A Level 数学 (9709) 试卷 6：概率与统计 2
第 6.5 章：假设检验综合学习笔记
你好，未来的统计学家！假设检验听起来可能很深奥，但它其实是统计学中最实用且充满成就感的课题之一。简单来说，这是一种正规的方法，用来判断我们对总体参数（如均值或概率）的某种信念（假设），是否能得到证据（样本数据）的支持。
你可以把它想象成一场陪审团审判：我们从一个假设出发，利用证据来决定是否应该推翻这个假设。准备好开始了吗？我们来拆解一下！
第一部分：假设检验的术语
在解题之前，你需要熟悉这些基本词汇。以下是核心术语：
1. 假设（声称）
每次检验都涉及两个对立的陈述：
• 原假设 (Null Hypothesis, \(H_0\))：这是默认情况或现状的假设。它一定包含等号 (\(=\))。
例子：学生的平均身高是 170 cm (\(\mu = 170\))。
• 备择假设 (Alternative Hypothesis, \(H_1\))：这是我们怀疑或试图寻找证据支持的观点。它永远不包含等号，旨在质疑 \(H_0\)。
例子：平均身高“不”是 170 cm (\(\mu \neq 170\))。
2. 单侧检验与双侧检验
这告诉我们怀疑中变化的方向，完全由 \(H_1\) 定义：
• 双侧检验 (Two-Tailed Test)：当我们只关心参数是否发生了变化（无论是增加还是减少）时使用。
\(H_1\) 使用 \(\neq\)。
• 单侧检验 (One-Tailed Test)：当我们怀疑参数向特定方向改变（例如：增加或减少）时使用。
\(H_1\) 使用 \(<\) 或 \(>\)。
比喻：双侧检验问的是“这枚硬币公平吗？”；单侧检验问的是“这枚硬币是否倾向于正面？”
3. 显著性水平与区域
• 显著性水平 (Significance Level, \(\alpha\))：这是当 \(H_0\) 实际为真时，我们容许拒绝它的最大概率（通常为 5% 或 1%）。
若 \(\alpha = 0.05\)，代表我们愿意接受最多 5% 的风险去拒绝一个正确的 \(H_0\)。
• 检验统计量 (Test Statistic)：从样本数据中计算出的数值，用于决定是否拒绝 \(H_0\)。
• 拒绝域 (Critical Region 或 Rejection Region)：导致拒绝 \(H_0\) 的检验统计量数值范围。这些是“极端”数值。
• 接受域 (Acceptance Region)：导致结论为“没有足够证据拒绝 \(H_0\)”的数值范围。
快速复习小贴士：它们之间的关系 分布曲线下的总概率面积为 1。拒绝域的名义总概率等于 \(\alpha\)。对于 \(\alpha=0.05\) 的连续双侧检验，拒绝域被平分到两个尾端，每个尾端的面积为 \(0.025\)。
第二部分：进行假设检验的五个步骤
无论你使用的是二项分布、泊松分布还是正态分布，请按部就班地执行以下步骤：
步骤 1：列出假设 (\(H_0\) 和 \(H_1\))
定义总体参数（例如概率 \(p\)、比率 \(\lambda\) 或均值 \(\mu\)），并写出 \(H_0\) 和 \(H_1\)。确保 \(H_0\) 包含等号。
步骤 2：定义显著性水平与检验类型
写出 \(\alpha\)（例如 5%），并根据 \(H_1\) 判断是单侧还是双侧检验。
步骤 3：计算检验统计量（或找出拒绝域）
这是开始计算的地方。方法取决于你使用的分布类型（见下文 3a 和 3b）。
步骤 4：作出决定（比较）
将步骤 3 的结果与临界值或显著性水平进行比较：
• 使用拒绝域法：如果计算出的检验统计量落入拒绝域，则拒绝 \(H_0\)。
• 使用 \(p\)-值（直接概率）法：如果观察到样本数据（或更极端结果）的概率小于 \(\alpha\)，则拒绝 \(H_0\)。
步骤 5：结合题目背景解释结论
