假设检验。《统计学》

假设检验。《统计学》

假设检验\n假设检验在统计方法中的地位统计方法描述统计推断统计参数估计假设检验\n参数估计和假设检验参数估计和假设检验是统计推断的两个组成部分，都是利用样本对总体进行某种推断，但推断的角度不同。参数估计讨论的是用样本统计量估计总体参数的方法。假设检验讨论的是用样本信息去检验对总体参数的某种假设是否成立的程序和方法。\n一、假设检验的一般问题1、什么是假设检验2、假设检验的基本思想3、双侧检验和单侧检验4、假设检验中的拒绝域和接受域5、假设检验的两类错误6、假设检验的步骤\n1、什么是假设检验假设检验是推论统计的重要内容，是先对总体的未知数量特征作出某种假设，然后抽取样本，利用样本信息对假设的正确性进行判断的过程。统计假设有参数假设、总体分布假设、相互关系假设（两个变量是否独立，两个分布是否相同）等。参数假设是对总体参数的一种看法。总体参数包括总体均值、总体比例、总体方差等。分析之前必需陈述。我认为该企业生产的零件的平均长度为4厘米!\n参数假设检验参数假设检验是通过样本信息对关于总体参数的某种假设合理与否进行检验的过程。即先对未知的总体参数的取值提出某种假设，然后抽取样本，利用样本信息去检验这个假设是否成立。如果成立就接受这个假设，如果不成立就放弃这个假设。下面主要讨论参数假设检验的问题。举例如下：\n参数假设检验举例例1：根据1989年的统计资料，某地女性新生儿的平均体重为3190克。为判断该地1990年的女性新生儿体重与1989年相比有无显著差异，从该地1990年的女性新生儿中随机抽取30人，测得其平均体重为3210克。从样本数据看，1990年女新生儿体重比1989年略高，但这种差异可能是由于抽样的随机性带来的，也许这两年新生儿的体重并没有显著差异。究竟是否存在显著差异？可以先假设这两年新生儿的体重没有显著差异，然后利用样本信息检验这个假设能否成立。这是一个关于总体均值的假设检验问题。\n参数假设检验举例例2：某公司进口一批钢筋，根据要求，钢筋的平均拉力强度不能低于2000克，而供货商强调其产品的平均拉力强度已达到了这一要求，这时需要进口商对供货商的说法是否真实作出判断。进口商可以先假设该批钢筋的平均拉力强度不低于2000克，然后用样本的平均拉力强度来检验假设是否正确。这也是一个关于总体均值的假设检验问题。\n参数假设检验举例例3：某种大量生产的袋装食品，按规定每袋重量不得少于250克，现从一批该种食品中任意抽取50袋，发现有6袋重量低于250克。若规定食品不符合标准的比例达到5％就不得出厂，问该批食品能否出厂。可以先假设该批食品的不合格率不超过5％，然后用样本不合格率来检验假设是否正确。这是一个关于总体比例的假设检验问题。\n2、假设检验的基本思想假设检验所依据的基本原理是小概率原理。什么是小概率？概率是0～1之间的一个数，因此小概率就是接近0的一个数著名的英国统计家RonaldFisher把20分之1作为标准，也就是0.05，从此0.05或比0.05小的概率都被认为是小概率Fisher没有任何深奥的理由解释他为什么选择0.05，只是说他忽然想起来的\n什么是小概率原理？小概率原理——发生概率很小的随机事件（小概率事件）在一次实验中几乎是不可能发生的。根据这一原理，可以先假设总体参数的某项取值为真，也就是假设其发生的可能性很大，然后抽取一个样本进行观察，如果样本信息显示出现了与事先假设相反的结果且与原假设差别很大，则说明原来假定的小概率事件在一次实验中发生了，这是一个违背小概率原理的不合理现象，因此有理由怀疑和拒绝原假设；否则不能拒绝原假设。