# 假设检验

> CIE A-Level 数学 · 9709
> 来源: https://www.owlsprep.com/zh/study/cie-9709-u4-hypothesis-testing/

本模块讲解CIE A-Level 9709考试中假设检验的核心框架，包括假设建立、比例和均值的显著性检验、错误解释以及常见考试陷阱。

**先修:** [正态分布概率计算](https://www.owlsprep.com/zh/study/cie-9709-u3-normal-distribution/); [离散计数的二项概率](https://www.owlsprep.com/zh/study/cie-9709-u2-binomial-probability/)

## 学习目标

- 理解总体比例和均值假设检验的结构
- 区分原假设与备择假设、单侧检验与双侧检验
- 计算检验统计量和p值，得出有效结论
- 计算并解释I类错误和II类错误

## 真题考频

据 OwlsPrep 对官方 CIE 9709 S2 真题的聚合（2016–2025）: **假设检验** 近 10 年出现 **63 次**——占 S2 全部真题的 **14.7%**（428 题中 63 题）.

最常考形式: 假设检验的概念与术语 (63).

## 核心术语与假设建立

**原假设** — 表述不存在效应或与假设总体值无差异的命题，我们默认$H_0$为真，除非找到足够证据拒绝它。

*记法:* $H_0$

*例:* 检验一枚硬币是否有偏时，$H_0: p = 0.5$，其中$p$是得到正面的真实概率。

**备择假设** — 如果拒绝$H_0$我们接受的替代命题，可以是单侧的（$p > p_0$或$p < p_0$）或双侧的（$p \neq p_0$）。

*记法:* $H_1$

*例:* 检验硬币是否偏向正面时，$H_1: p > 0.5$。

任何假设检验的第一步都是定义你要检验的总体参数，然后用该参数写出$H_0$和$H_1$。假设永远是关于总体参数的，绝不是关于样本统计量的。

> **轻松拿分的考点**
>
> 永远要明确定义你的参数。大多数学生跳过这个步骤，白白丢分。例如：`令p = 机器生产的有缺陷零件的真实比例。`

**概念自测**

检验你的理解：

1. 一家面包店声称他们10%的糕点烤得不够熟。检查员认为真实比例更高。正确的$H_1$是什么？

   - $H_1: p > 0.1$
   - $H_1: \hat{p} > 0.1$
   - $H_1: p < 0.1$

   *答案:* $H_1: p > 0.1$

   *解析:* 正确！假设描述的是总体参数（$p$），不是样本统计量（$\hat{p}$），我们检验的是比例上升，因此是$p>0.1$。

## 总体比例的假设检验

对于大样本，我们用正态分布近似成功次数的二项分布，然后计算p值并与显著性水平比较。所有检验都遵循标准的5步流程：

- 1. 定义参数并写出假设
- 2. 说明显著性水平
- 3. 说明原假设$H_0$下检验统计量的分布
- 4. 计算p值（或将检验统计量与临界值比较）
- 5. 结合问题背景写出结论

**例题:** 一台机器生产零件，通常10%的零件是次品。保养后，抽样100个零件发现14个次品。在5%的显著性水平下检验次品率是否上升。

1. 1. 定义参数和假设：令$p = $保养后次品的真实比例。
2. $$H_0: p = 0.10 \newline H_1: p > 0.10$$
3. 2. 说明显著性水平：$\alpha = 0.05$
4. 3. 在$H_0$下，次品数量$X \sim B(100, 0.1)$。用正态分布近似，均值 = $np = 10$，方差 = $np(1-p)=9$，因此$X \sim N(10, 9)$。
5. 4. 计算$X \geq 14$的p值，应用连续性修正：$P(X \geq 14) = P(X > 13.5)$
6. $$z = \frac{13.5 - 10}{3} = 1.167, \quad p\text{-value} = 1 - \Phi(1.167) = 0.1216$$
7. 5. 比较：$0.1216 > 0.05$，因此我们不拒绝$H_0$。
8. 结论：在5%的显著性水平下，没有足够证据得出次品率上升的结论。

## 总体均值的假设检验

当总体服从正态分布且方差已知时，我们对总体均值$\mu$使用z检验。当$H_0$为真时，检验统计量服从标准正态分布。

**均值的z检验统计量** — 对于样本量$n$，样本均值$\bar{x}$，假设均值$\mu_0$和已知总体标准差$\sigma$：$z = \frac{\bar{x} - \mu_0}{\sigma/\sqrt{n}}$。它衡量了样本均值与假设值之间相差多少个标准误。

