七 .

假說檢定Ⅰ
(Hypothesis Testing Ⅰ)
(Chapter 7)
劉仁沛教授
國立台灣大學農藝學研究所生物統計組
國立台灣大學流行病學與預防醫學研究所
國家衛生研究院生物統計與生物資訊組
jpliu@ntu.edu.tw

【本著作除另有註明，網站之內容皆採用 創用CC 姓名標示-
非商業使用-相同方式分享 3.0 台灣 授權條款釋出】

1 111/10/03 Jen-pei Liu, PhD

 假說檢定 (Hypothesis Testing)

型Ⅰ與型Ⅱ錯誤 (TypeⅠ&TypeⅡError)
假說檢定之步驟 (Procedures of Hypothesis Testing)
樣品數之決定 (Sample Size Determination)

2 111/10/03 Jen-pei Liu, PhD

 問題範例

犯人有罪與否 ? (Yes or No?)

藥品是否有效 ? (Yes or No?)
食品防腐劑是否超出政府所訂的標準 ? (Yes or No?)
乳品中是否含三聚氰胺 ? (Yes or No?)
建構式數學是否提升小學生數學能力 ? (Yes or No?)
產品是否符合規格 ? (Yes or No?)
台大農場生產 960cc 之鮮奶是否的確為 960cc? (Yes or
No?)

3 111/10/03 Jen-pei Liu, PhD

 問題範例

 藥品有效期是否為標韱上所宣稱 2010 年 7 月到期 ?

(Yes or No?)
 教授論文或學生作業是否抄襲 ? (Yes or No?)
 經過政府大力宣導與嚴格執法，今年高速公路死亡車
禍是否較去年減少 ? (Yes or No?)
 經過政府大力宣導與嚴格執法，今年台灣抽煙比例是
否較五年前減少 ? (Yes or No?)
 國內肉產品 ( 農產品 ) 內禁用抗生素量 ( 禁用農藥量 )
是過高 ( 超出政府所訂的標準 )? (Yes or No?)

4 111/10/03 Jen-pei Liu, PhD

 實證科學 (Evidence-based Science)

 以數據的經驗證據 (Empirical evidence) 做

出資訊決策 (Informed Decision) 。
 決策的方式只有兩種 : 是或否 ( Yes or No?) 。
 數據的經驗證據來自樣本。
 決策是推論至整個母體。

5 111/10/03 Jen-pei Liu, PhD

 統計假說檢定 (Statistical Hypothesis Testing)

統計方法進行決策的過程 (Decision-Making
Process) ，將探討的問題二分為兩種假說：

虛無假說 (Null Hypothesis ， Ho)

對立假說 (Alternative Hypothesis ， Ha)

對立假說：吾人欲證明的事件 ( 所感興趣 )
虛擬假說：對立假說之補事件 ( 不感興趣 )
6 111/10/03 Jen-pei Liu, PhD
 例：若法官對審判的目的為證明嫌犯有罪
Ho ：無罪
vs.
Ha ：有罪

若藥廠要證明所研發的新藥有療效
Ho ：無療效
vs.
Ha ：有療效

7 111/10/03 Jen-pei Liu, PhD

 新品種每公頃平均產量增加 1000kg/ha
Ho ：平均產量增加  1000kg/ha
Ha ：平均產量增加  1000kg/ha

奶粉重量不足 500 公克
Ho ：平均奶粉重量至少 500 公克
Ha ：平均奶粉重量不足 500 公克

8 111/10/03 Jen-pei Liu, PhD

 平均每公頃產量增加 1000kg/ha
vs.
Ho ： μ1000kg/ha
Ha ： μ1000kg/ha

奶粉重量不足 500 公克
vs.
Ho ： μ500g
Ha ： μ500g

9 111/10/03 Jen-pei Liu, PhD

 自今天生產的奶粉罐隨機取樣 36 罐
奶粉，其樣品平均值為 485g ，若族
群標準偏差 σ=30g ，是否有足夠證據
證明奶粉罐平均重量不足 500 公克？

10 111/10/03 Jen-pei Liu, PhD

 型Ⅰ與型Ⅱ錯誤 (TypeⅠ&TypeⅡError)

