# 总体均值的t检验与置信区间

> IB 数学：应用与解释 HL · 第5单元：统计与概率
> 来源: https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-t-tests-and-confidence-intervals/

本子主题讲解当总体标准差未知时（这是IB考试中最常见的情况），对总体均值进行推断的t方法。你将学习单样本和双样本的假设检验与区间估计。

**先修:** [推断统计基础](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-inferential-statistics-intro/); [假设检验基础](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-hypothesis-testing-basics/); [置信区间的z方法](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-z-confidence-intervals/)

## 学习目标

- 判断对总体均值进行推断时何时应使用t方法而非z方法
- 计算并解释未知总体均值的置信区间
- 对总体均值进行单样本、配对和独立双样本t检验
- 在考试题目情境中正确解释t方法的结果
- 用二项分布对比例进行单尾检验，用泊松分布对总体均值进行单尾检验

## t分布与t方法的适用场景

对总体均值$\mu$进行推断时，z方法只有在我们已知真实总体标准差$\sigma$时才有效。在几乎所有实际研究和IB考试题目中，$\sigma$都是未知的，因此我们使用t分布代替标准正态（z）分布。

**学生t分布** — 一种对称的钟形分布，它解释了用样本标准差$s$估计$\sigma$带来的额外不确定性。它的尾部比z分布更厚，避免低估p值和边际误差。

*记法:* $t \sim t(df)$

*例:* 样本量为10时，单样本t方法的自由度为$df = 9$。

> **info**
>
> 对于IB数学应用与解释HL，自由度的计算规则为：单样本和配对t检验的自由度为$df = n-1$，非配对独立双样本t检验的自由度为$df = \min(n_1-1, n_2-1)$。

**概念自测**

检验你对t方法适用场景的理解：

1. 你已知真实总体标准差$\sigma$，应该使用t检验还是z检验？

   - t检验
   - z-test

   *答案:* z-test

   *解析:* 正确！当$\sigma$已知时应使用z检验。

2. $\sigma$未知，你只有样本标准差$s$，应该使用t检验还是z检验？

   - t-test
   - z-test

   *答案:* t-test

   *解析:* 正确！这是IB考试中最常见的情况。

## 单样本t检验与$\mu$的置信区间

**单样本t检验** — 当总体标准差未知时，用于检验单个未知总体均值取值的假设检验。

*例:* 检验谷物盒的平均重量是否不同于标注的500克。

**例题:** 一位植物学家测量了10棵幼橡树的高度，得到样本均值为12.3m，样本标准差为1.8m。在5%显著性水平下检验真实平均高度是否不同于12m。

1. 陈述原假设和备择假设：
2. $$H_0: \mu = 12, \quad H_1: \mu \neq 12$$
3. 计算自由度和检验统计量：$df = n-1 = 10-1 = 9$。检验统计量公式为：
4. $$t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}}$$
5. 代入样本值：
6. $$t = \frac{12.3 - 12}{1.8/\sqrt{10}} \approx 0.527$$
7. 查找$t=0.527$，$df=9$对应的双侧p值：$p \approx 0.612$
8. 结论：由于$0.612 > 0.05$，我们不拒绝$H_0$。在5%的显著性水平下，没有足够证据表明真实平均高度不同于12m。

**例题:** 根据上述样本，计算橡树真实平均高度的95%置信区间。

1. 当$\sigma$未知时，$\mu$的$(1-\alpha)$置信区间公式为：
2. $$\bar{x} \pm t^* \frac{s}{\sqrt{n}}$$
3. 其中$t^*$是给定置信水平和自由度对应的临界t值。对于95%置信度，$df=9$，$t^* \approx 2.262$。
4. 计算边际误差：
5. $$ME = 2.262 \times \frac{1.8}{\sqrt{10}} \approx 1.29$$
6. 构造区间：$(12.3 - 1.29, 12.3 + 1.29)$
7. $$(11.01, 13.59)$$
8. 解释：我们有95%的置信度认为橡树的真实平均高度介于11.01m和13.59m之间。

