EssayAI
Блог
Блог
Математика и алгоритмы

Уровень значимости и критическая область

8 ноября 2026Время чтения: 8 минут
#уровень значимости#критическая область#проверка гипотез#статистический критерий#p-значение
Уровень значимости и критическая область

Уровень значимости α\alpha задаёт допустимую вероятность ошибочно отклонить нулевую гипотезу при выполнении предпосылок теста. Критическая область - это множество значений статистики, при попадании в которое нулевую гипотезу отклоняют. Связь между ними видна на распределении статистики при H0H_0: границы области выбирают так, чтобы вероятность попасть в неё при верной H0H_0 не превышала α\alpha.

Калькулятор показывает эту связь для двустороннего Z-критерия. Меняйте уровень и наблюдаемое значение: границы сдвигаются, а решение зависит от положения точки. Ниже разберём, откуда берутся границы и что именно означает вывод.

Зачем нужна критическая область

Пусть исследователь сравнивает среднее измерений с заданным значением μ0\mu_0. Даже при точном равенстве μ=μ0\mu=\mu_0 выборочное среднее обычно немного отличается от μ0\mu_0: состав выборки случаен. Поэтому сам факт отличия ещё не говорит, что исходное предположение следует отвергнуть.

Сначала формулируют нулевую и альтернативную гипотезы, затем выбирают статистику TT и изучают её распределение при H0H_0. Критическая область выделяет результаты, достаточно необычные при этой модели в направлении альтернативы. Правило принимают до просмотра результата: если TнаблT_{\text{набл}} попала в область, H0H_0 отклоняют; иначе оснований для отклонения недостаточно.

При изменении уровня значимости от 0,01 до 0,10 и обратно границы двух золотых областей приближаются к центру и снова удаляются от него.

На видео распределение при H0H_0 остаётся прежним. Меняется правило решения: чем больше разрешённая вероятность ложного отклонения, тем больше доля распределения, отведённая критической области. Отдельная наблюдаемая точка для этого объяснения не нужна.

Что означает уровень значимости

Ошибка I рода - отклонение верной нулевой гипотезы. Уровень α\alpha - заранее выбранная верхняя граница вероятности такой ошибки в повторениях процедуры при выполнении H0H_0 и остальных предпосылок модели. В простом непрерывном примере вероятность равна α\alpha точно; для некоторых дискретных тестов она может быть меньше. Для составной нулевой гипотезы контроль обычно формулируют для всех допустимых при ней значений параметра.

Так, при α=0,05\alpha=0{,}05 корректная процедура ошибочно отклоняет верную H0H_0 не более чем в 5 % повторений при тех же условиях. Это не вероятность того, что именно данная гипотеза истинна или ложна. Вероятность относится к случайности данных и правилу тестирования, а не к неизвестной истинности гипотезы после наблюдения. Порог выбирают с учётом последствий ошибки и плана исследования; значения 0,05 и 0,01 распространены, но не являются универсальными законами. NIST связывает выбор уровня с критическими значениями и p-значением.

Как найти критические значения

Критические значения - границы области отклонения. Их находят по распределению статистики при H0H_0, выбранному α\alpha и направлению альтернативы. Для иллюстрации возьмём Z∼N(0,1)Z\sim N(0,1) при H0H_0 и обозначим функцию распределения через Φ\Phi.

При правосторонней альтернативе критическая область находится справа: Z≥z1−αZ\geq z_{1-\alpha}, где zq=Φ−1(q)z_q=\Phi^{-1}(q). При левосторонней она расположена слева: Z≤zαZ\leq z_{\alpha}. При двусторонней альтернативе одинаково экстремальными считают отклонения в обе стороны и делят вероятность поровну:

Z≤−z1−α/2илиZ≥z1−α/2.Z\leq -z_{1-\alpha/2}\quad\text{или}\quad Z\geq z_{1-\alpha/2}.

При α=0,05\alpha=0{,}05 в каждом хвосте по 0,025, поэтому границы равны примерно −1,960-1{,}960 и 1,9601{,}960. Знак равенства на границе для непрерывного распределения не меняет вероятность: попадание в точку имеет вероятность ноль. Для дискретной статистики правило на границе необходимо оговорить явно.

Стандартная нормальная кривая с критическими границами минус 1,96 и плюс 1,96 и двумя хвостами по 0,025
Стандартная нормальная кривая с критическими границами минус 1,96 и плюс 1,96 и двумя хвостами по 0,025

Квантиль выбирают из распределения именно той статистики, которую использует тест. Например, при неизвестной дисперсии и соответствующих предпосылках вместо нормального закона может потребоваться распределение Стьюдента с числом степеней свободы; для других задач используются другие распределения. В статье о распределении Фишера показано, как читать критические значения с учётом степеней свободы.

