Z检验学习笔记

Z检验学习笔记

在统计学领域中，Z检验是一种常用的假设检验方法，用于检验样本均值和总体均值是否存在显著性差异。本篇文章将介绍Z检验的基本原理、类型和公式、假设检验与统计量、实例应用以及Python代码进行分析。

基本原理

Z检验是通过比较样本均值和总体均值之间的差异，来判断两者是否具有显著性差异。在Z检验中，需要利用样本均值、总体均值、样本标准差和样本大小等信息，计算得到一个Z值，然后根据显著性水平和检验类型，确定拒绝域并做出结论。

类型和公式

Z检验可分为单样本Z检验、双样本Z检验和配对样本Z检验三种类型。下面是每种类型的公式：

1. 单样本Z检验

样本均值$ \bar{x}$ 与总体均值$ \mu_0$ 的比较：

$$Z=\frac{\bar{x}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}$$

其中，$n$ 为样本大小，$\sigma$ 为总体标准差。

2. 双样本Z检验

两个独立样本均值$ \bar{x_1}$ 和$ \bar{x_2}$ 的比较：

$$Z=\frac{(\overline{x_1}-\overline{x_2})-({\mu }_1-{\mu }_2)}{\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}}}$$

其中，$n_1$ 和$ n_2$ 分别为两个样本的大小，${\sigma }_1$ 和 $ \sigma_2$ 分别为两个总体的标准差。

3. 配对样本Z检验

配对样本均值差$ \bar{d}$ 与总体均值差$ \mu_d$ 的比较：

$$Z=\frac{\bar{d}-{\mu }_d}{\frac{{\sigma }_d}{\sqrt{n}}}$$

其中，$n$ 为样本大小，${\sigma }_d$ 为差值的标准差。

假设检验与统计量

在Z检验中，需要进行一个假设检验过程。下面是单样本Z检验、双样本Z检验和配对样本Z检验的假设检验和对应的统计量：

1. 单样本Z检验：

假设：$H_0:\mu ={\mu }_0$；$H_1:\mu \ne {\mu }_0$

统计量：$Z=\frac{\bar{x}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}$

2. 双样本Z检验：

假设：$H_0:{\mu }_1={\mu }_2$；$H_1:{\mu }_1\ne {\mu }_2$

统计量：$Z=\frac{(\overline{x_1}-\overline{x_2})-({\mu }_1-{\mu }_2)}{\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}}}$

3. 配对样本Z检验：

假设：$H_0:{\mu }_d=0$；$H_1:{\mu }_d\ne 0$

统计量：$Z=\frac{\bar{d}-{\mu }_d}{\frac{{\sigma }_d}{\sqrt{n}}}$

其中，$n$ 为样本大小，$\sigma$ 为总体标准差，${\sigma }_1$、${\sigma }_2$和${\sigma }_d$ 分别为两个总体的标准差和差值的标准差。

通过计算得到的统计量，可以查表或计算p值，从而得到检验的结果。

实例应用

下面是一个使用单样本Z检验的实例，假设有一组学生的身高数据如下，我们想要检验这组数据的身高是否与总体身高均值相同：

$$178,173,165,169,176,171,160,170,172,174$$

假设总体身高均值为 170cm，总体标准差为 5cm，显著性水平为 0.05。现在，我们可以使用单样本Z检验进行检验。

首先，计算样本均值 $\bar{x}$ 和标准差 $s$：

$$\bar{x}=\frac{178+173+165+169+176+171+160+170+172+174}{10}=171.4$$

$$s=\sqrt{\frac{(178-171.4{)}^2+(173-171.4{)}^2+...+(174-171.4{)}^2}{9}}=5.345$$

接下来，计算检验统计量 $Z$：

$$Z=\frac{\bar{x}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}=\frac{171.4-170}{\frac{5}{\sqrt{10}}}=1.97$$

最后，查找标准正态分布表得出的p值为 0.048，小于显著性水平 0.05，因此拒绝原假设，认为这组数据的身高与总体身高均值不同。

Python进行Z检验

在Python中，可以使用scipy.stats库进行Z检验。以下是一个使用单样本Z检验的例子：

import scipy.stats as stats

# 样本数据
data = [178, 173, 165, 169, 176, 171, 160, 170, 172, 174]

# 总体均值和标准差
mu = 170
std = 5

# 计算Z值和p值
z, p_value = stats.ttest_1samp(data, mu, axis=0)

# 打印结果
print("Z值为：", z)
print("p值为：", p_value/2) # 双侧检验需要除以2

在上面的例子中，我们首先导入数据文件，并定义总体均值和标准差。接下来，使用ttest_1samp()函数进行单样本Z检验，计算得到Z值和p值，并将其结果存储在z和p_value变量中。最后，我们打印出结果。

总结

本篇文章介绍了Z检验的基本原理、类型和公式、假设检验与统计量、实例应用以及Python代码进行分析。在实际应用中，需要根据具体情况选择适当的Z检验类型，并根据显著性水平和检验类型确定拒绝域并做出结论。