检验中使用的小概率是检验前人为指定的。\n小概率原理举例：某工厂质检部门规定该厂产品次品率不超过4％方能出厂。今从1000件产品中抽出10件，经检验有4件次品，问这批产品是否能出厂?如果假设这批产品的次品率P≤4％，则可计算事件“抽10件产品有4件次品”的出现概率为：可见，概率是相当小的，1万次实验中可能出现4次，然而概率如此小的事件，在一次实验中居然发生了，这是不合理的，而不合理的根源在于假设次品率P≤4％，因而认为假设次品率P≤4％是不能成立的，故按质检部门的规定，这批产品不能出厂。\n假设检验的基本思想...因此我们拒绝假设=50...如果这是总体的真实均值样本均值=50抽样分布H0这个值不像我们应该得到的样本均值...20\n假设检验的两个特点：第一，假设检验采用逻辑上的反证法，即为了检验一个假设是否成立，首先假设它是真的，然后对样本进行观察，如果发现出现了不合理现象，则可以认为假设是不合理的，拒绝假设。否则可以认为假设是合理的，接受假设。\n第二，假设检验采用的反证法带有概率性质。所谓假设的不合理不是绝对的，而是基于实践中广泛采用的小概率事件几乎不可能发生的原则。至于事件的概率小到什么程度才算是小概率事件，并没有统一的界定标准，而是必须根据具体问题而定。如果一旦判断失误，错误地拒绝原假设会造成巨大损失，那么拒绝原假设的概率就应定的小一些；如果一旦判断失误，错误地接受原假设会造成巨大损失，那么拒绝原假设的概率就应定的大一些。小概率通常用α表示，又称为检验的显著性水平。通常取α＝0.05或α＝0.01，即把概率不超过0.05或0.01的事件当作小概率事件。\n原假设和备择假设假设检验中，我们称作为检验对象的待检验假设为原假设或零假设，用H0表示。原假设的对立假设称为备择假设或备选假设，用H1表示。例如，设为总体均值的某一确定值。（1）对于总体均值是否等于某一确定值的原假设可以表示为：H0：（如H0：3190克）其对应的备择假设则表示为：H1：（如H1：≠3190克)\n原假设和备择假设（2）对于总体均值X是否大于某一确定值X0的原假设可以表示为：H0：X≥X0（如H0：X≥2000克）其对应的备择假设则表示为：H1：X＜X0（如H1：X＜2000克)（3）对于总体均值X是否小于某一确定值X0的原假设可以表示为：H0：X≤X0（如H0：X≤5％）其对应的备择假设则表示为：H1：X＞X0（如H1：X＞5％）注意：原假设总是有等号：或或。\n3、双侧检验和单侧检验根据假设的形式不同，假设检验可以分为双侧假设检验和单侧假设检验。若原假设是总体参数等于某一数值，如H0：X＝X0，即备择假设H1：X≠X0，那么只要X＜X0和X＞X0二者中有一个成立，就可以否定原假设。这种假设检验称为双侧检验。若原假设是总体参数大于等于或小于等于某一数值，如H0：X≥X0（即H1：X＜X0）；或H0：X≤X0（即H1：X＞X0），那么对于前者当X＜X0时，对于后者当X＞X0时，可以否定原假设。这种假设检验称为单侧检验。可以分为左侧检验和右侧检验。\n双侧检验与单侧检验(假设的形式)假设研究的问题（总体均值检验）双侧检验左侧检验右侧检验H0X=X0XX0XX0H1X≠X0X<X0X>X0\n4、假设检验中的拒绝域和接受域在规定了检验的显著性水平α后，根据容量为n的样本，按照统计量的理论概率分布规律，可以确定据以判断拒绝和接受原假设的检验统计量的临界值。临界值将统计量的所有可能取值区间分为两个互不相交的部分，即原假设的拒绝域和接受域。对于正态总体，总体均值的假设检验可有如下图示：\n正态总体，总体均值假设检验图示：（1）双侧检验设H0：X＝X0，H1：X≠X0，有两个临界值，两个拒绝域，每个拒绝域的面积为α/2。