假设检验分析法一
假设检验方法在产品质量检验中的应用
假设检验在产品质量检验中的初步应用高杉统计0801班20081910108摘要：假设检验是指在规定的风险水平上确定一组数据（一般是来自样本的数据）是否符合已给定假设的统计方法。
假设检验基本步骤包括建立假设、选择检验统计量，给出拒绝域形式、给出显著性水平、确定临界值、给出拒绝域、判定。
在实际工作中，需要检验的总体总是很大，相应的样本也很大，所以为了更快速高效的检验我们可以运用spss软件对总体的样本进行分析。
本文采用理论角度和运用统计软件spss软件进行分析，通过实证来介绍假设检验方法在产品质量中的应用。
关键词：假设检验方法t检验质量管理spss一、假设检验原理假设检验是指在规定的风险水平上确定一组数据（一般是来自样本的数据）是否符合已给定假设的统计方法。
假设检验又称显著性检验，是利用样本的实际资料事先对总体参数或分布形式作出某种假设，然后利用样本信息判断原假设是否成立的一种统计方法；是推断统计中最普遍、最重要的统计方法。
其目的在于判定原假设的总体和当前抽样所取自的总体是否发生显著差异，它首先对所研究的命题提出一种假设—无显著差异的假设，然后通过一定的方法来验证假设是否成立，从而得出研究的结论。
假设检验的方法是建立在小概率事件原理上的概率反证法。
所谓小概率事件，即概率很小的事件在一次实验中是几乎不会发生的。
二、假设检验基本步骤H, 备择假设H 1。
1、根据实际问题要求, 提出假设。
通常需要建立两个假设: 原假设oH代表样本统计量之间的差异是由抽样误差引起的; 备择假设H 1 代表通常原假设o样本统计量之间存在本质差异。
2、选择检验统计量，给出拒绝域形式。
若对总体的均值进行检验，将从样本均值引出检验统计量，若对正态总体的方差进行检验，那么将从样本方差引出检验统计量，总之，需要需要根据已知之条件引出检验统计量。
根据统计量的值把整个空间分为两部分：拒绝域W与接受域A。
当样本落在拒绝域中就拒绝原假设，否则就拒绝原假设。
5第四章 t检验
2.非参数检验ห้องสมุดไป่ตู้2.非参数检验 (nonparametric test)
非参数检验是一类不依赖总体分布的具体形式的统 非参数检验是一类不依赖总体分布的具体形式的统 计方法。 Ridit分析 秩和检验、符号检验、 分析、 计方法。如Ridit分析、秩和检验、符号检验、 中位数检验、序贯试验、等级相关分析等。 中位数检验、序贯试验、等级相关分析等。 优点： 对总体的分布形式不要求； ⑴优点：①对总体的分布形式不要求；②可用于不 能精确测量的资料；③易于理解和掌握；④计算 能精确测量的资料； 易于理解和掌握； 简便。 简便。 缺点：不能充分利用资料所提供的信息， ⑵缺点：不能充分利用资料所提供的信息，使检验 效率降低。 效率降低。
一、适用条件
１.设计类型是配对设计。 设计类型是配对设计。 数值变量的对子差值是正态 ２.数值变量的对子差值是正态 分布。 分布。
二、计算公式
t= d−
µ
2
d
Sd
d = Sd
2
d = Σd n
ν＝ｎ－1 ＝ｎ－1 d 式中ｄ为各个对子数值的差数， 式中ｄ为各个对子数值的差数， 为差数的平均数 , sd为差数的标准差， sd为差数的标准误，ｎ为对 为差数的标准差， 为差数的标准误，ｎ ，ｎ为对 子数。 子数。
二、正态性检验的方法
为总体分布是正态分布， 检验假设 Ｈ ０ 为总体分布是正态分布 ， 当 P ＞ α 时 ， 认为样本所来自的总体服从正态分布； 不拒绝Ｈ０，认为样本所来自的总体服从正态分布； 而 P≤α 时 ， 拒绝 Ｈ ０ ， 认为样本所来自的总体不 服从正态分布。 服从正态分布。 1.W检验 Shapiro-Wilk检验是基于次序统计量对 Shapiro-Wilk检验是基于次序统计量对 它们期望值的回归而构成的。 它们期望值的回归而构成的。所用检验统计量为W， 检验。在样本量3 50时使用 时使用。 又称为W检验。在样本量3≤n≤50时使用。 Kolmogorov-Smirnov检验的统计量为 2.D 检验 Kolmogorov-Smirnov 检验的统计量为 D ， 检验，在样本量50 50≤ 1000时使用 时使用。 所以也称D检验，在样本量50≤n≤1000时使用。