Односторонняя или двусторонняя проверка

Направление критической области определяется альтернативой, а не желанием получить значимый результат. Если заранее интересует любое отличие μ≠μ0\mu\ne\mu_0, используют двустороннюю альтернативу: область состоит из двух хвостов. Если содержательно имеет значение только увеличение и уменьшение не считается подтверждением этой альтернативы, возможна проверка μ>μ0\mu>\mu_0 с правым хвостом. Аналогично для уменьшения используют левый хвост.

При одном и том же α=0,05\alpha=0{,}05 правый порог равен примерно 1,6451{,}645, а правый порог двусторонней проверки - 1,9601{,}960. Первый ниже, потому что вся вероятность ошибки выделена одному хвосту. Зато сильное отклонение в противоположную сторону не попадёт в правостороннюю область. Менять направление после знакомства с данными некорректно: заявленный контроль ошибки больше не описывает такую процедуру. Выбор альтернативы нужно обосновать до анализа.

Пример: проверяем среднее

Предположим, независимые наблюдения взяты из нормальной совокупности с известным стандартным отклонением σ=10\sigma=10. Проверяем H0:μ=100H_0:\mu=100 против H1:μ≠100H_1:\mu\ne100 при α=0,05\alpha=0{,}05. В учебной выборке объёмом n=25n=25 получено среднее xˉ=104,4\bar{x}=104{,}4. Эти числа условные, а не результаты исследования.

Стандартная ошибка равна σ/n=10/5=2\sigma/\sqrt n=10/5=2. Статистика и правило таковы:

Z=xˉ−μ0σ/n=104,4−1002=2,2,∣Z∣≥1,960.Z=\frac{\bar{x}-\mu_0}{\sigma/\sqrt n}=\frac{104{,}4-100}{2}=2{,}2,\qquad |Z|\geq1{,}960.

Значение 2,2 находится правее границы 1,960, поэтому оно попадает в критическую область. Нулевую гипотезу отклоняют на уровне 5 % в пользу двусторонней альтернативы. При уровне 1 % границы были бы примерно ±2,576\pm2{,}576: то же наблюдение уже не попало бы в область. Данные не изменились, изменилось заранее установленное правило.

В реальной задаче сначала проверяют уместность модели, независимость наблюдений и способ получения σ\sigma. Если подставить выборочное стандартное отклонение вместо известного без изменения распределения статистики, полученное правило может быть неверным. Само отклонение также не измеряет практическую важность эффекта: полезно отдельно сообщить величину разницы и её неопределённость.

Связь критической области с p-значением

Для принятого теста p-значение - вероятность при H0H_0 получить статистику не менее экстремальную, чем наблюдаемая, по правилу выбранной альтернативы. В нашем симметричном двустороннем примере:

p=2 [1−Φ(∣2,2∣)]≈0,0278.p=2\,[1-\Phi(|2{,}2|)]\approx0{,}0278.

Так как p<0,05p<0{,}05, результат совпадает с решением по критическим границам. При α=0,01\alpha=0{,}01 имеем p>0,01p>0{,}01, поэтому H0H_0 не отклоняют. В непрерывной модели при согласованном определении экстремальности сравнение pp с α\alpha и сравнение статистики с соответствующими границами дают одно решение. Это не означает, что pp - вероятность истинности H0H_0 или вероятность ошибки конкретного вывода. Подробное описание критических значений и p-значений приводит справочник NIST.

Как записать решение в задаче

Удобно оформить решение в пять шагов. Сначала запишите обе гипотезы с указанием направления альтернативы. Затем назовите статистику, её распределение при нулевой гипотезе и условия, при которых это распределение применимо. После этого укажите выбранный заранее уровень значимости и найдите по нему границу или границы. Только теперь подставьте данные, вычислите наблюдаемую статистику и сравните её с областью отклонения.

В заключении вернитесь к смыслу задачи: напишите, есть ли на выбранном уровне основания утверждать отличие, увеличение или уменьшение исследуемого параметра. Одной фразы «результат значим» недостаточно, если из неё неясно, какая гипотеза проверялась и в какую сторону. Если приводится p-значение, рядом стоит указать и саму оценку эффекта: одинаковое решение теста может соответствовать разным по величине изменениям.

