单比例 Z 检验计算器

单比例 Z 检验计算器

增长中 AI Skill PRO

输入计算

结果

检验统计量(z)
-1
标准正态 z 分数
样本比例(p̂) 0.45
标准误 0.05
P 值 0.317311

数学公式

p值=2[1−Φ(|z|)]p\text{值} = 2\left[1 - \Phi\big(|z|\big)\right]
显示计算步骤 (1)
  1. 单比例 Z 统计量

    z=p^−p0p0(1−p0)n其中{p^=成功次数 (x)样本量 (n)p0=假设 (p0)n=样本量 (n)\begin{gathered} z = \frac{\hat{p} - p_0}{\sqrt{\dfrac{p_0(1-p_0)}{n}}} \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} \hat{p} &= \frac{{{\text{成功次数 }(x)}}}{{{\text{样本量 }(n)}}} \\ p_0 &= {{\text{假设 }(p_0)}} \\ n &= {{\text{样本量 }(n)}} \end{aligned} \right. \end{gathered}

    p̂ = x / n 为样本比例;p₀ 为假设比例;标准误 = √(p₀(1−p₀)/n)

使用统计

广告

报告本页错误

什么是单比例 Z 检验?

单比例 Z 检验用于判断样本比例(\(\hat{p}\))与某个已知或假设的总体比例(\(p_0\))之间是否存在显著差异。无论是在问卷调查、质量管控、A/B 测试,还是医学研究中,只要你统计的是"是/否"这类二分类结果,并想验证观测到的比率与某个声称的比率是否一致,都可以用到它。

两根柱状条显示观测样本比例与假设比例的对比
该检验衡量观测比例 \(\hat{p}\) 与假设值 \(p_0\) 之间的差距。

如何使用本计算器

填入成功次数(\(x\))、样本总量(\(n\)),以及介于 0 到 1 之间的假设比例(\(p_0\))。再选择备择假设的类型——双侧、左侧或右侧。计算器会给出样本比例、标准误、z 检验统计量以及对应的 p 值。将 p 值与你设定的显著性水平(常用 0.05)做对比:若 p 值更小,则拒绝原假设。

公式详解

标准误是在原假设成立的前提下计算的,公式为 \(\sqrt{\dfrac{p_0(1-p_0)}{n}}\)。z 统计量衡量的是样本比例与 \(p_0\) 之间相差了多少个标准误:

$$z = \frac{\hat{p} - p_0}{\sqrt{\dfrac{p_0(1-p_0)}{n}}}$$

p 值则取自标准正态分布。该检验假设抽样分布近似服从正态分布——当 \(n \cdot p_0 \geq 10\) 且 \(n \cdot (1-p_0) \geq 10\) 时,这一条件通常成立。

广告
带有 z 统计量线和表示 p 值阴影尾部区域的正态曲线
z 统计量将样本结果定位在标准正态曲线上,阴影尾部即为 p 值。

实例演示

假设 100 人中有 45 人偏好某款新产品,你想以 \(p_0 = 0.5\) 为基准进行检验。那么 \(\hat{p} = 0.45\),

$$SE = \sqrt{\frac{0.5 \cdot 0.5}{100}} = 0.05$$$$z = \frac{0.45 - 0.5}{0.05} = -1.0$$

双侧 p 值约为 0.317,因此与 50% 相比并无显著差异。

常见问题

什么时候用 z 检验而不是 t 检验?对于样本量足够大的比例检验,z 检验是标准做法;而 t 检验适用于方差未知时对均值的检验。

样本量多大才算足够?常用的经验法则是预期成功次数和预期失败次数都至少达到 10(即 \(n \cdot p_0 \geq 10\) 且 \(n \cdot (1-p_0) \geq 10\))。

p 值很小说明什么?它表明:如果真实比例确实等于 \(p_0\),那么观测到当前这一比例的可能性极低,这为拒绝原假设提供了证据。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器