简述假设检验的基本步骤
简述假设检验的基本步骤
假设检验是一种统计推断方法，旨在通过统计分析来检验一项或多项
抽样结果的真实性，验证某一研究观点的正确性。
假设检验具有快速直接、数据要求低等特点，常被社会、教育、心理学及统计研究领域的科学家和
管理者广泛应用。
它的基本步骤主要有：
（1）确定研究假设：在研究开始之前，要明确检验哪一个研究假设。
（2）检验统计量：从抽样结果中提取出检验统计量，根据不同的假
设检验，检验统计量也不尽相同，比如t检验的检验统计量为t值，z检
验的检验统计量为z值，χ2检验的检验统计量为χ2值。
（3）计算统计学显著水平：在单位样本量下根据检验统计量的不同
取值来决定如何进行判断，这个过程中将选取一个统计显著水平，它反映
了方差比较结果中我们最终接受何种判断和何种误差率水平。
（4）比较检验结果：比较检验统计量取值与统计学显著水平的取值，如果检验统计量的取值小于统计学显著水平的取值，则接受原假设，反之
不接受原假设。
（5）假设检验结果报告：将检验结果报告给研究者，告知检验结果，指出。
数理统计之分布的假设检验
双样本正态性检验案例
案例背景：介绍双样本正态性检验的 背景和意义
案例数据：展示双样本正态性检验的 具体数据
疾病预防：通过 对某地区人群的 统计数据进行分 析，预测该地区 未来可能出现的 疾病流行趋势， 从而采取相应的 预防措施。
药物研发：通过 假设检验方法， 对某种新药的疗 效进行评估，以 确定该药物是否 具有潜在的治疗 价值。
在工程领域的应用
质量管理和控 制：假设检验 用于确定生产 过程是否稳定， 以及产品是否 符合规格要求。
多样本正态性检 验的目的：检验 多个样本是否符 合正态分布
多样本正态性检 验的方法：采用 KolmogorovSmirnov检验、 Shapiro-Wilk 检验等方法
多样本正态性检 验的步骤：对每 个样本分别进行 正态性检验，然 后采用适当的统 计方法对多个样 本进行综合分析
多样本正态性检 验的意义：为后 续的统计分析提 供合理的前提假 设，保证分析结 果的准确性自具有相同分布的总体的假设检验方法 假设：两个样本分别来自具有相同均值和标准差的正态分布总体 检验方法：计算两个样本的均值和标准差，然后进行t检验或z检验 结果解释：如果p值小于显著性水平，则拒绝原假设，认为两个样本不具有相同的分布
多样本正态性检验
分布假设检验对于提高统计推断的准确性和可靠性具有重要意义。
分布假设检验的步骤
提出假设 构造检验统计量 确定临界值 做出决策
03 分布的假设检验方法
单样本正态性检验
定义：对一个样本是否符合正态分布进行检验的方法
假设检验中的重要公式解析
假设检验中的重要公式解析假设检验是统计推断的一种方法，通过对样本数据进行分析和比较，判断所得结论是否能对总体进行有效的推断。
在进行假设检验时，我们需要使用一些重要的公式来计算统计量和决策边界。
本文将对假设检验中的几个重要公式进行解析，并介绍其应用。
【公式一：样本均值的标准差】在假设检验中，我们经常需要计算样本均值的标准差。
标准差是反映数据的离散程度的统计量，它表示各个数据点与均值之间的差异。
计算样本均值的标准差的公式如下：s = √(Σ(xi - x)² / (n - 1))其中，s表示样本标准差，Σ表示求和符号，xi表示第i个观测值，x表示样本均值，n表示样本容量。
该公式利用每个观测值与样本均值之间的差异来计算标准差，进而评估数据的离散情况。
【公式二：t统计量】在假设检验中，t统计量是用于检验总体均值差异的重要指标。
具体计算公式如下：t = (x - μ) / (s/√n)其中，t表示t统计量，x表示样本均值，μ表示总体均值，s表示样本标准差，n表示样本容量。
该公式通过计算样本均值与总体均值之间的差异，并考虑样本容量和样本标准差的影响，得到t统计量。