这一步非常重要！请务必将最终决定结合原始题目背景陈述。不要只写“拒绝 \(H_0\)”。
例子：“在 5% 的显著性水平下，有足够证据显示平均身高有所增加。”
第三部分：针对特定分布的检验
3a：二项分布与泊松分布的假设检验（单次观测）
当检验关于二项分布 \(B(n, p)\) 的总体概率 (\(p\)) 或泊松分布 \(Po(\lambda)\) 的平均比率 (\(\lambda\)) 的声称时，对于单次观测，我们通常使用直接概率法。
程序示例（二项分布）： 某公司声称其装置有 10% 是次品 (\(p=0.1\))。在 20 个装置的样本中发现 5 个次品。在 \(\alpha = 5\%\) 的水平下，检验 \(p\) 有所增加 (\(H_1: p > 0.1\)) 的声称。
1. 假设：\(H_0: p = 0.1\)，\(H_1: p > 0.1\)。(单侧，上侧)
2. 在 \(H_0\) 下的分布：\(X \sim B(20, 0.1)\)。观测结果：\(x=5\)。
3. 计算 \(p\)-值：在假设 \(H_0\) 为真的情况下（即使用 \(p=0.1\)），计算观察到 5 个或以上次品的概率。
\(p\text{-value} = P(X \geq 5 \mid p=0.1)\)
\(P(X \geq 5) = 1 - P(X \leq 4)\)
（查表或使用计算器，假设 \(P(X \leq 4) = 0.9568\)）
\(p\text{-value} = 1 - 0.9568 = 0.0432\)
4. 决定：由于 \(0.0432 < 0.05\)，\(p\)-值小于 \(\alpha\)。拒绝 \(H_0\)。
5. 解释：有证据显示次品比例有所增加。
关于离散数据拒绝域的重要提示：
由于二项分布与泊松分布是离散的，拒绝域必须由边界值 \(k\) 来定义，使得累积概率小于或等于 \(\alpha\)。
• 若 \(H_1: p > p_0\)，找出最小的 \(k\) 使得 \(P(X \geq k) \leq \alpha\)。
• 若 \(H_1: p < p_0\)，找出最大的 \(k\) 使得 \(P(X \leq k) \leq \alpha\)。
3b：二项分布与泊松分布的正态近似
当 \(n\) 很大（二项分布）或 \(\lambda\) 很大（泊松分布）时，我们使用正态近似，将问题转化为 Z-检验。
近似条件：
• 二项分布：\(n > 50\)，且 \(np > 5\) 及 \(nq > 5\)。使用 \(N(np, npq)\)。
• 泊松分布：\(\lambda > 15\)。使用 \(N(\lambda, \lambda)\)。
关键步骤：连续性修正 (Continuity Correction, CC)
由于我们用连续分布近似离散分布，必须使用连续性修正 (CC)。
例子：\(P(X \leq 10)\) 变为 \(P(Y < 10.5)\)。\(P(X > 15)\) 变为 \(P(Y > 15.5)\)。
3c：关于总体均值 (\(\mu\)) 的假设检验
此检验用于调查关于总体均值的声称。如果样本很大，或者总体服从已知方差的正态分布（或当 \(n\) 很大时使用无偏方差估计值 \(s^2\)），这会以 Z-检验 的形式进行。
前提条件（为何我们使用正态分布/Z-分数）：
我们依赖中心极限定理 (CLT) 或正态总体的假设：
• 样本均值 \(\bar{X}\) 的分布是正态分布（如果 \(n\) 很大则是近似正态）。
• 我们使用分布 \(\bar{X} \sim N\left( \mu, \frac{\sigma^2}{n} \right)\)。
检验统计量 (Z-值)
衡量样本均值与假设总体均值 \(\mu_0\) 之间相差多少个标准误的标准方法是：
