假设检验简介
你好！欢迎来到 A Level 数学课程中最令人兴奋且实用的一个单元。你有没有想过一枚“幸运”硬币是否真的有偏差，或是厂商对产品的声称是否属实？假设检验 (Hypothesis Testing) 就是一套数学工具，让我们能利用数据来回答这些问题。
在本章中，我们将重点放在测试二项分布概率 \(p\)。我们实际上是在担任“统计侦探”，透过观察一系列实验结果，来判断是否有足够证据支持“真实”概率与我们原本所想的不同。如果初学时觉得有点抽象，别担心——一旦你掌握了步骤，这其实是非常合乎逻辑的！
第一节：假设检验的术语
在开始计算之前，我们需要先理解这些“行话”。统计检验有其特定的专业词汇，在考试中必须正确使用。
1. 假设 (Hypotheses)
每个检验都始于两个互相竞争的陈述：
• 零假设 (Null Hypothesis, \(H_0\))： 这是“现状”。我们假设没有任何改变，概率 \(p\) 正如预期一样。在考试中，这通常表现为 \(H_0: p = \text{数值}\)。
• 备择假设 (Alternative Hypothesis, \(H_1\))： 这是我们正在调查的“有趣”主张。我们怀疑概率已经改变了。这表现为 \(H_1: p > \text{数值}\)、\(H_1: p < \text{数值}\) 或 \(H_1: p \neq \text{数值}\)。
2. 检验统计量 (Test Statistic)
检验统计量是我们从样本中观察到的实际结果。对于二项分布检验而言，这仅仅是我们在实验中计算出的成功次数。
3. 显著性水平 (Significance Level, \(\alpha\))
你可以将其视为“举证责任”。这是一个百分比（通常为 5% 或 10%），定义了被认为“不太可能发生”的门槛。
类比： 如果你告诉我你能预知未来，然后你猜对了一次抛硬币，我不会觉得厉害。但如果你连续猜对 20 次，那纯属巧合的可能性就极低，我可能就会开始相信你了。显著性水平就是我们划下的一条数学界线，用来决定何时我们才算“足够惊讶”，从而拒绝零假设。
你知道吗？ 显著性水平实际上是错误地拒绝了零假设的概率。即使零假设是真的，我们仍有极小的概率（等于显著性水平）会因为运气好而得到极端的结果！
重点总结：
零假设 (\(H_0\)) 是预设的假设 (\(p = \text{数值}\))，而备择假设 (\(H_1\)) 是我们怀疑实际发生的情况。
第二节：单尾检验与双尾检验
我们如何知道 \(H_1\) 中的箭头该指向哪边？这完全取决于题目在问什么。
单尾检验 (1-Tail Tests)
当我们只关心概率是否向某个特定方向移动时，我们使用单尾检验。
• 例子： 一位园丁认为新的肥料能让种子更好地发芽（所以 \(H_1: p > \text{旧数值}\)）。
• 例子： 一位医生认为新药能让疾病发生的可能性降低（所以 \(H_1: p < \text{旧数值}\)）。
双尾检验 (2-Tail Tests)
当我们只想知道概率是否发生了任何改变（不论是变高还是变低）时，我们使用双尾检验。
• 例子： 检查一台机器生产的瑕疵品比例是否与通常的 2% 不同（所以 \(H_1: p \neq 0.02\)）。
小技巧： 在双尾检验中，我们将显著性水平一分为二。如果总显著性水平是 5%，我们会在最底端寻找 2.5%，在最顶端也寻找 2.5%。
第三节：拒绝域与临界值
当我们确定了假设和显著性水平后，需要找出“危险区”——在数学上称为拒绝域 (Critical Region)。
• 临界值 (Critical Value)： 这是落在拒绝域中的第一个数值，也就是“临界点”。
• 拒绝域 (Critical Region)： 这是检验统计量的一组数值，如果 \(H_0\) 为真，这些数值极不可能发生，因此我们决定拒绝 \(H_0\)。
• 接受域 (Acceptance Region)： 任何不在拒绝域内的数值。如果我们的结果落在这里，我们就保留零假设。
类比： 想象一个“请勿践踏草地”的标示。草地就是拒绝域。如果你踩上去（你的检验统计量落入该区域），你就打破了零假设的规则，我们必须拒绝它！
快速复习框：
• 如果检验统计量在拒绝域内 \(\rightarrow\) 拒绝 \(H_0\)。
• 如果检验统计量不在拒绝域内 \(\rightarrow\) 不拒绝 \(H_0\)。
第四节：p-值法 (p-value Method)
进行检验的另一种方法是使用 p-值。现代软件和计算机大多使用这种方法。
p-值是在假设 \(H_0\) 为真的情况下，得到一个至少与我们观察到的结果一样极端的结果的概率。
• 如果 p-值 \(\leq\) 显著性水平：结果是“显著的”。拒绝 \(H_0\)。
• 如果 p-值 \(>\) 显著性水平：结果不具“显著性”。不拒绝 \(H_0\)。
记忆口诀： "If the p is low, the \(H_0\) must go!"（如果 p-值低，零假设就要走！即：如果 p-值小于或等于显著性水平，拒绝零假设）。
第五节：如何进行二项假设检验（分步指南）
在 MEI H640 考试中，请每次都遵循这些步骤以确保拿到全部分数：
1. 陈述假设： 写出 \(H_0: p = \dots\) 和 \(H_1: p \dots\)。
2. 定义分布： 说明我们使用的模型，例如 \(X \sim B(n, p)\)，其中 \(n\) 为样本量，\(p\) 来自 \(H_0\)。
3. 陈述显著性水平： 通常题目会给出（例如 5%）。
4. 计算概率： 求出得到你的观察值 \(x\) 或更极端数值的概率。
注意： 若 \(H_1: p > k\)，计算 \(P(X \geq x)\)。若 \(H_1: p < k\)，计算 \(P(X \leq x)\)。
5. 比较： 将计算出的概率（p-值）与显著性水平进行比较。
6. 结论（两个部分）：
A 部分（数学层面）： 说明你拒绝还是不拒绝 \(H_0\)。
B 部分（情境层面）： 用通俗易懂的中文句子解释这对具体情况意味着什么（例如：“有足够的证据显示新的种子更好”）。
重点总结：
千万不要只说“拒绝 \(H_0\)”。务必在结尾处解释该结果在题目现实情境下的意义。
第六节：应避免的常见错误
如果刚开始觉得棘手，别担心，很多学生都会犯同样的错误！请注意以下几点：
• \(H_1\) 中的箭头错误： 仔细阅读题目。“有增加吗？”意味着 \(>\)。“有改变吗？”意味着 \(\neq\)。
• 用 \(<\) 代替 \(\leq\)： 在二项分布（离散型）中，\(P(X \leq 5)\) 与 \(P(X < 5)\) 有很大不同。请务必包含观察值本身！
• 忘记在双尾检验中平分百分比： 如果是 10% 的双尾检验，你需要在两端各找 5%。
• 断言： 避免说“这证明了概率已经改变”。我们应该说“有足够的证据显示它已经改变”。统计学是关于证据，而不是绝对证明！
本章最终总结
• 我们使用假设检验来观察样本是否提供了足够的证据来拒绝预设的假设 (\(H_0\))。
• 对于二项检验，我们测试的是成功概率，即 \(p\)。
• 显著性水平是我们愿意承担犯错风险的程度。
• 我们将 p-值（得到该结果或更差结果的概率）与显著性水平进行比较，以决定最终结果。
• 务必在问题的情境中给出结论！