通过与t分布表进行比较，可以判断样本均值与总体均值是否存在显著差异。
【公式三：p值】在假设检验中，p值是用于判断假设是否成立的重要指标。
p值表示在原假设成立的情况下，观察到样本数据或更极端情况出现的概率。
一般会将p值与事先设定的显著性水平进行比较，若p值小于显著性水平，则拒绝原假设，否则接受原假设。
计算p值需要根据具体的假设检验方法来确定，不同的假设检验方法有不同的计算公式。
常见的假设检验方法包括单样本t检验、配对样本t检验和独立样本t检验等，每种方法都有相应的p值计算公式。
【公式四：临界值】在假设检验中，临界值是用于判断统计量是否达到拒绝域的边界值。
临界值的确定依赖于显著性水平和自由度。
显著性水平是根据研究需要设定的，常见的显著性水平包括0.05和0.01等。
第4章 假设检验(田间试验与统计分析 四川农业大学)
2 2
2
s2 1
s2 2
Hale Waihona Puke s2 es2 e
df1
s2 1
df1
df
2
s
2 2
df2
s2 e
5 2.412 4 3.997 54
3.1164
1.提出假设
H0 ：1=2； HA ：1≠2 。
2、计算t值
t x1 x2 s x1 x2
s x1 x2
第二节 单个样本平均数的假设检验
在实际研究工作中，常常要检验某样本
所属总体平均数与已知的总体平均数 0 是 否有差异。已知的总体平均数 0 一般为一些
公认的理论数值、经验数值或期望数值。
若σ2已知
u x 0 x
x
n
u检验
s2 若σ2未知
t x 0
sx
sx
s n
x2 1 ( x)2
x x 30.3667(g) s
n
n
2.5328 (g)
n 1
sx
s 0.8443 (g) n
t x 0 30.3667 27.5 3.395
sx
0.8443
df=n-1=9-1=8
t0.05(8) =2.306 t0.01(8) =3.355 | t |=3.395 > t0.01(8)
第四章 假设检验
第一节 假设检验的基本原理 第二节 单个样本平均数的假设检验 第三节 两个样本平均数的假设检验 第四节 百分率资料的假设检验 第五节 参数的区间估计
假设检验(test of hypothesis)又叫显著性 检验 (test of significance)，是统计学中的一 个重要内容 。假设检验的方法很多 ，常用的
统计学原理——假设检验与方差分析
二、假设检验中的两类错误**
第Ⅰ类错误/弃真错误 (type Ⅰ error)
当原假设为真时拒绝原假设。犯第Ⅰ类错误的概率
通常记为 。
第Ⅱ类错误/取伪错误(type Ⅱ error)
n1 P 40010.2 320 f 5
所以为大样本分布，检验统计量 Z 近似服从 正态分布。样本数据显示：
p 100 0.25 400
Z p P0 0.25 0.20 0.05 2.5
P 1 P 0.21 0.2 0.02
n
400
在显著性水平 0.05 情况下，查表可知，
比RMB 245.95小或者比RMB 274.05大。所以，在双侧 检验(见下图8-1)中有两个拒绝域。
拒绝域
接受域
拒绝域
245.95
260.00
274.05
图8-1 双边检验的拒绝域与接受域
[例8-2] 在例8-1的假设检验中，如果样本的均值
为 X 240.00 ，当显著性水平为0.05时，原假设是否被 拒绝。
重点是三种不同情况下的假设检验方法，总体方差已 知时正态总体均值和总体比例的假设检验。
难点是总体方差未知时正态总体均值的假设检验和方 差分析。
第一节 假设检验
一、假设检验的概念
一、假设检验的概念
假设(hypothesis)，又称统计假设，是对总体参数 的具体数值所作的陈述。
假设检验(hypothesis test) 是先对总体参数提出 某种假设，然后利用样本信息判断假设是否成立的过程。
(3) H0：μ = μ0 H1：μ＜μ
统计学中的假设检验方法应用
统计学中的假设检验方法应用假设检验是统计学中一种常用的推断方法，用于检验关于总体参数的假设。