## 匹配数据的配对t检验

**配对t检验** — 用于检验相关配对数据均值差异的假设检验，例如同一研究对象的前后测量，或匹配的成对个体。我们将配对数据转化为差值的单样本，再对差值进行单样本t检验。

*例:* 检验新型过敏药物是否能降低平均症状评分。

**例题:** 8名参与者测量了4周步行计划前后的静息心率，差值（前$-$后）的均值为3.2 bpm，差值的样本标准差为2.8 bpm。在10%显著性水平下检验该计划是否能降低平均静息心率。

1. 设$\mu_d$为真实平均差值（前$-$后），陈述假设：
2. $$H_0: \mu_d = 0, \quad H_1: \mu_d > 0$$
3. 自由度：$df = n-1 = 8-1 = 7$
4. 计算检验统计量：
5. $$t = \frac{\bar{d} - 0}{s_d/\sqrt{n}} = \frac{3.2}{2.8/\sqrt{8}} \approx 3.23$$
6. 查找$t=3.23$，$df=7$对应的单侧p值：$p \approx 0.0087$
7. 结论：由于$0.0087 < 0.10$，我们拒绝$H_0$。在10%的显著性水平下，有足够证据表明步行计划能降低平均静息心率。

> **exam_tip**
>
> 对于配对检验，始终用平均差值$\mu_d$表述假设，而非两组的单独均值。

## 均值差异的独立双样本t检验

**独立双样本t检验** — 当两个总体的标准差均未知时，用于检验两个独立总体均值差异的假设检验。

*例:* 比较两种不同教学方法下学生的平均考试分数。

**例题:** 一位教师比较A班15名学生（$\bar{x}_A = 72$, $s_A = 8$）和B班12名学生（$\bar{x}_B = 76$, $s_B = 7$）的考试分数。在5%显著性水平下检验B班的真实平均分数是否高于A班。

1. 陈述假设，其中$\mu_A$ = A班真实平均分数，$\mu_B$ = B班真实平均分数：
2. $$H_0: \mu_B - \mu_A = 0, \quad H_1: \mu_B - \mu_A > 0$$
3. 对于IB AI HL，自由度取$(n_1-1, n_2-1)$中的较小值：$df = \min(14, 11) = 11$
4. 均值差异的检验统计量公式：
5. $$t = \frac{(\bar{x}_B - \bar{x}_A) - 0}{\sqrt{\frac{s_A^2}{n_A} + \frac{s_B^2}{n_B}}}$$
6. 代入数值：
7. $$t = \frac{(76 - 72)}{\sqrt{\frac{8^2}{15} + \frac{7^2}{12}}} \approx 1.395$$
8. $t=1.395$，$df=11$对应的单侧p值：$p \approx 0.097$
9. 结论：由于$0.097 > 0.05$，我们不拒绝$H_0$。在5%的显著性水平下，没有足够证据表明B班的真实平均分数更高。

## 比例检验（二项）与泊松均值检验（AHL）

并非所有假设检验都是关于连续数据的均值。当数据是计数时，IB AI HL 要求你直接从底层的离散分布出发进行检验——对比例用二项分布，对均值率用泊松分布——使用 GDC 给出的精确尾部概率，而不是正态近似。

**用二项分布对比例进行检验** — 对未知比例 p 的假设检验。在 $H_0: p = p_0$ 下，n 次独立试验中的成功次数 X 服从 $X \sim B(n, p_0)$。单尾 p 值是观测计数至少同样极端结果的精确二项尾部概率。

*例:* 检验准时送达的真实比例是否低于所宣称的 90%。

**例题:** 一家快递公司宣称 90% 的包裹准时送达。一个消费者组织怀疑真实比例更低。在 20 个包裹的随机样本中，有 15 个准时送达。在 5% 显著性水平下检验。

1. 对准时包裹比例 $p$ 陈述假设：
2. $$H_0: p = 0.9, \quad H_1: p < 0.9$$
3. 在 $H_0$ 下，准时包裹数 $X \sim B(20, 0.9)$。观测值为 $x = 15$，较小的值不利于 $H_0$，因此用下尾。
4. 在 GDC 上用二项累积分布计算下尾 p 值：
5. $$p\text{-value} = P(X \le 15) \approx 0.0432$$
6. 由于 $0.0432 < 0.05$，拒绝 $H_0$。在 5% 水平下有足够证据表明准时送达的包裹少于 90%。