事實 (Truth)
決策 (Decision) Ho ： μ 500g 為真 Ha ： μ 500g 為真
不拒絕 Ho
Not reject Ho 決策正確 型Ⅱ錯誤

拒絕 Ho
Reject Ho 型Ⅰ錯誤 決策正確
11 111/10/03 Jen-pei Liu, PhD
 vs.
Ho ：新藥不具療效
Ha ：新藥具有療效

事實 (Truth)
Ho ：新藥不具療效 Ha ：新藥具有療效
決策 (Decision) 為真 為真

無法拒絕 Ho
決策正確 型Ⅱ錯誤
Not reject Ho

拒絕 Ho
型Ⅰ錯誤 決策正確
Reject Ho
12 111/10/03 Jen-pei Liu, PhD
 型Ⅰ錯誤 (TypeⅠError)

拒絕虛無假說∣當 Ho 為真時
決策判定新藥有療效∣事實上新藥無療效
reject Ho∣Ho is true
消費者的風險 (Consumer's Risk)

13 111/10/03 Jen-pei Liu, PhD

 型Ⅱ錯誤 (TypeⅡError)

無法拒絕虛無假說∣當 Ha 為真時
決策判定新藥無療效∣事實上新藥具有療效
無法拒絕 Ho∣Ha is true
生產者的風險 (Producer's Risk)

14 111/10/03 Jen-pei Liu, PhD

 診斷結果

事實 (Truth)
決策 ( 診斷 )
Ho ：無病為真 Ha ：有病為真

無法拒絕 Ho 決策正確 型Ⅱ錯誤

拒絕 Ho 型Ⅰ錯誤 決策正確

型Ⅰ錯誤：診斷有病∣事實上無病
拒絕 Ho∣ Ho 為真
偽陽性 (False Positive)
型Ⅱ錯誤：診斷無病∣事實上有病
無法拒絕 Ho∣ Ha 為真
偽陰性 (False Negative)
15 111/10/03 Jen-pei Liu, PhD
 統計假說檢定之邏輯基礎：反證法

目的：證明 Ha 為真

方法：利用資料證明 Ho 不成立
=> 間接地證明 Ha 為真

結論：二種可能性
1. 拒絕 Ho => 證明 Ha
2. 無法拒絕 Ho
不代表證明 Ho
僅說明資料無法提供足夠證據
16 推翻 Ho 111/10/03 Jen-pei Liu, PhD
 目的：反證法證明 Ha 為真
必須先控制型Ⅰ錯誤
  ( 拒絕 Ho∣Ho 為真 )

顯著水準 α=P[ 型Ⅰ錯誤 ]

=P[ 拒絕 Ho∣Ho 為真 ]
=P[ 偽陽性 ]

β=P[ 型Ⅱ錯誤 ]
=P[ 無法拒絕 Ho∣ Ha 為真 ]
=P[ 偽陰性 ]

檢定力 =1 － β
=P[ 拒絕 Ho∣ Ha 為真 ]
17 111/10/03 Jen-pei Liu, PhD
 統計假說檢定之步驟

1. 設立虛無假說 (Ho) 及對立假說 (Ha)

應將欲證明之假說放於 Ha
其補集合放於 Ho
消費者基金會：奶粉重量不足 500 公克
  Ho ： μ 500g vs. Ha ： μ 500g
Ho ： μ  μo vs. Ha ： μ μo μo=500g
2. 設定顯著水準 通常 α=0.05 或 α=0.01

18 111/10/03 Jen-pei Liu, PhD

 3. 選擇適當的檢定統計量 (Test Statistic)
分子
Z 
分母
分子：樣品估算值－虛無假設所定族群母數 ( o )
x  500

分母：樣品估算值的抽樣誤差：
n
x  o x  500
Z 
 n  n
19 111/10/03 Jen-pei Liu, PhD
 4. 決定棄卻域 (Rejection Region) 或
決策規則 (Decision Rule)