Для дискретных данных достижимые вероятности хвостов идут отдельными ступенями. Например, при подсчёте числа успехов не всегда существует граница, дающая в точности заданные пять процентов. Тогда выбирают допустимую область с вероятностью не выше выбранного уровня; из-за этой ступенчатости она может оказаться консервативной. Важно использовать распределение, соответствующее конкретной задаче, а не автоматически брать непрерывную нормальную кривую из примера выше.

Ошибки и мощность

Уменьшение α\alpha сокращает вероятность ложного отклонения при H0H_0, но при фиксированных остальных условиях может уменьшить вероятность обнаружить реальное отличие: границы удаляются от центра, и часть результатов при альтернативе уже не попадает в критическую область. Эта вероятность обнаружения называется мощностью критерия; её значение зависит от конкретной альтернативы, объёма выборки и модели.

Неотклонение H0H_0 поэтому не доказывает равенство параметров: данных могло быть недостаточно для обнаружения небольшого отличия. Обратная задача - при заданном ограничении на ошибку выбрать наиболее мощное правило для конкретных гипотез - рассматривается в лемме Неймана - Пирсона.

Частые ошибки

  • Считать α\alpha вероятностью истинности H0H_0. Это характеристика процедуры при условии, что нулевая гипотеза верна.
  • Помещать все 5 % в каждый хвост двустороннего теста. Тогда суммарная вероятность составит 10 %, а не 5 %.
  • Выбирать хвост после расчёта статистики. Направление альтернативы задают до анализа.
  • Считать неотклонение доказательством H0H_0. Оно лишь означает, что по выбранному правилу данных недостаточно для отклонения.
  • Переносить порог 1,96 на любой критерий. Он относится к стандартному нормальному распределению и двустороннему уровню 5 %.

FAQ

Чем критическое значение отличается от критической области?
Значение задаёт границу, а область содержит все значения статистики, ведущие к отклонению H0H_0. У двустороннего Z-критерия обычно две границы и два хвоста.

Можно ли сравнивать p-значение сразу с α\alpha?
Да, если p-значение рассчитано для той же статистики и той же альтернативы. При принятом правиле p≤αp\leq\alpha гипотезу отклоняют; в дискретных задачах соглашение о границе особенно важно.

Почему при уменьшении α\alpha область сужается?
Ей выделяют меньшую вероятность при H0H_0, поэтому в стандартном двустороннем Z-тесте границы уходят дальше от нуля. При этом влияние на мощность зависит от альтернативы и остальных условий.

Коротко

Уровень значимости задаёт допустимую вероятность ошибки I рода, а критическая область превращает этот предел в правило решения. Её строят по распределению статистики при H0H_0 и заранее выбранной альтернативе. Для двустороннего стандартного Z-критерия при α=0,05\alpha=0{,}05 границы равны приблизительно ±1,96\pm1{,}96; результат вне области не доказывает истинность нулевой гипотезы.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Доверительная вероятность и уровень значимости

Доверительная вероятность и уровень значимости

Как связаны доверительная вероятность и уровень значимости: формула, смысл ошибок, пример доверительного интервала среднего и проверка двусторонней гипотезы.

8 ноября 20268 минут
Ошибки первого и второго рода при проверке гипотез

Ошибки первого и второго рода при проверке гипотез

Ошибки первого и второго рода в проверке гипотез: как различать ложную тревогу и пропуск эффекта, рассчитать вероятность ошибки и повысить мощность критерия.

8 ноября 20268 минут
Точный критерий Фишера: таблица сопряжённости

Точный критерий Фишера: таблица сопряжённости

Как применять точный критерий Фишера к таблице сопряжённости 2×2: условное распределение, одностороннее и двустороннее p, пример расчёта и интерпретация.

8 ноября 20268 минут
Критерий Шапиро-Уилка: проверка нормальности

Критерий Шапиро-Уилка: проверка нормальности

Как работает критерий Шапиро-Уилка, что означают статистика W и p-значение, как проверить выборку и правильно сформулировать вывод на числовом примере.

8 ноября 20268 минут
Критерий знаков непараметрический: расчёт и пример

Критерий знаков непараметрический: расчёт и пример

Непараметрический критерий знаков: как проверить медиану или изменения в парных данных, исключить нули и рассчитать точное двустороннее p-значение на примере.

8 ноября 20268 минут
Проверка гипотезы о среднем нормального распределения

Проверка гипотезы о среднем нормального распределения

Как проверить гипотезу о среднем нормального распределения: выбор Z- или t-критерия, формулы, пример расчёта, критические области и интерпретация результата.

8 ноября 20268 минут