也称双尾检验。双侧检验示意图X0\n双侧检验示意图（显著性水平与拒绝域）抽样分布H0值临界值临界值a/2a/2样本统计量拒绝域拒绝域接受域1-置信水平\n双侧检验示意图（显著性水平与拒绝域）H0值临界值临界值a/2a/2样本统计量拒绝域拒绝域接受域抽样分布1-置信水平观察到的样本统计量\n双侧检验示意图（显著性水平与拒绝域）H0值临界值临界值a/2a/2样本统计量拒绝域拒绝域接受域抽样分布1-置信水平观察到的样本统计量\n双侧检验示意图（显著性水平与拒绝域）H0值临界值临界值a/2a/2样本统计量拒绝域拒绝域接受域抽样分布1-置信水平观察到的样本统计量\n（2）单侧检验有一个临界值，一个拒绝域，拒绝域的面积为α。分为左侧检验和右侧检验两种情况。单侧检验示意图（显著性水平与拒绝域）H0值临界值a样本统计量拒绝域接受域抽样分布1-置信水平\n左侧检验设H0：X≥X0，H1：X＜X0；临界值和拒绝域均在左侧。也称下限检验。X0\n左侧检验示意图（显著性水平与拒绝域）H0值临界值a样本统计量拒绝域接受域抽样分布1-置信水平观察到的样本统计量\n左侧检验示意图（显著性水平与拒绝域）H0值临界值a样本统计量拒绝域接受域抽样分布1-置信水平观察到的样本统计量\n右侧检验设H0：X≤X0，H1：X＞X0；临界值和拒绝域均在右侧。也称上限检验。X0\n右侧检验示意图（显著性水平与拒绝域）H0值临界值a样本统计量拒绝域接受域抽样分布1-置信水平观察到的样本统计量\n右侧检验示意图（显著性水平与拒绝域）H0值临界值a样本统计量接受域抽样分布1-置信水平拒绝域观察到的样本统计量\n5、假设检验的两类错误根据假设检验做出判断无非下述四种情况：1、原假设真实，并接受原假设，判断正确；2、原假设不真实，且拒绝原假设，判断正确；3、原假设真实，但拒绝原假设，判断错误；4、原假设不真实，却接受原假设，判断错误。假设检验是依据样本提供的信息进行判断，有犯错误的可能。所犯错误有两种类型：第一类错误是原假设H0为真时，检验结果把它当成不真而拒绝了。犯这种错误的概率用α表示，也称作α错误(αerror)或弃真错误。第二类错误是原假设H0不为真时，检验结果把它当成真而接受了。犯这种错误的概率用β表示，也称作β错误(βerror)或取伪错误。\n假设检验的两类错误正确决策和犯错误的概率可以归纳为下表：假设检验中各种可能结果的概率接受H0拒绝H0，接受H1H0为真1-α（正确决策）α（弃真错误）H0为伪β（取伪错误）1-β（正确决策）\n假设检验两类错误关系的图示以单侧上限检验为例，设H0：X≤X0，H1：X＞X0从上图可以看出，如果临界值沿水平方向右移，α将变小而β变大，即若减小α错误，就会增大犯β错误的机会；如果临界值沿水平方向左移，α将变大而β变小，即若减小β错误，也会增大犯α错误的机会。图(a)X≤X0H0为真图(b)X＝X1＞X0H0为伪\n错误和错误的关系你不能同时减少两类错误!和的关系就像翘翘板，小就大，大就小在样本容量n一定的情况下，假设检验不能同时做到犯α和β两类错误的概率都很小。若减小α错误，就会增大犯β错误的机会；若减小β错误，也会增大犯α错误的机会。要使α和β同时变小只有增大样本容量。但样本容量增加要受人力、经费、时间等很多因素的限制，无限制增加样本容量就会使抽样调查失去意义。因此假设检验需要慎重考虑对两类错误进行控制的问题。\n两类错误的控制准则假设检验中人们普遍执行同一准则：首先控制弃真错误（α错误）。假设检验的基本法则以α为显著性水平就体现了这一原则。