免费假设检验计算器

这款免费的在线假设检验计算器通过执行t检验和z检验、计算p值，并帮助用户决定是否拒绝原假设 ($H_0$) 或接受备择假设 ($H_1$)，简化了统计推断过程。该工具接受原始数据或汇总统计量（样本均值、总体均值、标准差、样本量），并返回检验统计量、临界值和p值以及逐步计算过程。无论您需要用于小样本的t检验计算器还是用于大样本的z检验计算器，此假设检验计算器均支持单尾和双尾检验，适用于研究、质量控制和教育教学。

理解假设检验

假设检验是一种使用样本数据评估有关总体参数说法的正式程序。首先定义两个相互对立的假设：原假设 ($H_0$)，通常表示无效应或无差异；备择假设 ($H_1$)，声称存在效应或差异。根据样本计算检验统计量，并将其值与在 $H_0$ 下假设的抽样分布得出的临界值进行比较。

显著性水平 ($\alpha$) 控制拒绝真实原假设（第一类错误）的概率。常用值为0.05和0.01。p值 量化在假设 $H_0$ 为真的情况下，观察到至少与当前检验统计量一样极端的概率。如果p值小于或等于 $\alpha$，则拒绝 $H_0$；否则不拒绝 $H_0$。第二类错误（未能拒绝错误的 $H_0$）记为 $\beta$，其补集 ($1-\beta$) 为检验功效。

假设检验的分类

方向性（单侧）与非方向性（双侧）检验

• 单尾检验：备择假设指定了方向。
  • 右尾（上尾）：当检验统计量超过临界值时拒绝 $H_0$；用于 $H_1: \mu > \mu_0$。
  • 左尾（下尾）：当检验统计量低于临界值时拒绝 $H_0$；用于 $H_1: \mu < \mu_0$。
• 双尾检验：备择假设不指定方向 ($H_1: \mu \neq \mu_0$)。拒绝域分布在两个尾部，每个尾部的面积为 $\alpha/2$。

常用检验统计量

t检验（Student t检验）

t检验用于比较两组均值或检验样本均值是否与假设的总体均值存在差异。适用于样本量较小 ($n < 30$) 且总体标准差 ($\sigma$) 未知的情况。样本标准差 ($s$) 估计 $\sigma$。检验统计量服从自由度为 $n-1$ 的t分布：

$$T = \dfrac{\bar{x} - \mu}{s / \sqrt{n}}$$

其中 $\bar{x}$ 为样本均值，$\mu$ 为 $H_0$ 下的假设均值，$s$ 为样本标准差，$n$ 为样本量。

决策规则：

• 双尾：若 $|T| > t_{\alpha/2, \, df}$，则拒绝 $H_0$。
• 右尾：若 $T > t_{\alpha, \, df}$，则拒绝 $H_0$。
• 左尾：若 $T < -t_{\alpha, \, df}$，则拒绝 $H_0$。

该计算器作为t检验计算器，输出T统计量及相应p值。

Z检验

z检验用于在样本量较大 ($n \geq 30$) 或总体标准差 ($\sigma$) 已知时比较两组均值或检验样本均值与已知总体均值的差异。检验统计量服从标准正态分布：

$$Z = \dfrac{\bar{x} - \mu}{\sigma / \sqrt{n}}$$

决策规则：

• 双尾：若 $|Z| > Z_{\alpha/2}$，则拒绝 $H_0$。
• 右尾：若 $Z > Z_{\alpha}$，则拒绝 $H_0$。
• 左尾：若 $Z < -Z_{\alpha}$，则拒绝 $H_0$。

此z检验计算器功能可一步得出z分数、临界值和p值。

P值法

p值法直接评估反对 $H_0$ 的证据。如果p值小于或等于 $\alpha$，则拒绝 $H_0$；否则不拒绝 $H_0$。该计算器始终报告p值与检验统计量，使这一解释自动完成。

卡方检验 ($\chi^2$)

卡方检验评估两个分类变量之间的独立性或关联性。它将观察频数 ($O$) 与在原假设无关联下的期望频数 ($E$) 进行比较：

$$\chi^2 = \sum_{i=1}^{k} \dfrac{(O_i - E_i)^2}{E_i}$$

对于 $r \times c$ 列联表，自由度为 $(r-1)(c-1)$。决策规则：若 $\chi^2 > \chi^2_{\alpha, \, df}$，则拒绝 $H_0$。

假设检验的逐步步骤

1. 提出假设：写出 $H_0$ 和 $H_1$，确定检验方向。
2. 设置显著性水平 ($\alpha$)。
3. 选择检验方法（t检验、z检验或卡方检验），基于样本量、$\sigma$ 是否已知以及数据类型。
4. 计算检验统计量，使用适当的公式。
5. 获取临界值或p值。
6. 比较检验统计量与临界值（或p值与 $\alpha$）。
7. 得出结论：如果检验统计量落在拒绝域内（或p值 $\leq \alpha$），则拒绝 $H_0$；否则不拒绝 $H_0$。

示例：使用Z检验的单样本均值检验

一家制造商声称其包装袋的平均重量为500 g。质量检查员随机抽取30个包装袋，样本均值为495 g。已知总体标准差为10 g。在5 %显著性水平下进行检验。

第1步：提出假设 $H_0: \mu = 500$ g（双尾）vs $H_1: \mu \neq 500$ g。

第2步：显著性水平 $\alpha = 0.05$。

第3步：选择检验 因为 $n = 30$（大样本）且 $\sigma = 10$ g 已知，使用z检验。

第4步：检验统计量

$$Z = \dfrac{495 - 500}{10 / \sqrt{30}} \approx \dfrac{-5}{1.8257} \approx -2.74$$

第5步：临界值和p值 对于双尾检验，$\alpha = 0.05$，临界值为 $\pm 1.96$。双尾p值约为0.006。

第6步：决策 因为 $-2.74 < -1.96$（且 $0.006 < 0.05$），拒绝 $H_0$。

第7步：结论 在5 %显著性水平下，有充分证据表明真实平均包装重量与500 g不同。

此单样本均值检验展示了假设检验计算器如何以最少的输入生成检验统计量和p值。

假设检验的作用与重要性

假设检验提供了一个结构化框架，用于在科学、工程和商业等领域做出数据驱动的决策。通过将样本证据与原假设进行正式比较，研究人员可以在控制假阳性风险的同时评估其主张的可信度。免费在线假设检验计算器的出现消除了计算障碍，使用户能够专注于解读结果，而非进行繁琐的手动计算。

结论

假设检验计算器是一款多功能的统计检验计算器，可处理t检验、z检验和卡方检验，计算p值，并引导用户完成决策过程。凭借对单尾和双尾检验的支持以及逐步输出，它成为任何进行统计假设检验（包括常见的单样本均值检验）用户的一体化工具。通过整合z检验计算器、t检验计算器和p值计算器的功能，它使最前沿的推断方法为所有人所用。