Ho ： μ 500g 
vs. Ha ： μ 500g
Ha 只考慮奶粉平均重量小於 500 公克
 => 單尾檢定
 標準常態分佈之 (1 － α)% 百分位 z1
如果Z  x  o   z1
 n
 => 拒絕 Ho
α=0.05 ， z0.95 =1.645

20 111/10/03 Jen-pei Liu, PhD

 表示 x  o 的差異
無法以抽樣誤差解釋 =>
x  o 的差異可能是其他原因
如自動化裝罐機問題，人工操作的原因
x  o
如果 Z    z1
 n
=> 無法拒絕 Ho
=> x o 的差異未超過抽樣誤差
21 111/10/03 Jen-pei Liu, PhD
 棄卻域

 z1 0 Z

22 111/10/03 Jen-pei Liu, PhD

 5.進行實驗或取樣取得樣品計算
 樣品統計量 及檢定統計量
x Z

根據步驟 4 判定拒絕 Ho 或無法拒絕 Ho

本日隨機取樣 36 罐奶粉
x  485g 若 =30g
x  o 485  500
Z   3.0
 n 30 36
若   0.05 -z0.95  1.645
Z  3.0  1.645 => 拒絕 Ho
=> 本日奶粉罐重量小於 500 公克
=> 此決定是有 5% 的型Ⅰ錯誤機率
=> 重複進行 20 次假設檢定後的決策有一次是錯誤
23 111/10/03 Jen-pei Liu, PhD
 單尾檢定：對立假說是單一方向

Ho ： μ μo(500g) vs. Ha ： μ μo(500g)

若 Z  x  o   z => 拒絕 Ho
1
 n

Ho ： μ μo(1000kg/ha) vs. Ha ： μ  μo(1000kg/ha)

若 Z
x  o
 z1 => 拒絕 Ho
 n
24 111/10/03 Jen-pei Liu, PhD
 雙尾檢定：對立假說是兩個方向

Ho ： μ=500g (μo) vs. Ha ： μ 500g (μo)

x  o
若Z    z1 / 2 或
 n
x  o
Z  z1 / 2 => 拒絕 Ho
 n
x  o
Z   z1 / 2
 n => 拒絕 Ho
25 111/10/03 Jen-pei Liu, PhD
 (a)

棄卻區 棄卻區
2.5% 2.5%
接受區
Z
－ 1.96 0 1.96

(c)
(b)
棄卻區 棄卻區
5% 5%
接受區 接受區
Z Z
0 1.645 － 1.645 0

圖 7.3 雙尾與單尾檢定圖
26 111/10/03 Jen-pei Liu, PhD
 例子：正常成人血中平均膽固醇為 180mg/dL
  標準偏差為 50mg/dL. 今調查某地區 16 位
成人平均膽固醇為 200mg/dL 問此
地區
平均膽固醇是否與 180mg/dL 有差
異？
1. Ho ： μ=180mg/dL vs. Ha ： μ 180mg/dL
2. α=0.05
x  180
3. Z 
 n
4. 若 Z  z1 / 2  z0.975  1.96 => 拒絕 Ho
200  180
5. Z   1.6
50 / 16
因 Z  1.6  z0.975  1.96 => 無法拒絕
27 111/10/03 Ho Jen-pei Liu, PhD
 例子：雞飼料加入魚骨粉後每隻雞每月平
均蛋產量是否高過 21 個？取樣 100 隻
雞

x  24 若  =9
1. H o :   21 vs. H a :   21
2.   0.05
x  21
3. Z 
 n
4.若 Z  z0.95  1.645 => 拒絕 Ho
24  21
5. Z   3.33  z0.95  1.645 => 拒絕 Ho
9 / 100
28 111/10/03 Jen-pei Liu, PhD
 P-value

