在统计学中，对正态总体均值进行假设检验是一种常用的方法，用以判断样本数据是否支持对总体均值的某个特定假设。这种假设检验在科学研究、工业生产、经济分析等领域有着广泛的应用。

基本概念

1. 假设：

   • 零假设（$H_0$）：通常为研究者希望证伪的假设，如认为总体均值等于某个特定值 $\mu_0$。
   • 备择假设（$H_a$）：与零假设相对，如认为总体均值不等于 $\mu_0$，或大于、小于 $\mu_0$。

2. 错误类型：

   • 第一类错误：错误地拒绝零假设（即零假设实际为真时拒绝之）。
   • 第二类错误：错误地接受零假设（即零假设实际为假时接受之）。

3. 显著性水平（$\alpha$）：犯第一类错误的最大可容忍概率，常用的值有0.05（5%）和0.01（1%）。

4. P值：在零假设为真的条件下，观察到当前样本统计量或更极端情况的概率。

假设检验流程

1. 设定假设和选择检验类型：

   • 设置零假设 $H_0: \mu = \mu_0$ 和备择假设（如 $H_a: \mu \neq \mu_0$、$\mu > \mu_0$ 或 $\mu < \mu_0$）。
   • 选择单侧检验或双侧检验。

2. 计算统计量：

   • 如果总体标准差 $\sigma$ 已知，使用z检验：$$ Z = \frac{\bar{X} - \mu_0}{\sigma / \sqrt{n}} $$
   • 如果总体标准差 $\sigma$ 未知，且样本大小较大（$n \geq 30$），同样可以使用z检验。
   • 如果总体标准差未知且样本较小，使用t检验：$$ t = \frac{\bar{X} - \mu_0}{s / \sqrt{n}} $$ 其中，$s$ 是样本标准差。

3. 确定拒绝域：

   • 根据显著性水平 $\alpha$ 和所选的检验类型，决定临界值（查z表或t表）。

4. 计算P值：

   • 比较统计量与临界值或直接计算P值以决定是否拒绝零假设。

5. 作出结论：

   • 如果P值小于或等于显著性水平，拒绝零假设，认为有足够证据支持备择假设。
   • 如果P值大于显著性水平，不拒绝零假设。

示例

假设我们要检验某药物对血压的影响。已知在没有使用该药物的情况下，人群的平均血压为120 mmHg。研究者给一组30人使用了该药物后，观察到的平均血压为115 mmHg，样本标准差为15 mmHg。研究者想知道这种差异是否统计上显著。

设定：

• $H_0: \mu = 120$
• $H_a: \mu < 120$
• 使用单侧t检验，$\alpha = 0.05$

计算：

$$t = \frac{115 - 120}{15 / \sqrt{30}} \approx -2.19$$

查t表，自由度为29，显著性水平0.05的临界值约为-1.699。计算得到的t值-2.19小于-1.699。

结论：

• 拒绝零假设，认为药物降低血压的效果在统计上是显著的。

通过这个过程，我们可以明确地评估数据是否支持某个科学假设。