單樣本 Z 檢定的檢定力與樣本數
在標準差已知(例如來自長期穩定的管制圖歷史)時,規劃對單一平均值的單樣本 Z 檢定。輸入樣本數、差值和檢定力中的任意兩項,以及已知標準差,工具即用閉式常態公式求解第三項,並輸出含實際檢定力的結果表和檢定力曲線。如果標準差需由樣本估計,請使用單樣本 t。
最後審閱
核心要點
單樣本 Z 的檢定力與樣本數用於在製程標準差已知時規劃單一平均值與目標值的檢定,可求解樣本數、檢定力或最小可檢測差值。
用途
單樣本 Z 的檢定力與樣本數用於在製程標準差已知(例如來自長期穩定的管制圖歷史)時,規劃單一平均值與目標值的檢定。它回答需要多少次量測才能檢出有意義的偏移、計畫的樣本能達到多大檢定力,或給定樣本能檢出的最小偏移。輸入樣本數、差值和檢定力中的任意兩項,工具即求解第三項。請在進行單樣本 Z 檢定之前使用;如果標準差需由樣本估計,請改用單樣本 t 的檢定力與樣本數。
主要功能
- 求解樣本數、檢定力或差值:將需要求解的一項留空。
- 可一次輸入多個值,例如樣本數「10 20 30」,每種組合各給出一列。
- 雙側(Mean ≠ hypothesized mean)或單側(Mean < hypothesized mean、Mean > hypothesized mean)對立假設,信賴水準可自選。
- 採用閉式常態計算,因此在標準差已知時結果是精確的。
- 針對每個差值繪製檢定力隨樣本數變化的檢定力曲線,並標出求解的點。
統計方法
檢定統計量為 Z = (x̄ − μ₀) / (σ/√n),σ 視為已知,因此整個計算都使用標準常態分配。顯著水準為 α = 1 − 信賴水準 / 100,標準化差值為 d = 差值 / σ(差值為真實平均值減去 μ₀),z 在雙側對立假設時為 z₁₋α/₂,單側時為 z₁₋α。
對於雙尾檢定,檢定力 = Φ(|d|·√n − z) + Φ(−|d|·√n − z);對於 Mean > hypothesized mean,檢定力 = Φ(d·√n − z),對於 Mean < hypothesized mean,檢定力 = Φ(−d·√n − z),因此當差值位於錯誤一側時,單尾檢定的檢定力接近 0。達到目標檢定力所需的樣本數為 n = ((z + z_β) / d)²,其中 z_β 為目標檢定力的常態分位數;n 向上取整,並將該整數對應的檢定力作為實際檢定力報告。給定 n 和檢定力時,最小可檢測差值為 σ·(z + z_β)/√n,對於「小於」對立假設則報告為負差值。
由於不估計 σ,在相同樣本數下,Z 計算得到的檢定力略高於 t 計算,小樣本時尤為明顯。僅當標準差確實已知且穩定時才使用它。對於單側對立假設,如果根據位於錯誤一側的差值求解樣本數,則會返回錯誤資訊。
輸入欄位和選項
欄位 | 說明 |
Sample sizes | 以空格或逗號分隔,例如「10 20 30」。留空則求解樣本數。 |
Differences | 以空格或逗號分隔,例如「1 2 3」。與假設平均值相比要檢出的差值。留空則求解差值。 |
Power values | 以空格或逗號分隔,例如「0.8 0.9」。留空則求解檢定力。 |
Known standard deviation | 必填。總體標準差,假定已知(不由樣本估計)。 |
Confidence level | 預設為 95(α = 0.05);範圍 75 至 100。 |
Alternative hypothesis | Mean ≠ hypothesized mean(預設)、Mean < hypothesized mean 或 Mean > hypothesized mean。 |
Power curve | 預設勾選:繪製檢定力隨樣本數變化的曲線。 |
Title | 顯示在輸出和檢定力曲線上的標題。 |

圖 1 — 求解檢定力:Sample sizes = 10 20 30,Differences = 1.5,Known standard deviation = 2.5,95% 信賴水準下雙側。
輸出說明
- Settings — 所求解的項、已知標準差、信賴水準和對立假設。
- Results — 每種組合一列:求解檢定力時為差值、樣本數和檢定力;求解樣本數時為目標檢定力和實際檢定力;求解差值時為差值。
- Power Curve — 針對每個差值繪製檢定力隨樣本數變化的曲線,並標出計算得到的點。
- 透過 Download 匯出 PDF。

圖 2 — 範例結果:偏移 1.5 g 時,10、20 和 30 包對應的檢定力分別為 0.475、0.765 和 0.908。
計算範例
一家食品包裝企業對 250 g 包裝的平均重量進行稽核。多年的穩定管制圖資料表明標準差為 2.5 g,因此將其視為已知。向任一方向偏移 1.5 g 都會造成影響,稽核團隊希望比較 10、20 和 30 包的樣本。他們輸入 Sample sizes = 10 20 30、Differences = 1.5 和 Known standard deviation = 2.5,將 Power values 留空,並保持 95% 信賴水準下的雙側對立假設。
10 包時檢定力為 0.475,20 包時為 0.765,30 包時為 0.908。10 包的稽核有一半以上的機率會漏掉真實的 1.5 g 偏移,因此團隊改用 30 包;以 Power values = 0.9 求解樣本數,確認 30 包是達到 90% 檢定力的最小樣本數。20 包、檢定力為 80% 時,可檢測的最小偏移為 1.57 g。如果標準差由每個樣本估計(即單樣本 t 計算),檢定力會更低:分別為 0.396、0.721 和 0.888。
常見問題
何時應使用單樣本 Z 檢定力計算而不是單樣本 t?
僅當製程標準差確實已知且穩定(例如來自多年的管制圖資料)時,才使用 Z 計算。如果標準差需由樣本估計,請使用單樣本 t 的檢定力與樣本數。由於不估計標準差,在相同樣本數下,Z 的檢定力略高於 t,小樣本時尤為明顯。
單樣本 Z 檢定的樣本數公式是什麼?
達到目標檢定力所需的樣本數為 n = ((z + z_beta) / d) 的平方,其中 d 為差值除以已知標準差,z 為所選對立假設對應的臨界值,z_beta 為目標檢定力的常態分位數。結果向上取整,並將該整數對應的檢定力作為實際檢定力報告。
如何求最小可檢測差值?
對於給定的樣本數和檢定力,最小可檢測差值等於標準差乘以 (z + z_beta) 再除以 n 的平方根。對於「小於」對立假設,則報告為負差值。在已知標準差為 2.5 g 的計算範例中,20 包、檢定力 80% 時可檢測 1.57 g 的偏移。
樣本數如何影響單樣本 Z 檢定的檢定力?
檢定力隨樣本數增大而提高。在已知標準差為 2.5 g、偏移 1.5 g、95% 信賴水準下雙側的計算範例中,10 包時檢定力為 0.475,20 包時為 0.765,30 包時為 0.908。如果改為估計標準差(如單樣本 t 計算),則檢定力更低,分別為 0.396、0.721 和 0.888。