**用泊松分布对总体均值进行检验** — 对泊松过程均值 m 的假设检验。在 $H_0: m = m_0$ 下，同一区间内的观测计数 X 服从 $X \sim Po(m_0)$。单尾 p 值是沿 $H_1$ 方向的精确泊松尾部概率。

*例:* 检验某热线电话每小时的平均来电数在活动后是否增加。

**例题:** 某热线电话的来电历史上服从均值为每小时 12 通的泊松分布。一次宣传活动后，工作人员认为平均来电率增加了。在随机选取的一小时内收到 19 通来电。在 5% 显著性水平下检验。

1. 对泊松均值 $m$（每小时来电数）陈述假设：
2. $$H_0: m = 12, \quad H_1: m > 12$$
3. 在 $H_0$ 下，$X \sim Po(12)$。观测值为 $x = 19$；较大的值不利于 $H_0$，因此用上尾。
4. 在 GDC 上计算上尾 p 值：
5. $$p\text{-value} = P(X \ge 19) = 1 - P(X \le 18) \approx 0.0374$$
6. 由于 $0.0374 < 0.05$，拒绝 $H_0$。在 5% 水平下有足够证据表明平均来电率增加了。

> **exam_tip**
>
> 这些是精确检验：直接从 GDC 的二项或泊松累积分布读取尾部概率——不要用 t 或 z 近似。由 $H_1$ 确定用哪一侧尾部，并记住 $P(X \ge x) = 1 - P(X \le x-1)$。

## 常见错误

- **错误做法:** $\sigma$未知时仍使用z检验而非t检验
  - 原因: z分布没有考虑用$s$估计$\sigma$带来的额外不确定性，会导致p值偏小
  - 正确做法: 当$\sigma$未知时始终使用t方法，这在IB考试中几乎是默认情况
- **错误做法:** 对配对相关数据使用非配对t检验
  - 原因: 非配对检验忽略了配对数据中的匹配关系，浪费信息并导致错误的p值
  - 正确做法: 计算每对的差值，对差值样本进行单样本t检验
- **错误做法:** 将95%置信区间解释为'真实均值落在该区间内的概率为95%'
  - 原因: 真实均值是固定常数，不是随机变量：它要么在区间内，要么在区间外。95%指的是构造区间方法的置信水平
  - 正确做法: 正确解释为'我们有95%的置信度认为真实均值落在上下界之间'
- **错误做法:** IB AI HL非配对t检验使用$df = n_1 + n_2 - 2$作为自由度
  - 原因: IB AI HL要求非配对双样本t检验使用保守估计$df = \min(n_1-1, n_2-1)$
  - 正确做法: 考试评分中，始终取$(n_1-1, n_2-1)$中的较小值作为自由度才能得到正确分数
- **错误做法:** 忘记结合情境陈述结论
  - 原因: 大多数IB考试题目要求结合情境的结论才能在假设检验题目中拿到满分
  - 正确做法: 在决定拒绝或不拒绝$H_0$后，始终将结论关联回原问题场景

## 速查表

| 方法 | 自由度 | 检验统计量 |
| --- | --- | --- |
| 单样本t检验 | $n-1$ | $t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}}$ |
| 配对t检验 | $n-1$ ($n$ = 配对数) | $t = \frac{\bar{d}}{s_d/\sqrt{n}}$ |
| 独立t检验 | $\min(n_1-1, n_2-1)$ | $t = \frac{\bar{x}_2 - \bar{x}_1}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$ |
| $(1-\alpha)$ CI for $\mu$ | $n-1$ | $\bar{x} \pm t^* \frac{s}{\sqrt{n}}$ |

## 下一步

总体均值的t检验和置信区间是核心的推断工具，是研究、商业和社会科学中几乎所有参数统计的基础。掌握这些方法对于在IB AI HL考试中取得高分至关重要，也能为你大学任何专业的统计学课程做好准备。接下来，你将把t方法应用于线性回归参数的推断，检验回归直线的斜率是否显著不等于零。你还将学习分类数据的卡方检验，以及当t方法的正态性假设不满足时使用的非参数替代方法。

- [斯皮尔曼等级相关系数](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-spearman-s-rank-correlation-coefficient/)
- [图论：基本概念](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-graph-theory-basic-concepts/)
- [图论：邻接矩阵、路径与环](https://www.owlsprep.com/zh/study/ib-math-ai-hl-u5-graph-theory-adjacency-matrices-paths/)

---

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/ib-math-ai-hl-u5-t-tests-and-confidence-intervals/