*记法:* $z$

*例:* 样本量25，均值12，$\sigma=2$，$\mu_0=11$得到$z=2.5$。

**例题:** 一台装瓶机灌装瓶子，已知总体标准差为5ml。平均灌装量应为500ml。抽样10瓶得到平均灌装量为497ml。在1%的显著性水平下检验平均灌装量是否不等于500ml。

1. 1. 定义参数和假设：令$\mu = $真实平均灌装量。
2. $$H_0: \mu = 500 \newline H_1: \mu \neq 500$$
3. 2. 这是双侧检验，总显著性水平$\alpha = 0.01$。
4. 3. 计算z检验统计量：
5. $$z = \frac{497 - 500}{5/\sqrt{10}} \approx -1.898$$
6. 4. 计算双侧p值：
7. $$p\text{-value} = 2 \times P(Z < -1.898) = 2 \times 0.0287 = 0.0574$$
8. 5. 比较：$0.0574 > 0.01$，因此不拒绝$H_0$。
9. 结论：在1%的显著性水平下，没有足够证据证明平均灌装量不等于500ml。

> **warning**
>
> 对于双侧检验，永远记得将单侧p值加倍。忘记这一步是均值假设检验中最常见的错误。

## I类错误和II类错误

**I类错误** — 当$H_0$实际为真时拒绝$H_0$。I类错误的概率永远等于检验的显著性水平$\alpha$。

*例:* 当硬币实际均匀时，得出硬币有偏的结论。

**II类错误** — 当$H_0$实际为假时，未能拒绝$H_0$。II类错误的概率取决于总体参数的真实值。

*例:* 当硬币实际有偏时，得出硬币均匀的结论。

**例题:** 对于假设检验$H_0: p=0.1$，$H_1: p>0.1$，在5%显著性水平下进行，I类错误的概率是多少？

1. 根据定义，I类错误的概率是当$H_0$为真时我们拒绝$H_0$的概率，等于检验的显著性水平：
2. $$P(\text{Type I Error}) = 0.05$$

> **mnemonic**
>
> I类错误 = 拒绝真原假设，II类错误 = 不拒绝假原假设。记忆口诀：*第一错在拒绝，第二错在停留*，方便记忆。

## 常见错误

- **错误做法:** 将假设写为样本统计量的形式（例如$H_0: \bar{x} = 500$而非$H_0: \mu = 500$）
  - 原因: 假设永远是关于未知总体参数的命题，不是关于已观测样本值的
  - 正确做法: 永远用总体参数写出假设（比例用$p$，均值用$\mu$）
- **错误做法:** 比例检验中用正态近似二项分布时忘记连续性修正
  - 原因: 二项分布是离散的，正态分布是连续的，不做修正得到的p值是错误的
  - 正确做法: 在比例检验中处理成功计数时永远应用连续性修正
- **错误做法:** 双侧检验不对p值加倍
  - 原因: 双侧检验需要考虑两个方向的差异，因此单侧p值只是正确值的一半
  - 正确做法: 先计算单侧p值，再加倍得到双侧检验的p值，或直接使用双侧临界值
- **错误做法:** 当p值 > 显著性水平时说“我们接受$H_0$”
  - 原因: 我们永远无法证明$H_0$为真，我们只是找不到足够证据拒绝它
  - 正确做法: 永远表述为“我们不拒绝$H_0$”或“没有足够证据拒绝$H_0$”
- **错误做法:** 考试中混淆I类错误和II类错误
  - 原因: 压力下很容易弄混两种错误的顺序
  - 正确做法: 使用记忆口诀*第一错在拒绝，第二错在停留*来区分两种错误

## 速查表

| 术语 | 核心要点/公式 | 注释 |
| --- | --- | --- |
| $H_0$ | 原假设：无效应 | 除非有足够证据证明否则默认成立 |
| $H_1$ | 备择假设：存在效应/差异 | 单侧 = 指定方向；双侧 = 任何差异 |
| 比例检验统计量 | $z = \frac{\hat{p} - p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}}$ | 永远对计数$X$应用连续性修正 |
| 均值检验统计量（已知$\sigma$） | $z = \frac{\bar{x} - \mu_0}{\sigma/\sqrt{n}}$ | 要求总体服从正态分布 |
| I类错误概率 | $= \alpha$ (显著性水平) | 拒绝真原假设 |
| II类错误概率 | $P(\text{not reject } H_0 \| H_0 \text{ false})$ | 取决于参数的真实值 |

## 下一步

假设检验是CIE A-Level数学中所有统计推断的基础，在第4卷中占比很高，通常以一道8-10分的大题形式出现。掌握结构化流程和常见考试规范（比如定义参数、正确的结论表述）就能在这些规律很强的题目中拿到满分。本主题直接引出更高级的统计推断主题，包括分类数据的卡方检验、方差未知时均值的t检验，以及相关和回归系数的假设检验，这些都是完整A-Level数学和进阶数学的核心主题。

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/cie-9709-u4-hypothesis-testing/