两个理由:统计推断中大家都遵循统一的准则，讨论问题会比较方便。更重要的是:原假设常常是明确的，而备择假设往往是模糊的。如H0：X＝X0很清楚，而H1：X≠X0则不太清楚，是X＜X0还是X＞X0？大多少小多少都不清楚。对含义清晰的数量标准进行检验更容易被接受。因此，第一类错误成为控制两类错误的重点。\n6、假设检验的步骤㈠根据研究需要提出原假设H0和备择假设H1㈡确定适当的检验统计量㈢确定显著性水平α和临界值及拒绝域㈣根据样本数据计算检验统计量的值（或P值）㈤将检验统计量值与临界值比较，作出拒绝或接受原假设的决策\n假设检验的步骤㈠根据研究需要提出原假设H0和备择假设H1应该注意：⑴对任一假设检验问题，其所有可能结果均应包括在所提出的两个对立假设中，原假设与对立假设总有一个、也只能有一个成立。⑵原假设一定要有等号：或或。原假设不是随意提出的，应该本着“不轻易拒绝原假设”的原则。\n双侧检验原假设与备择假设的确定双侧检验属于决策中的假设检验。即不论是拒绝H0还是接受H0，都必需采取相应的行动措施。例如，某种零件的尺寸，要求其平均长度为10厘米，大于或小于10厘米均属于不合格。待检验问题是该企业生产的零件平均长度是10厘米吗?(属于决策中的假设)则建立的原假设与备择假设应为H0:X=10H1:X10\n单侧检验原假设与备择假设的确定应区别不同情况采取不同的建立假设方法。对于检验某项研究是否达到了预期效果一般是将研究的预期效果（希望、想要证明的假设）作为备择假设H1，将认为研究结果无效作为原假设H0。先确立备择假设H1。因为只有当检验结果与原假设有明显差别时才能拒绝原假设而接受备择假设，原假设不会轻易被拒绝，就使得希望得到的结论不会轻易被接受，从而减少结论错误。例如，有研究预计，采用新技术生产后将会使某产品的使用寿命明显延长到1500小时以上。则建立的原假设与备择假设应为：H0:X1500H1:X1500例如，有研究预计，改进生产工艺后会使某产品的废品率降低到2%以下。则建立的原假设与备择假设应为：H0:X2%H1:X<2%\n单侧检验原假设与备择假设的确定对于检验某项声明的有效性一般可将所作的声明作为原假设。将对该声明的质疑作为备择假设。先确立原假设H0。因为除非有证据表明“声明”无效，否则就应认为该“声明”是有效的。例如，某灯泡制造商声称，该企业生产的灯泡平均使用寿命在1000小时以上。通常除非样本能提供证据表明使用寿命在1000小时以下，否则就应认为厂商的声称是正确的。建立的原假设与备择假设应为：H0:X1000H1:X<1000\n对于上述问题还可以结合不同背景建立假设。同样的问题背景不同可以采用不同的原假设。例如，一商店经常从某工厂购进某种商品，该商品质量指标为X，X值愈大商品质量愈好。商店提出的进货条件是按批验收，只有通过假设“X≥X0”检验的批次才能接受。有两种可能情况：\n⑴如果根据过去较长时间购货记录，商店相信该厂产品质量好，于是同意把原假设定为X≥X0，而且选择较低的检验显著性水平。这对工厂是有利的，使得达到质量标准的产品以很小的概率被拒收。虽然这会使商店面临接受不合标准产品的风险，但历史记录显示出现这种情况的可能性很小，而且商店也可因此获得较好的货源。⑵如果过去一段时期的记录表明，该厂产品质量并不理想，商店则会坚持以X≤X0为原假设，并选定较小的检验显著性水平。这对商店是有利的，不会轻易地拒绝原假设，有1－α的可能把劣质产品拒之门外。\n㈡确定适当的检验统计量假设检验根据检验内容和条件不同需要采用不同的检验统计量。在一个正态总体的参数检验中，Z统计量和t统计量常用于均值和比例的检验，2统计量用于方差的检验。