（二）假设检验的基本思想
根据抽样分布的规律，判断样本发生的概率 例4-1中就是看在2.00


0.20公斤/只的鸭子总体
中抽取100只鸭子，鸭子平均重量小于1.88公斤/
只得概率，如果概率小于α ，说明是小概率事件， 鸭子明显偏轻。
8


（三）假设检验的过程：
1、提出原假设和备择假设 2、确定适当的检验统计量 3、规定显著性水平 4、计算检验统计量的值 5、作出统计决策
0

显著水平：α =0.05
计算统计量： u x μ 0 1.88 2.00 0.12 6
σ n 0.2 100 0.02


建立拒绝域：u<-U0.05; -U0.05=-1.645 ;
结论：养鸭户送来的鸭子重量非常明显的小于2.00公斤/只， 16 不符合要求
右 尾 测 验
_
μ0
y
20

双尾检验与单尾检验的选择：应根据专业知识在
试验设计时就确定。

一般若事先不知道所比较的两个处理效果谁好谁
坏，分析的目的在于推断两个处理之间有无显著
差异，则选用双尾检验；

若根据理知识或实践经验判断甲处理的效果不会
比乙处理的效果差，分析的目的在于推断甲处理
是否真的比乙处理好，这时应用单尾检验。
关于假设检验的几个注意点

1. 对于H0只能说拒绝与不拒绝，而对H1只能说接受。
2. P≤α，则拒绝H0，接受H1，差异有统计学意义，（有足够的证据） 可认为„„不同或不等。

3. P>α，则不拒绝H0，差异无统计学意义（“阴性”结果），尚不能
认为„„不同或不等(或拒绝H0的证据尚不足)

4. 做 统 计 检 验 结 论 时 只 能 说 有 无 统 计 学 意 义 （ statistical significance），而不能说明专业上的差异大小。P值越小只能说明： 作出拒绝H0，接受H1的统计学证据越充分，推论时犯错误的机会越小， 与专业上|μ－μ0|差异的大小无直接关系。


关于备择假设的说明：由于改善栽培条件，只会 使籽粒重量提高，不会使籽粒重量降低，因此备择假设HA 为μ＞μ0 。
34

3 显著性水平：根据实验要求（籽粒重量是否有“显著” 提高）规定α＝0.05。
4 统计量的值：由于s 已知可使用u 检验，



u＝（x－μ0 ）／（s／√n）代入数值，得：

三、变异性的显著性检验――2 检验（2- test）
29
一、在 s 已知的情况下，单个平均数的显著性 检验—— u 检验（u- test）
已知的总体平均数一般 为一些公认的理论数值 。如畜禽正常 的生理指标、怀孕期、 生产性能指标等，都可 以样本平均数 与之比较，检验差异显 著性。

检验的基本程序如下： 1. 假设从s已知的正态总体，或近似正态总体中， 随机抽取含量为的 n 样本。

如果实验中难以控制的因素很多，试验精度不是很高，
则显著性水平α的值可稍大点；

如果实验的精度很高，真实差异不容易被误差所掩盖， 处理的作用容易被检验出来，这时显著性水平α可适当 取小些。

无论如何，显著性水平α的值必须在实验开始前就已经 确定下来。
14

（四) 计算检验统计量的值，建立拒绝域
u yμ 0 1.88 2.00 0.12 6 σ 0.2 0.02 100 n

5.应事先确定α 。选α ＝0.05只是一种习惯，而不是绝对的标准。
17
三、双尾检验与单尾检验

（一）假设的形式（以方差已知，单个样本的平均 数显著性检验为例）
拒绝区域是检验统计量取值的小概率区域，我们可以将这个小概率区 域安排在检验统计量分布的两端，也可以安排在分布的一侧，分别称 作双尾检验（two-tailed test）与单尾检验（one-tailed test）。
33

例4-2 已知豌豆籽粒重量（ 克／100） 服从正态分布N （37.72，0.332）。在改善栽培条件后，随机抽取 9 粒， 其重量平均数 Y＝37.92，若标准差仍为0.33，问改善条 栽培件是否显著提高了豌豆籽粒重量？
解 根据检验的基本程序： 1 已知豌豆的重量是服从正态分布的随机变量，s已知。 2 假设： H0：μ＝μ0 ＝37.72 HA：μ＞μ0 ＝37.72

