1. 假设检验的核心逻辑与两类错误
假设检验就像一场法庭审判,原假设H0相当于"被告无罪",备择假设H1则是"被告有罪"。我们通过样本证据来判断是否要推翻H0。这里有个反直觉的要点:我们永远无法证明H0为真,只能判断是否有足够证据拒绝它。这就像法律上的"无罪推定"原则。
两类错误在实际应用中会产生完全不同的后果。第一类错误(α错误)好比"冤假错案",把合格产品误判为不合格;第二类错误(β错误)则是"放纵坏人",让次品流入市场。考研真题中常出现这样的场景:某工厂需要决定是否接收一批零件,原假设H0"零件合格"。这时:
- 第一类错误:拒收合格零件→工厂损失生产成本
- 第二类错误:接收不合格零件→影响产品质量
显著性水平α的选择需要权衡两类错误的代价。在医疗检测中,把健康人误诊为患病(α错误)和把患者误诊为健康(β错误)的后果截然不同。考研解题时要注意:题目中若提到"控制第一类错误不超过5%",就是在明确要求α=0.05。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 假设检验的标准操作流程
假设检验的标准化操作可以分解为五个关键步骤,我把它总结成一个好记的口诀:"设选算比判":
-
设假设:建立原假设H0和备择假设H1
- 单侧检验:H0带等号(≤或≥),H1为严格不等式
- 双侧检验:H0用=,H1用≠
-
选统计量:根据已知条件选择检验统计量
- σ已知用Z检验,σ未知用t检验
- 方差检验用χ²或F分布
-
算临界值:确定显著性水平α对应的分位数
- 查表时注意单/双侧检验的区别
- 双侧检验用α/2分位数
-
比统计量:计算样本统计量的观测值
- 注意公式中各个符号的含义
- 均值检验用样本均值,方差检验用样本方差
-
判结果:比较统计量与临界值
- 落在拒绝域则拒绝H0
- 否则不拒绝H0(注意不是"接受H0")
这个流程适用于所有类型的假设检验,是解题的万能钥匙。我建议在答题时按照这五步书写,既清晰又不容易遗漏要点。
3. 单个正态总体的检验实战
单个正态总体的检验是考研中的高频考点,主要涉及均值μ和方差σ²的检验。根据σ是否已知,检验方法有所不同:
3.1 均值检验(σ已知)
当总体标准差σ已知时,使用Z检验。