Ho ： μ=μo(500g) vs. Ha ： μ<μo(500g)

當 Ho 為真時 族群平均值為 μo(500g)
樣品平均值x 應接近 μo( 在抽樣誤差內 )
距離 μo 近之樣品平均值發生機率應很大
距離 μo 遠之樣品平均值發生機率應很小
反之若所觀測到樣品平均值比 μo 小很多時
樣品所提供之證據不支持 μ=μo(500g)

29 111/10/03 Jen-pei Liu, PhD

 統計假說檢定或顯著性檢定 (Statistical
Hypothesis Testing or Significance Test)

 檢定統計量 :
 樣本平均數與虛無假說所設定母體平均數的差
異以抽樣誤差倍數表示。
 樣品平均值為 485 g 與虛無假說所設定母體平
均數 500 g 的差異為 -15 g ，是抽樣誤差 -3 倍。
 在虛無假說下，抽樣誤差 -3 倍或比 -3 倍更大
的抽樣誤差發生機率 -p-value

30 111/10/03 Jen-pei Liu, PhD

 統計假說檢定或顯著性檢定 (Statistical
Hypothesis Testing or Significance Test)

 問題 : p-value 要多小，才可下推翻虛無假
說的決策 ?
 答案 : 小於顯著水準。
– 顯著水準 : 吾人可容忍的型 I 錯誤發生的機率。
– 若顯著水準定為 0.05 表示 20 次推翻虛無假說
的決策中可允准一次錯誤 ( 即有一次虛無假說
為真 ) 。或 1000 次推翻虛無假說的決策中可
允准 50 次錯誤 ( 即有 50 次虛無假說為真 )
31 111/10/03 Jen-pei Liu, PhD
 統計假說檢定或顯著性檢定 (Statistical
Hypothesis Testing or Significance Test)

 問題 : p-value 要多小，才可下推翻虛無
假說的決策 ?
 答案 : 小於顯著水準。
– 若顯著水準定為 0.05
– 樣本平均值為 485 時的 p-value 是 0.0013
– 1000 次推翻虛無假說的決策中可能犯 1.3 次
錯誤，小於可容忍的 50 次。

32 111/10/03 Jen-pei Liu, PhD

 統計假說檢定或顯著性檢定 (Statistical
Hypothesis Testing or Significance Test)

 決策判定 :
–因 p-value = 0.0013 小於 0.05 的顯著水準
– 推翻虛無假說。
– 樣本平均值為 485g 與虛無假說所假設 500g
的差異在 5% 顯著水準下為統計顯著
(statistically significant) 。
– 統計假說檢定又稱顯著性檢定。

33 111/10/03 Jen-pei Liu, PhD

 P-value=P[Z  z∣ μ=μo(500g) ]
x  o
z
 n
在 Ho ： μ=μo(500g) 時 得到x 或比
x
更小的樣品平均值之機率
若x 比 μo 小很多時
P-value 小 => 樣品所提供之證據
    不支持 Ho ： μ=μo(500g)

當 P-value 小於吾人所定之顯著水準
( 可容忍型Ⅰ錯誤機率 ) 拒絕 Ho
P-value=P[Z  z∣ μ=μo]<α => 拒絕
34 111/10/03 Ho Jen-pei Liu, PhD
 例：奶粉罐重量

Ho ： μ  500g vs. Ha ： μ  500g

485  500
z  3.0
30 36
p  value  P[ Z  3.0 | 0  500]
 0.0013  0.05
若 α=0.05 ，拒絕 Ho

35 111/10/03 Jen-pei Liu, PhD

 0.05
0.0013

485 490.13 μo=500g

36 111/10/03 Jen-pei Liu, PhD

 485 490 495 μo=500g

37 111/10/03 Jen-pei Liu, PhD

 統計假說檢定或顯著性檢定 (Statistical
Hypothesis Testing or Significance Test)
 5. 決策判定 :
 顯著水準定為 0.05(1/20)