选择统计量需考虑的因素有被检验的参数类型、总体方差是否已知、用于检验的样本量大小等。Z检验（单尾和双尾）t检验（单尾和双尾）Z检验（单尾和双尾）2检验（单尾和双尾）均值一个总体成数方差\n㈢确定显著性水平α和临界值及拒绝域显著性水平α是当原假设为正确时被拒绝的概率，是由研究者事先确定的。显著性水平的大小应根据研究需要的精确度和可靠性而定。通常取α＝0.05或α＝0.01，即接受原假设的决定是正确的可能性（概率）为95％或99％。根据给定的显著性水平，查表得出相应的临界值，同时指定拒绝域。\n㈣根据样本数据计算检验统计量的值例如，总体标准差σ已知时根据样本均值计算统计量Z的公式为㈤将检验统计量的值与临界值比较，作出拒绝或接受原假设的决策如果检验统计量的值落入拒绝域，则拒绝原假设，接受备择假设；如果检验统计量的值落入接受域，则接受原假设，拒绝备择假设。\n二、总体均值的假设检验\n㈠总体方差σ2已知时均值的检验假定条件总体服从正态分布若总体不服从正态分布,可用正态分布来近似(要求n30)使用Z统计量\n1.总体方差2已知时均值的双侧检验(举例)【例4】某机床厂加工一种零件，根据经验知道，以前加工零件的椭圆度近似服从正态分布，其总体均值为X0=0.081mm，总体标准差为=0.025。今换一种新机床进行加工，抽取n=200个零件进行检验，得到的椭圆度均值为0.076mm。试问新机床加工零件的椭圆度均值与以前有无显著差异？（＝0.05）属于决策中的假设！\n解：已知：X0=0.081mm，=0.025，n=200，提出假设：假定椭圆度与以前无显著差异H0:X=0.081H1:X0.081=0.05双侧检验/2=0.025查表得临界值:Z0.025=±1.96Z01.96-1.960.025拒绝H0拒绝H00.025决策:∵Z值落入拒绝域，∴在=0.05的水平上拒绝H0结论:有证据表明新机床加工的零件的椭圆度与以前有显著差异得两个拒绝域：(-∞,-1.96)和(1.96,∞)计算检验统计量值：\n2.总体方差2已知时均值的单侧检验左侧：H0:XX0H1:X<X0统计量值必须显著地小于X0才能拒绝H0，大于X0的值满足H0，不能拒绝Z0拒绝H0右侧：H0:XX0H1:X>X0统计量值必须显著地大于X0才能拒绝H0，小于X0的值满足H0，不能拒绝Z0拒绝H0\n总体方差2已知时均值的单侧检验（左检验举例）【例5】某批发商欲从生产厂家购进一批灯泡，根据合同规定，灯泡的使用寿命平均不能低于1000小时。已知灯泡使用寿命服从正态分布，标准差为20小时。在总体中随机抽取100只灯泡，测得样本均值为960小时。批发商是否应该购买这批灯泡？(＝0.05)属于检验声明的有效性！\n解：已知：X0=1000小时，=20，n=100，提出假设：假定使用寿命平均不低于1000小时H0:X1000H1:X<1000=0.05左检验临界值为负得临界值:-Z0.05=-1.645计算检验统计量值:∵Z值落入拒绝域，∴在=0.05的显著性水平上拒绝H0，接受H1有证据表明这批灯泡的使用寿命低于1000小时决策:结论:-1.645Z0拒绝域得拒绝域：(-∞,-1.645)\n总体方差2已知时均值的单侧检验（右检验举例）【例6】根据过去大量资料，某厂生产的灯泡的使用寿命服从正态分布N~(1020，1002)。现从最近生产的一批产品中随机抽取16只，测得样本平均寿命为1080小时。试在0.05的显著性水平下判断这批产品的使用寿命是否有显著提高？(＝0.05)属于研究中的假设！