T检验是假设检验的一种,主要用于样本含量较小(例如n<30),总体标准差sigma未知的正太分布资料。 T检验 用于检验两个总体的均值差值是否显著 例1 一家引擎工厂,根据政府发布的新排放要求,引擎排放平均值应该低于20ppm,如何证明生产的引擎是否达标呢?(排放量的均值小鱼20ppm) 思路1 一个直接的想法是把这个工厂所有的引擎都测试一下,然后求一下排放平均值进行比较就好了。 这也太简单了,但是随着生产规模逐渐增大,每天可以生产出10个引擎,都测试是不太现实的。 思路2 由于引擎数量太多,把所有引擎测试一遍太麻烦了,所有采用反证法,先假设所有引擎排放量的均值为mu,然后随机抽取10个引擎,看看这10个引擎的排放量均值与假设是否相符,如果相符,则认为假设是正确的,繁殖认为假设是错误的。这样,就可以通过一小部分数据推测数据的总体。 步骤: ① 先建立两个假设,H0:mu>=20(原假设) H1:mu<20(备择假设)(mu代表总体均值) ② 在原假设成立的基础上,求出“取得样本均值或者更极端的均值的概率”,如果概率很大,就倾向于认为H0是正确的,如果概率很小,就倾向于认为原假设H0是错误的,从而接受备择假设H1。 那么如何求这个概率p呢 这就需要引入一个概率——统计量 简单地讲,统计量就类似于用样本已知的信息(如样本均值,样本标准差)构建一个标准得分。这个标准得分可以让我们求出概率p。 由于样本服从正态分布,且样本数量较小(10),所以这里要用到的统计量为t统计量, t=xˉ?μS/n??√~t(n?1) 该统计量服从自由度为的t分布 |
|