它基于样本数据，通过对比样本观察值与假设的理论值之间的差异，来确定是否拒绝或接受一些假设。
假设检验在实际应用中广泛使用，以下是一些常见的应用：1.平均值检验：平均值检验用于检验总体平均值是否等于一些特定值。
例如，一个医疗研究想要检验其中一种药物的疗效，可以控制一个实验组和一个对照组，然后收集两组患者的项指标数据（如血压）并计算均值，然后利用假设检验来判断两组是否存在显著差异。
2.方差检验：方差检验用于检验不同总体的方差是否相等。
例如，一个制造业公司想要比较两个供应商提供的原材料的质量是否一致，可以从这两个供应商中分别抽取样本，然后对比两组样本的方差，通过假设检验来判断两个供应商的方差是否有显著差异。
3.比例检验：比例检验用于检验两个总体比例是否相等。
例如，一个选举调查机构想要了解两个候选人在选民中的支持率是否相同，可以进行随机抽样并询问选民的偏好，然后利用假设检验来判断两个候选人的支持率是否存在显著差异。
4.相关性检验：相关性检验用于检验两个变量之间的相关关系是否显著。
例如，一个市场研究公司想要了解广告投入与销售额之间的关系，可以收集一定时间内的广告投入和销售额的数据，并进行相关性检验来判断两者之间是否存在显著的线性关系。
5.回归分析：假设检验在回归分析中也有广泛应用。
通过假设检验可以判断回归模型中的参数估计是否显著，进而判断自变量对因变量的影响是否存在统计学意义。
例如，一个经济学研究想要检验GDP（自变量）对于失业率（因变量）的影响，可以建立回归模型并通过假设检验来判断GDP系数是否显著。
在应用中，假设检验的步骤通常包括以下几个部分：明确研究问题、建立原假设和备择假设、选择适当的检验统计量、设定显著水平、计算检验统计量的观察值、根据观察值和临界值的比较结果进行决策、得出结论。
需要注意的是，假设检验的结果并不能确定假设是正确的或错误的，它只是根据样本数据提供了统计学上的证据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
假设检验参数估计是统计推断的一个方面，统计推断的另一方面就是假设检验。
这2种推断方法都是研究总体参数的情况，但假设检验是研究如何运用样本得到的统计量来检验事先对总体参数所做的假设是否正确，是否具有某种性质或数量特征。
本章在讨论假设检验基本问题的基础上，着重研究总体平均数和2个总体平均数之差的假设检验、总体比率和2个总体比率之差的假设检验以及总体方差的假设检验等。
第一节假设检验的基本问题一、什么是假设检验一个说明统计假设检验基本推论过程的例子：一名被告正在受到法庭的审判。
根据英国的法律，先假定被告是无罪的，于是，证明他有罪的责任就是原告律师的事情了。
用假设检验的术语表示，那就是要建立一个假设，记为H0：被告是无罪的。
H0称为原假设或零假设。
另一个可供选择的假设记作H1：被告是有罪的。
H1称为备择或替代假设。
法庭陪审团要审查各种证据，以确定原告律师是否证实了这些证据与无罪这一基本假设不一致。
如果陪审员们认为证据与不一致，他们就拒绝该假设而接受其备择假设H1，即认为被告有罪。
用统计术语来说，原假设H0是接受检验的假设。
备择假设H1是当原假设被否定时另一种可成立的假设。
原假设和备择假设相互对立，在任何情况下只能有一个成立。
如果接受H0就必须拒绝H1；拒绝H0就必须接受H1。
例：某公司要检验一批新进口的薄钢板是否符合平均厚度为5毫米的规定，那么就是假设这批货（总体）的平均厚度（µ）是5毫米。
然后从这批货中按随机抽样的方法抽取样本并计算样本的平均厚度，以此来检验所做假设的正确性。
本例中需要被检验、被证实的原假设可记为H0: µ=5mm，（即原假设为总体平均厚度等于5mm）。
其备择假设就是H1: µ 5mm，（即这批货平均厚度不等于5毫米）。
总体平均数的假设有3种情况：（1）H0: µ = µ0；H1: µ≠ µ0。
（2）H0: µ≥ µ0；H1: µ < µ0。
（3）H0: µ≤ µ0；H1: µ > µ0。