\(Z = \frac{\bar{X} - \mu_0}{\sigma / \sqrt{n}}\)
其中 \(\bar{X}\) 是样本均值，\(\mu_0\) 是 \(H_0\) 下假设的均值，\(\sigma\) 是总体标准差（若 \(n\) 很大亦可用样本估计值 \(s\)），\(n\) 是样本量。
Z-检验逐步示例：
1. 假设：\(H_0: \mu = 50\)，\(H_1: \mu \neq 50\)。(\(\alpha = 5\%\)，双侧)
2. 临界值：由于 \(\alpha = 0.05\)（双侧），临界 Z-值为 \(Z = \pm 1.96\)（查正态分布表，拒绝域在每个尾端为 0.025）。
3. 计算 Z-统计量：
（假设样本均值 \(\bar{X} = 52\)，\(\sigma=10\)，\(n=100\)）
\(Z = \frac{52 - 50}{10 / \sqrt{100}} = \frac{2}{1} = 2.00\)
4. 决定：计算出的 \(Z=2.00\) 超出了接受域（介于 -1.96 和 1.96 之间）。它位于拒绝域内。拒绝 \(H_0\)。
5. 解释：在 5% 的显著性水平下，有足够证据显示总体均值不是 50。
第四部分：决策中的错误
因为我们依赖样本，决策总有出错的可能。你必须理解并计算以下两种错误。
4.1 第一类错误 (\(\alpha\))
• 定义：当原假设 (\(H_0\)) 实际为真时却拒绝了它。
• 严重性：有时称为“假阳性”(false positive)。
• 概率：对于连续分布，犯下第一类错误的概率等于名义显著性水平 \(\alpha\)。对于离散分布（二项分布／泊松分布），实际显著性水平是当 \(H_0\) 为真时，检验统计量落在拒绝域的精确概率：\(P(\text{拒绝域} \mid H_0)\)。
• 例子：结论是平均身高“不”是 170 cm，但实际上它就是 170 cm。
4.2 第二类错误 (\(\beta\))
• 定义：当原假设 (\(H_0\)) 实际为假（即 \(H_1\) 为真）时却接受了（或未能拒绝）它。
• 严重性：有时称为“假阴性”(false negative)。
• 概率 (\(\beta\))：通过假设 \(H_1\) 下真实参数的一个特定对立数值来计算。
• 例子：结论是平均身高“是”170 cm，但实际上它是 172 cm。
如何计算第二类错误的概率 (\(\beta\))
计算 \(\beta\) 涉及两个步骤：
步骤 A：根据 \(H_0\) 和 \(\alpha\) 找出接受域（临界值）。
我们找出在 \(H_0\) 定义的分布下，将接受域与拒绝域分开的边界值（临界值 \(k\)）。
步骤 B：在假设为新参数（来自 \(H_1\)）的情况下，计算检验统计量落入接受域的概率。
第二类错误的概率 \(\beta\) 为 \(P(\text{接受域} \mid \text{真实参数})\)。
如果刚开始觉得很难，别担心！先练习 \(H_1\) 指定单一数值（例如 \(H_1: \mu = 51\) 而不是单纯 \(\mu > 50\)）的题目，通常是计算 \(\beta\) 最容易的起点。
第一类与第二类错误总结
决策对照：
• 若 \(H_0\) 为真 且 接受 \(H_0\)：正确决策
• 若 \(H_0\) 为真 且 拒绝 \(H_0\)：第一类错误 (\(\alpha\))
• 若 \(H_0\) 为假 (\(H_1\) 为真) 且 接受 \(H_0\)：第二类错误 (\(\beta\))
• 若 \(H_0\) 为假 (\(H_1\) 为真) 且 拒绝 \(H_0\)：正确决策
核心重点：这两者之间存在固有的取舍。如果你降低第一类错误的概率（例如降低 \(\alpha\)），接受域就会变大，这会使你犯下第二类错误 (\(\beta\)) 的可能性随之增加。