总体均值的t检验与置信区间

IB 数学：应用与解释 HL· 5 分钟阅读

1. t分布与t方法的适用场景★★☆☆☆⏱ 15 min

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

📘 定义

学生t分布

$t \sim t (df)$

一种对称的钟形分布，它解释了用样本标准差 $s$ 估计 $σ$ 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。

例:

样本量为10时，单样本t方法的自由度为 $df = 9$ 。

✓ 快速检测

检验你对t方法适用场景的理解：

你已知真实总体标准差 $σ$ ，应该使用t检验还是z检验？
- t检验
- z-test
显示答案
1 —
正确！当 $σ$ 已知时应使用z检验。
$σ$ 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

2. 单样本t检验与$\mu$的置信区间★★★☆☆⏱ 25 min

📘 定义

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 $σ$ 未知时， $μ$ 的 $(1 - α)$ 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。

3. 匹配数据的配对t检验★★★☆☆⏱ 20 min

📘 定义

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 $μ_{d}$ 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。

4. 均值差异的独立双样本t检验★★★★☆⏱ 25 min

📘 定义

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（ $\overset{x}{ˉ}_{A} = 72$ , $s_{A} = 8$ ）和B班12名学生（ $\overset{x}{ˉ}_{B} = 76$ , $s_{B} = 7$ ）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 $μ_{A}$ = A班真实平均分数， $μ_{B}$ = 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。

5. 常见陷阱

错误做法:

$σ$ 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 $σ$ 带来的额外不确定性，会导致p值偏小

正确做法:

当 $σ$ 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

6. 速查表

方法	自由度	检验统计量
单样本t检验	$n - 1$	$t = \frac{x ˉ - μ _{0}}{s / n}$
配对t检验	$n - 1$ ( $n$ = 配对数)	$t = \frac{d ˉ}{s _{d} / n}$
独立t检验	$min (n_{1} - 1, n_{2} - 1)$	$t = \frac{x ˉ _{2} - x ˉ _{1}}{\frac{s _{1}^{2}}{n _{1}} + \frac{s _{2}^{2}}{n _{2}}}$
$(1 - α)$ CI for $μ$	$n - 1$	$\overset{x}{ˉ} \pm t^{*} \frac{s}{n}$

真题中的出现

AI 根据考纲规律估算的考点位置,请对照官方真题核实准确性。仅作复习重点参考。

2025 · 2
8分配对t检验假设题
2024 · 1
6分置信区间计算题
2023 · 2
独立双样本t检验题目

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。