假设检验从对总体参数所做的一个假设开始，然后搜集样本数据，计算出样本统计量，进而运用这些数据测定假设的总体参数在多大程度上是可靠的，并做出承认还是拒绝该假设的判断。
二、假设检验中的小概率事件假设检验的基本思想？根据小概率的原理，可以做出是否接受原假设的决定。
小概率原理：指发生概率很小的随机事件在一次试验中几乎不可能发生的。
例如，有一个厂商声称，他的产品的合格品率很高，可以达到99%，那么从一批产品（譬如100件）中随机抽取一件，这一件恰恰相反好是次品的概率就非常小，只有1%。
如果厂商的宣传是真的，随机抽取一件是次品的情况就几乎是不可能发生的。
但如果这种情况确实发生了，就有理由怀疑原来的假设，即产品中只有1%的次品的假设是否成立，这时就有理由推翻原来的假设，可以做出厂商的宣传是假的这样一个推断。
依据小概率原理推断可能会犯错误！上例中100件产品中确实只有1件是次品，如恰好在一次抽取中被抽到了，犯错误的概率是1%，也就是说我们在冒1%的风险做出厂商宣传是假的这样一个推断。
三、第一类错误、第二类错误与显著水平假设检验依据样本提供的信息对总体进行判断时，可能犯的两种类型错误：以本章开始时引入的例子说明：培审团作决定时发生的情况，对原假设H 0（被告无罪）来说，存在4种可能情况：（1） H 0为真，即被告无罪，陪审团也确认他无罪，接受H 0。
陪审团做出了正确的决断！（2） H 0为真，即被告无罪，但陪审团确认他有罪，拒绝H 0，陪审团做出了错误的决断！（3） H 0不真，即被告有罪，陪审团也确认他有罪，拒绝H 0，陪审团做出了正确的决断！（4） H 0不真，即被告有罪，但陪审团确认他无罪，接受H 0，陪审团做出了正确的决断！在上述第（2）和第（4）种可能情况下，陪审团决断错误。
第一类错误（弃真错误）：原假设H 0本来为真，却错误地否定了。
上述第（2）种情况就属于弃真错误第二类错误（取伪错误）：原假设H 0非真，但做出接受H 0的选择。
上述第（4）种情况就属于取伪错误。
犯两错误的概率：在假设检验中，犯第一类错误的概率记为α，α也称为显著性水平。
犯Ⅱ类错误的概率记为β。
人们自然希望犯这两类错误的概率越小越好。
但对于一定的样本容量n ，两类错误有相可能带来的后果越严重，危害越大的哪一类错误，在假设检验中作为首要的控制目标！它是谁呢？你的 态度假设检验中，遵守首先控制犯α错误原则大家都在执行这样一个原则。
原因是：原假设是什么常常是明确的，而替换假设是什么常常是模糊的。
所以，人们常把我们最关心的问题作为原假设提出，将较严重的错误放到了α，这就能够在假设检验中对α错误实施有效控制。
1图（a）显示，如果原假设H0：μ=μ0为真，样本的统计结果落入阴影中的概率为α，若给予拒绝，犯弃真错误的概率为α；图（b）显示，如果原假设H0：μ=μ0为伪，因为µ1>µ0，若接受原假设，犯取伪的错误，其概率为β。
上图还表明，如果临界点沿水平方向右移，α将变小而β变大；如果向左移，α变大而β将变小，从图示上说明了在假设检验中α和β此消彼长的关系。
四、双侧检验和单侧检验对总体平均数的假设检验可分为2种类型，即双侧检验和单侧检验。
（一）双侧检验原假设是µ等于某一数值µ0，只要µ>µ0或µ<µ0二者中有一个成立,就否定原假设。
即：H0: µ = µ0 ，H1: µ≠ µ0。
双侧检验的目的：观察在规定的显著性水平下所抽取的样本统计量是否显著高于或低于假设的总体参数。
显著性水平α也就固定了接受区域和拒绝区域的分界线。
换句话说，标准正态曲线下2个尾部面积各占α/2，这样就有了2个拒绝区域。
如果样本统计量落在任一拒绝区域，就拒绝原假设。
例如，一个灯光厂需要生产平均使用寿命µ = 1000小时的灯泡，如果寿命比它短，企业就会丧失竞争能力；如果寿命比它长，灯丝就要加粗，企业要提高产品成本。