樣本平均值 p-value 決策判定

495 0.1587 不顯著 ( 無法推翻虛無假說 )
490 0.0228 顯著 ( 推翻虛無假說 )
485 0.0013 顯著 ( 推翻虛無假說 )

38 111/10/03 Jen-pei Liu, PhD

 統計假說檢定或顯著性檢定 (Statistical
Hypothesis Testing or Significance Test)
 5. 決策判定 :
 顯著水準定為 0.20(1/5)

樣本平均值 p-value 決策判定

495 0.1587 顯著 ( 推翻虛無假說 )
490 0.0228 顯著 ( 推翻虛無假說 )
485 0.0013 顯著 ( 推翻虛無假說 )

39 111/10/03 Jen-pei Liu, PhD

 統計假說檢定或顯著性檢定 (Statistical
Hypothesis Testing or Significance Test)
 5. 決策判定 :
 顯著水準定為 0.01(1/100)

樣本平均值 p-value 決策判定

495 0.1587 不顯著 ( 無法推翻虛無假說 )
490 0.0228 不顯著 ( 無法推翻虛無假說 )
485 0.0013 顯著 ( 推翻虛無假說 )

40 111/10/03 Jen-pei Liu, PhD

 例：膽固醇

Ho ： μ=180mg/dL vs. Ha ： μ 180mg/dL

200  180
z  1.6
50 / 16
雙尾檢定
P  value  P[ Z  1.6   180mg / dL]
 (2)(0.0548)  0.1096  0.05

若 α=0.05 ，無法拒絕 Ho
41 111/10/03 Jen-pei Liu, PhD
 例：雞蛋每月平均產量

 21/ 月
Ho ： μ 21/ 月 vs. Ha ： μ

24  21
z  3.33
9 / 100
P  value  P[ Z  3.33 o  21/月 ]
 0.0005  0.05

若 α=0.05 ，拒絕 Ho
42 111/10/03 Jen-pei Liu, PhD
 信賴區間與假說檢定

雙尾檢定： Ho ： μ=μo vs. Ha ： μ μo

若 (1 － α)% 信賴區間不包括 μo 則拒絕 Ho
 
L  x  z1  o or U  x  z1  o 則拒絕 Ho
2 n 2 n
單尾檢定： Ho ： μ μo vs. Ha ： μ  μo
若 (1 － α)% 信賴上限小於 μo 則拒絕 Ho

U  x  z1  o 則拒絕 Ho
n

43 111/10/03
則拒絕 Ho Jen-pei Liu, PhD
 信賴區間與假說檢定

單尾檢定： Ho ： μ  μo vs. Ha ： μ > μo

若 (1 － α)% 信賴下限大於 μo 則拒絕 Ho
 則拒絕 Ho
L  x  z1  o
n

44 111/10/03 Jen-pei Liu, PhD

 例：奶粉罐重量

Ho ： μ  500g vs. Ha ： μ  500g

  0.05

U  x  z0.95
n
 485  (1.645)(30 / 36)
 493.225  500 g

在 5% 顯著水準下，拒絕 Ho
45 111/10/03 Jen-pei Liu, PhD
 例：膽固醇

Ho ： μ=180mg/dL vs. Ha ： μ 180mg/dL

  0.05

L  x  z0.975  200  (1.96)(50 / 16)
n
 200  24.5  175.5

U  x  z0.975  200  (1.96)(50 / 16)
n
 200  24.5  224.5 => 在 5% 顯著水準下，
0  180  (175.5, 224.5) 無法拒絕 Ho
46 111/10/03 Jen-pei Liu, PhD
 例：雞蛋每月平均產量