\n解：已知：0=1020小时，=100，n=16，提出假设：假定使用寿命没有显著提高H0:X1020H1:X>1020=0.05右检验临界值为正得临界值:Z0.05=1.645计算检验统计量值:∵Z值落入拒绝域，∴在=0.05的显著性水平上拒绝H0，接受H1有证据表明这批灯泡的使用寿命有显著提高决策:结论:Z0拒绝域0.051.645得拒绝域：(1.645,∞)\n㈡总体方差2未知时均值的检验假定条件：总体为正态分布2未知时检验所依赖信息有所减少，样本统计量服从t分布，与正态分布相比在概率相同条件下t分布临界点距中心的距离更远，意味着推断精度有所下降使用t统计量，其自由度为n-1，s为样本标准差n较小时t分布与z分布差异明显，随着n增大二者差异逐渐缩小，因此在大样本条件下2未知也可以用z统计量进行检验\n1.总体方差2未知时均值的双侧检验(举例)【例7】某厂采用自动包装机分装产品，假定每包产品的重量服从正态分布，每包标准重量为1000克。某日随机抽查9包，测得样本平均重量为986克，样本标准差为24克。试问在0.05的显著性水平上，能否认为这天自动包装机工作正常？属于决策中的假设！\n解：已知：X0=1000克，s=24，n=9，提出假设：假定每包产品的重量与标准重量无显著差异H0:X=1000H1:X1000=0.05双侧检验/2=0.025df=9-1=8得临界值:t0.025(8)=±2.306计算检验统计量值:∵t值落入接受域，∴在=0.05的显著性水平上接受H0有证据表明这天自动包装机工作正常决策：结论：t02.306-2.3060.025拒绝H0拒绝H00.025得两个拒绝域：(-∞,-2.306)和(2.306,∞)\n2.总体方差2未知时均值的单侧检验(举例)【例8】一个汽车轮胎制造商声称，某一等级的轮胎的平均寿命在一定的汽车重量和正常行驶条件下大于40000公里，对一个由20个轮胎组成的随机样本作了试验，测得平均值为41000公里，标准差为5000公里。已知轮胎寿命的公里数服从正态分布，我们能否根据这些数据作出结论，该制造商的产品同他所说的标准相符？(=0.05)属于检验声明有效性的假设！\n解：已知：X0=40000公里，s=5000，n=20，提出假设：假定平均寿命不低于40000公里H0:X40000H1:X<40000=0.05左检验临界值为负df=20-1=19得临界值:-t0.05(19)=-1.7291计算检验统计量值:∵t值落入接受域，∴在=0.05的显著性水平上接受H0结论:有证据表明轮胎使用寿命显著地大于40000公里，可以认为该制造商的声称是可信的。决策:-1.7291t0拒绝域0.05得拒绝域：(-∞,-1.7291)\n三、总体成数的假设检验\n总体成数的检验1.假定条件有两类结果总体服从二项分布可用正态分布来近似（要求大样本，np>5，n(1-p)>5）2.使用Z统计量P0为假设的总体成数。分母为样本成数的抽样标准差，一般采用P0计算，也有人认为可以用样本成数p计算。\n总体成数的检验（双侧检验举例）【例9】某研究者估计本市居民家庭的电脑拥有率为30%。现随机抽查了200个家庭，其中68个家庭拥有电脑。试问研究者的估计是否可信？(=0.05)属于决策中的假设！\n解：已知：P0=0.3，n=200，提出假设：假定估计可信H0:P0=0.3H1:p00.3=0.05双侧检验/2=0.025得临界值:Z0.025=±1.96计算检验统计量值:∵Z值落入接受域，∴在=0.05的水平上接受H0有证据表明研究者的估计可信决策:结论:Z01.96-1.960.025拒绝H0拒绝H00.025得两个拒绝域：(-∞,-1.96)和(1.96,∞)\n总体成数的检验（单侧检验举例）【例10】某公司估计有75%以上的消费者满意其产品的质量。