为了观察生产工艺过程是否正常，从一批产品中抽取150个进行检验，得到平均使用寿命980小时，能否断定这个厂生产的灯泡平均使用寿命为1000小时？为什么？这个例题里由于灯泡厂不希望在1000小时任何一边超越太多，于是可以假设：H0: µ = 1000 （平均使用寿命为1000）H0: µ≠ 1000 （平均使用寿命不是1000）我们在这里提出的原假设是µ=1000，所以只要µ>1000或µ<1000二者中有一个成立就可以否定原假设（平均使用寿命为1000）。
双侧检验的示意图如图9-2。
（二）单侧检验单侧检验：主要关心带方向性的检验问题。
分两种情况：一种是我们所考察的数值越大越好。
例如某机构购买灯泡的使用寿命，轮胎的行驶里程数，等等。
另一种是数值越小越好，例如废品率、生产成本等等。
单侧检验可分为左侧检验和右侧检验2种，它们都只有一个拒绝区域。
1. 左侧检验假设：H 0: µ ≥ µ0 ，H 1: µ < µ0，就使用左侧检验。
拒绝区域在临界值左端。
左侧检验的示意左侧检验适用于担心样本统计量会显著地低于假设的总体参数的情况。
例如，某政府机构从那家企业购买灯泡。
假定某机构购买的数量很大，该批货到达时，这个机构就抽取一个样本以便决定是否接受这批货。
只有当该机构觉得灯泡平均寿命在1000小时以下时，它才会拒绝这批货。
如果灯泡平均使用寿命在1000小时以上，该机构当然不会拒绝这批货。
因为灯泡寿命增加，不会给这个机构增加额外的费用。
因此，这个机构的假设是：H 0: µ ≥ 1000小时，H 1: µ< 1000小时。
只有当所抽取的灯泡的平均寿命低于1000小时很多时，它才会拒绝H 0。
2、右侧检验假设H 0: µ ≤ µ0 ， H 1: µ > µ0。
只要样本平均数显著超过假设的总体参数，就拒绝原假设H 0。
拒绝区域是在临界值的右侧。
右侧检验的示意图如图例如，某公司经理希望他的推销员注意旅费的限额，经理要求推销员每日平均费用保持在60元。
做出这个规定后的1个月之后，得到每日费用的1个样本。
经理利用这个样本来考虑费用是否在规定的限额之内。
在这个例题中，经理希望推销员的日平均费用在60元以内，于是可以假设：H 0: µ≤ 60 推销员的日平均费用在60元 H 1: µ > 60。
推销员的日平均费用超过60元当样本平均数显著地超过60元时，即将落在右端的拒绝区域时，才拒绝原假设。
五、假设检验的一般程序（1） 确定适应的原假设和备择假设。
根据研究问题的需要提出假设，包括原假设H 0和于其对立的备择假设H 1。
原假设必须包括等号在内，而备择假设则视问题的性质在≠ 、>、< 三者之中选其一。
（2）选择检验的统计量及其分布。
假设确立后，要决定接受还是拒绝，都是根据某一统计量的数值。
从概率意义上来判断的。
这个统计量服从什么样的分布，是由许多因素决定的，如统计量是样本平均数、样本比例或样本方差等，还要看是大样本还是小样本，是否知道总体方差等。
例如，在总体平均数的假设检验中，如果总体近似服从正态分布，而且总体方差已知，则可采用n x z /αμ-=这个检验统计量；如果方差未知，而且是小样本，则可采用n s x t /μ-=这个检验统计量。
（3）规定显著性水平α 。
假设检验是围绕对假定内容的审定而展开的。
如果原假设正确我们接受了，或原假设错误我们拒绝了，这表明我们做出了正确的决定。
但是，由于假设检验是根据样本提供的信息进行推断的，也就有犯错误的可能。
有这样一种情况，原假设正确，而且我们却把它当成错误的加以拒绝。
犯这种错误的概率用α表示，统计上把α称之为显著性水平，也是统计决策面临的风险。
α到底取多大合适取决于犯第I 错误和第II 类错误后产生的后果及人们所需付出的代价。
如果α值定得很小，就要冒接受一个不真实的原假设的较大β概率的风险；反之，如果α值定得很大，则要冒拒绝一个真实的原假设所带来的风险。
因此必须根据问题的性质选择一个合适的α 。
α常取0.05 或0.01。
（4）根据显著水平和统计量的抽样分布来确定统计量的临界值，从而确定拒绝域。
例如，在总体平均数量假设检验中，当α = 0.05时，若是双侧检验，查标准正态分布表，z 的2α的临界值为96.1±，大于1.96或小于-1.96就拒绝H 0；反之，就接受H 0。