 21/ 月
Ho ： μ 21/ 月 vs. Ha ： μ

L  x  z0.95
n
 24  (1.645)(9 / 100)
 22.5195  o  21

=> 在 5% 顯著水準下，拒絕 Ho
47 111/10/03 Jen-pei Liu, PhD
 雙尾檢定

Ho ： μ=μo vs. Ha ： μ μo

決策
x  0
(1) | Z |  z 1
拒絕 Ho
 n 2

(2) p  value  P[ Z  z |   0 ]   拒絕 Ho
 
(3) L  x  z 1  0 or U  x  z 1  0
2 n 2 n 拒絕 Ho
若 σ 未知但 n
 30111/10/03
以S代
48 之 Jen-pei Liu, PhD
 單尾檢定

 μo vs. Ha ： μ<μo
Ho ： μ
決策
x  o
(1) Z    z1 拒絕 Ho
 n
(2) p  value  P[ Z  z   o ]   拒絕 Ho

(3) U  x  z1  o 拒絕 Ho
n

49 若 σ 未知但 n30111/10/03
以 S 代之 Jen-pei Liu, PhD
 單尾檢定

 μo vs. Ha ： μ>μo
Ho ： μ
決策
x  o
(1) Z   z1 拒絕 Ho
 n
(2) p  value  P[ Z  z   o ]   拒絕 Ho

(3) L  x  z1  o 拒絕 Ho
n

50 若 σ 未知但 n30111/10/03
以 S 代之 Jen-pei Liu, PhD
 統計顯著 vs. 應用顯著 vs. 樣本數

樣本平均值 =499g, 母體平均值 =500g

樣本平均值 - 母體平均值 = -1g
母體標準偏差 =30g
樣本數  /n z p-value
100 3 -0.33 0.3707
1600 0.75 -1.33 0.0918
3600 0.5 -2 0.0228
10000 0.33 -3.33 0.0012
 0 - 0

51 111/10/03 Jen-pei Liu, PhD

 統計顯著 vs. 應用顯著 vs. 樣本數

 樣本數增加，抽樣誤差下降。
 Z 絕對值變大， p-value 變小。
 統計顯著。
 推翻虛無假說。
 只要不斷增樣本數，一定可推翻虛無假說，
並達到統計顯著。

52 111/10/03 Jen-pei Liu, PhD

 統計顯著 vs. 應用顯著 vs. 樣本數

 1g 差異的統計顯著，並無實用上意義。
 必須先訂出實用上有意義的差異。
 降血壓新藥降舒張壓的效果較安慰劑多 5
mmHg 。
 在規劃的顯著水準 ( 如 5%) 與檢定力
(power 如 80%) 下，計算所需樣本數後，
收集資料進行顯著性檢定。

53 111/10/03 Jen-pei Liu, PhD

 檢定力 (Power)

奶粉罐重量
Ho ： μ  500g vs. Ha ： μ  500g
  30, n  25
以x 表示棄卻域
 30
x  o  z0.95  500  (1.645)( )  490.13
n 25

若觀測到 x  485  490.13 拒絕 Ho

54 111/10/03 Jen-pei Liu, PhD
 485 490.13 500

55 111/10/03 Jen-pei Liu, PhD

 若 Ha 下  =a=496.13
根據決策 x  490.13 拒絕 Ho
其決策為正確之機率

1 － β=P[ 拒絕 Ho∣ Ha 為真 ]

 P[ x  490.13 a  496.13]
x  a 490.13  496.13
 P[  ]
/ n 30 / 25
 P[ z  1]
 0.1587  15.87%
56 111/10/03 Jen-pei Liu, PhD
 α=0.05

μo=500

1 － β=0.1587

57 μa=496.13
111/10/03 Jen-pei Liu, PhD
490.13
 設   0.1 z 0.90  1.28
30
x  500  1.28( )
25
 500  7.68  492.32
若 a  496.13
492.32  496.13
1    P[ Z  ]
30 / 25
 P[ Z  0.635]  0.263

58 111/10/03 Jen-pei Liu, PhD

 α=0.10

μo=500

1 － β=0.263

μa=496.13
59 492.32
111/10/03 Jen-pei Liu, PhD
 若 μa=484.13
1 － β=P[ 拒絕 Ho∣ Ha 為真 ]

