $H_0$ 有 5% 的机会为真。
错误的类型
- 第一类错误(Type I error):在 $H_0$ 为真时拒绝它(假阳性)。概率 = 显著性水平 $\alpha$。
- 第二类错误(Type II error):在 $H_0$ 为假时接受它(假阴性)。
一个第一类错误是:
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
第一类 = 拒绝一个真的 H₀;第二类 = 接受一个假的 H₀。
一个第二类错误意味着在 H₀ 实际为假时接受它。
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
第二类 = 未能拒绝一个假的 H₀(假阴性)。
算例——z 检验
- $H_0: \mu = 50$,$H_1: \mu \neq 50$(双尾,5% 水平)。$\sigma = 8$,$n = 64$,$\bar{x} = 52$。
- $z = \dfrac{52 - 50}{8/\sqrt{64}} = \dfrac{2}{1} = 2$.
- 5% 双尾的临界值:$1.96$。因为 $2 > 1.96$,拒绝 $H_0$。
- 设原假设与备择假设(alternative hypothesis);检验统计量落入拒绝域(critical region,拒绝)或接受域(acceptance region)。第二类错误(Type II errors)是接受错误的 $H_0$。检验可用二项(binomial)或泊松分布(Poisson distribution)。
总体平均数声称为 50,σ = 8,样本 n = 64,x̄ = 52。z = (x̄ − μ)/(σ/√n) 是多少?
难度 2/5 · 今日首次完成可获 140 金币及少量额外奖励
z = (52 − 50)/(8/√64) = 2/(8/8) = 2/1 = 2.
对一个 5% 的双尾检验,如果 |z| > 1.96 你就拒绝 H₀。
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
一个 5% 双尾检验的临界值是 1.96。如果 |z| 超过它,拒绝 H₀。
你掌握了
- $H_0$(没有改变)对 $H_1$(被怀疑的);单尾或双尾
- 检验统计量 $z = \dfrac{\bar{x} - \mu}{\sigma/\sqrt{n}}$;如果它在拒绝域中就拒绝 $H_0$
- 第一类 = 拒绝一个真的 $H_0$;第二类 = 接受一个假的 $H_0$
根据未拒绝原假设的检验结果写出
- H0 声称平均等待时间为 8 分钟。H1 声称其大于 8。检验统计量为 1.2,临界值为 1.96。
对于均值 8 分钟的右尾检验,统计量为 1.2,5% 临界值为 1.96。决策是什么?
统计量未达到临界值,故 H0 保持原位。
决策是什么?
难度 1/5 · 今日首次完成可获 100 金币及少量额外奖励
由于 1.2 小于 1.96,上尾检验不拒绝原假设 H0。