某调查公司受该公司委托调查此估计是否属实。现随机抽查了625位消费者，其中表示对该公司产品满意的有500人。试问该公司的估计是否属实？(=0.05)属于研究中的假设！\n解：已知：P0=0.75，n=625，提出假设：假定满意者不超过75％H0:P0.75H1:P>0.75=0.05右检验临界值为正得临界值:Z0.05=1.645计算检验统计量值:∵Z值落入拒绝域，∴在=0.05的水平上拒绝H0，接受H1有证据表明该公司的估计属实决策:结论:Z0拒绝域0.051.645得拒绝域：(1.645,∞)\n关于单侧检验如何建立假设单侧检验应区别不同情况采取不同的建立假设方法。可以把希望(想要)证明的假设作为备择假设，将相反情况作为原假设。由于原假设不容易被拒绝，因此只有检验结果与原假设有明显差别时才能拒绝原假设而接受备择假设，这就使得希望得到的结论不是轻易被接受，从而减少结论错误。\n还可以考虑统计量取值的正负，使统计量(Z)与临界值(Zα)位于同一方向。当统计量值为负时，通常选X≥X0为原假设，X＜X0为备择假设，强调虽然统计量值小于X0，但不能马上断定X＜X0，需要经过检验才能确定。反之当统计量值为正时，通常选X≤X0为原假设，也是为了不轻易接受X＞X0的结论，从而避免结论错误。\n四、区间估计与假设检验的关系抽样估计与假设检验都是统计推断的重要内容。参数估计是根据样本统计量估计总体参数的真值；假设检验是根据样本统计量来检验对总体参数的先验假设是否成立。㈠区间估计与假设检验的主要区别1.区间估计通常求得的是以样本估计值为中心的双侧置信区间，而假设检验以假设总体参数值为基准，不仅有双侧检验也有单侧检验；2.区间估计立足于大概率，通常以较大的把握程度（置信水平）1-α去保证总体参数的置信区间。而假设检验立足于小概率，通常是给定很小的显著性水平α去检验对总体参数的先验假设是否成立。\n㈡区间估计与假设检验的联系1.区间估计与假设检验都是根据样本信息对总体参数进行推断，都是以抽样分布为理论依据，都是建立在概率基础上的推断，推断结果都有一定的可信程度或风险。2.对同一问题的参数进行推断，二者使用同一样本、同一统计量、同一分布，因而二者可以相互转换。区间估计问题可以转换成假设问题，假设问题也可以转换成区间估计问题。区间估计中的置信区间对应于假设检验中的接受区域，置信区间以外的区域就是假设检验中的拒绝域。\n五、用置信区间进行检验㈠均值双侧检验1.求出双侧检验均值的置信区间2已知时：2未知时：2.若样本统计量x的值落在置信区间外，则拒绝H0\n用置信区间进行检验㈡均值单侧检验1.左侧检验：求出单边置信下限若样本统计量x的值小于单边置信下限，则拒绝H02.右侧检验：求出单边置信上限若样本统计量x的值大于单边置信上限，则拒绝H0\n用置信区间进行检验(例题分析)【例11】一种袋装食品每包的标准重量应为1000克。现从生产的一批产品中随机抽取16袋，测得其平均重量为991克。已知这种产品重量服从标准差为50克的正态分布。试确定这批产品的包装重量是否合格？(α=0.05)双侧检验！香脆蛋卷\n用置信区间进行检验(例题分析)解：提出假设：H0:X=1000H1:X1000已知：n=16，σ=50，=0.05双侧检验/2=0.025临界值:Z0.025=±1.96置信区间为决策:结论:X=1000在置信区间内，不拒绝H0可以认为这批产品的包装重量合格Z01.96-1.960.025拒绝H0拒绝H00.025\n本节到此结束，再见！