11


（二）确定适当的检验统计量
大样本还是小样本？ 总体方差已知还是未知？

选择正确的检验统计量，计算结果
12



（三）规定显著性水平α
1、小概率事件原理
(1)小概率事件：统计学上指在一次试验中，一个几乎不可能发生的事 件发生的概率，称为小概率事件实际不可能原理。

(2)在一次试验中小概率事件一旦发生，原假设就是错误的。 2、小概率值α的概念及统计学意义: α表示原假设为真时，拒绝原假设
犯错误的概率，被称为抽样分布的拒绝域，1-α称为置信水平，表示接
受原假设的可信度或可靠程度，被称为抽样分布的接受域。

3、α值大小的确定：常用的α=0.01、0.05由研究者事先确定。当α取
0.05时，表明作出接受原假设的决定时，其正确的可能性（概率）为
95%。
13

注意：假设检验选用的显著性水平应根据实验的要求而 定。
第四章 统计推断
1
学习要求：

掌握：样本平均数和频率的u检验及t检验的
方法和适用范围；区间估计的原理和方法。

熟悉：不同条件下使用的统计量，方差的同 质性检验方法。

了解：假设检验的原理和方法。
2
讲授内容

第一节 假设检验的原理和方法 第二节 单个样本的统计假设检验 第三节 两个样本差异显著性检验
30

2. 零假设
H0：m＝m0。


备择假设可有以下三种情况：
（1）HA：μ＞μ0 ，若已知μ不可能小于μ0 。 （2）HA：μ＜μ0 ，若已知μ不可能大于μ0 。 （3）HA：μ≠μ0 ，包括μ＞μ0 和μ＜μ0
( 2)
(1)
u
u
(3)
u / 2
u /0称为“差异显著”。
9




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 假设检验 参数估计
10
二、假设检验的步骤

（ 一 ） 对 试 验 样 本 所 在 的 总 体 提 出 原 假 设 （ null hypothesis）和备择假设（alternative hypothesis ）：

H0：μ=2.00公斤/只, 即送来的鸭子符合要求。 H1 ：μ≠μ0（或μ>2.00公斤/只或μ<2.00公斤/只）即送来的鸭子不符 合要求，偏轻
第四节 参数的区间估计与点估计
3

指根据于某种实际需要，对未知的或不完全 知道的统计总体提出一些假设；然后由样本的
假设检验
统
计
（显著性检验） 实际结果，经过一定的计算，作出在概率意义
上应当接受哪种假设的测验。
推
断
参数估计
参数估计是指由样本结果对总体参数作出点估 计 (point estimate) 或 者 区 间 估 计 (interval estimate)。
在＝0.01水平上，拒绝H0称为“差异极其显著”。

4. 检验的统计量：
u
x m0
s
n
32


5. 相应于2 中个备择假设的H0的拒绝域分别为：
（1）u＞u （2）u＜－u （3）│u│＞u /2 ，或表示为│u│＞u （双侧） 正态分布的分位数，可以从附表中查出。 6. 根据以上所做的分析，得出结论，并给予生物学解释。
u＝1.82 5 建立H0的拒绝域：因HA：μ＞μ0 ，故为单侧检验，当 u＞u0.05时拒绝H0。α＝0.05时u0.05＝1.645。 6 结论：因为u＞u0.05 ，所以结论是拒绝H0，接受HA。

上述样本很可能不是抽自N（37.72，0.332）的总体，抽 出样本的那个总体的平均数是大于37.72的某个值，即栽 培条件的改善显著地提高了豌豆籽粒重量。
型错误就会增大；反之II型错误减小，I型错误就会增大。比 如，将显著性水平α从0.05提高到0.01，就更容易接受H0， 因此犯I型错误的概率就减小，但相应地增加了犯II型错误的 28 概率。
第二节 单个样本的统计假设检验

一、σ已知时单个平均数的显著性检验—— u 检验 （u- test）

二、 s 未知时平均数的显著性检验――t 检验（t test）
35
二、s 未知时平均数的显著性检验――t 检验 （t －test）

在s 未知时，平均数的显著性检验有两种解决方法。
21

单尾检验比双尾检验的辨别力强，灵敏度高
（同一显著性水平，双尾检验的分位数大于 单尾检验的分位数），但若无判断的依据， 不可随意将双尾检验改为单尾检验。

作单尾检验，查附表2或3时，需要将双尾概 率乘以2再进行查表
22
四、统计假设的两类错误

统计假设测验是根据一定的概率标准对总体特征作出
推断。否定了H0，并不等于已证明H0不真实；接受了H0， 也不等于已证明H0是真实的。
24
假设检验结果 客观实际
H0正确 H0不正确 否定H0 接受H0
I型错误（α） 推断正确（1－β ）
推断正确（1－α） II型错误（β ）