 P[ x  490.13 a  484.13]
x  a 490.13  484.13
 P[  ]
/ n 30 / 25
 P[ Z  1]
 1  P[ Z  1]
 1  0.1587  0.8413

60 111/10/03 Jen-pei Liu, PhD

 α=0.05

μo=500
1 － β=0.8413

μa=484.13 490.13
61 111/10/03 Jen-pei Liu, PhD
 1. μa 與 μo 差愈大時，檢定力愈高

2. α↑β↓ ，或 α↓β↑

α↑Power↑ ，或 α↓Power↓

3. 在固定樣品數下無法同時降低 α 及 β

4. 增加樣品數可同時降低 α 及 β

62 111/10/03 Jen-pei Liu, PhD

 單尾檢定：
H 0 :   o (  0 ) vs. H a :   o (   a  o )
檢定力：1    P ( Z  0  a  z1 )
/ n
H 0 :   o (  0 ) vs. H a :   o (   a  o )
檢定力：1    P ( Z  0  a  z1 )
/ n
雙尾檢定：
H 0 :   o vs. H a :   o (   a  o )

檢定力：1    P ( Z  0
  a 0   a
 z1 /2 )  P ( Z   z1 /2 )
/ n / n
63 111/10/03 Jen-pei Liu, PhD
 樣品數計算公式
單尾檢定：
H 0 :   o (  0 ) vs. H a :   o (   a  o )
H 0 :   o (  0 ) vs. H a :   o (   a  o )
0   a
1    P(Z   z1 ) if 1    0.5
/ n
o   a a  o
 z1    z1 , = z1  z1 
/ n / n
 
 a  o  ( z1  z1  )  n  ( z1  z1  )
n (  a  o )
2 2
n ( z1  z1  )
(  a  o ) 2
雙尾檢定： H 0 :   o vs. H a :   o (   a  o )
2 2
n ( z1 / 2  z1  )
(  a  o ) 2
64 111/10/03 Jen-pei Liu, PhD
 例：奶粉罐重量

單尾檢定： H 0 :   500( o ) vs. H a :   0 (  a  485)

  30,   0.05,   0.2
z0,95  1.645 z0.8  0.842
(30) 2 2
n 2
(1.645  0.842)  24.74  25
(15)
雙尾檢定： H 0 :   500 vs. H a :   500(  a  485)
  30,   0.05,   0.2
z0,975  1.96 z0.8  0.842
(30) 2
n 2
(1.96  0.842) 2
 31.4  32 增加 25%
65 (15)111/10/03 Jen-pei Liu, PhD
 總結 (Summary)

1. 設立虛無與對立假說 ( 雙尾，單尾 )

2. 決定顯著水準 ( 型Ⅰ誤差機率 )α=0.05 或 α=0.01
3. 決定棄卻域
4. 選擇檢定統計量
5. 收集資料，計算檢定統計量
6. 進行決策判定

66 111/10/03 Jen-pei Liu, PhD

 習題
 P. 163: 1, 2, 6, 7

67 111/10/03 Jen-pei Liu, PhD

 頁碼 作品 授權條件 作者 / 來源

1-68 轉載自 Microsoft Office 2003 多媒體藝廊，

依據 Microsoft 服務合約及著作權法第 46 、 52 、
65 條合理使用。

22 臺灣大學　劉仁沛教授

26 臺灣大學　劉仁沛教授

26 臺灣大學　劉仁沛教授

26 臺灣大學　劉仁沛教授

36 臺灣大學　劉仁沛教授

37 臺灣大學　劉仁沛教授

68 111/10/03 Jen-pei Liu, PhD

 頁碼 作品 授權條件 作者 / 來源

55 臺灣大學　劉仁沛教授

57 臺灣大學　劉仁沛教授

59 臺灣大學　劉仁沛教授

61 臺灣大學　劉仁沛教授

69 111/10/03 Jen-pei Liu, PhD