单样本t检验计算器：公式、步骤与例题详解
当总体标准差未知时，单样本t检验计算器会用样本标准差和t分布，把单个样本的均值与某个声称的总体值进行比较。学生在判断一种新学习方法是否真的改变了平均分数、一批零件是否符合目标规格，或者样本均值是否与历史基准足够接近而可视为没有变化时，都会用到单样本t检验计算器。本指南从零开始搭建单样本t检验计算器所用的公式——t统计量、自由度、单尾与双尾判断，以及与之相连的置信区间——并配有完整例题，让你可以手算核对每一个数字。
目录
单样本t检验计算器到底在计算什么？
单样本t检验计算器接收样本均值、声称的总体均值、样本标准差和样本量，然后返回t统计量、自由度以及一个用来与显著性水平比较的p值。它回答的是一个非常具体的问题：你的样本均值与声称值之间的差距，是否大于仅凭随机抽样所能预期的程度，还是小到可以用偶然性来解释？该检验建立在两个相互对立的陈述之上：原假设 H0（声称的均值是正确的）与备择假设 Ha（真实均值有所不同）。单样本t检验计算器永远无法证明 H0 为真——它只能衡量样本是否提供了足够强的证据来拒绝 H0。
单样本t检验计算器永远无法证明声称的均值是正确的，它只能判断样本是否提供了足够强的证据来拒绝这一声称。
这里为什么要用t检验而不是z检验？
单样本t检验和单样本z检验回答的是同一个问题，但它们只在一个假设上有所不同：你是否知道总体标准差。
1. 只知道样本标准差（s）时使用t检验
这是几乎每一道作业题和真实研究都会遇到的现实情形，因为真实的总体标准差很少能事先获得。单样本t检验计算器会用从你自己的样本算出的标准差 s 来代替未知的 σ。
2. t分布考虑了额外的不确定性
由于 s 本身是由样本估计出来的，它比已知的 σ 带有更多抽样误差。t分布比正态分布更宽、更平坦，在小样本时尤其明显，这使得达到统计显著性更加困难——相当于为那份额外不确定性内置了一项惩罚。随着样本量增大（大致 n ≥ 30），t分布会向正态分布收敛。
3. 为什么手算步骤依然重要
单样本t检验计算器能立刻给出最终的t统计量和p值，但作业和考试几乎总是要求写出假设、公式代入过程，以及与临界值或p值的比较。走完下面这些步骤，才能建立起你日后学习双样本t检验、方差分析和回归分析所需的直觉。
单样本t检验公式是什么？
单样本t检验公式把你的样本数据转换成一个标准化分数，再把这个分数与t分布给出的阈值进行比较。
1. t统计量公式
t = (x̄ − μ₀) ÷ (s ÷ √n)，其中 x̄ 是样本均值，μ₀ 是声称的（假设的）总体均值，s 是样本标准差，n 是样本量。分母 s ÷ √n 是均值的标准误——它衡量样本均值通常会因偶然因素而偏离真实总体均值多少。
2. 自由度
df = n − 1。自由度之所以减少1，是因为样本标准差 s 的计算用到了样本均值本身，从而消耗掉一个单位的独立信息。你需要 df 才能在t分布表中查到正确的临界t值或p值。
3. 解读结果
|t| 越大，说明样本均值离声称值越远，其距离以标准误为单位度量。t统计量接近0，说明相对于数据本身的自然波动，样本均值离 μ₀ 很近，这指向未能拒绝 H0。
t = (x̄ − μ₀) ÷ (s ÷ √n)，自由度为 df = n − 1。
如何一步步完成双尾单样本t检验？
下面是一个完整例题，用来检验样本均值在任一方向上是否与声称值存在差异。
1. 提出假设并收集数据
某维生素生产商声称其胶囊平均含有 500 mg 的有效成分。一位质检分析员抽取了 n = 20 粒胶囊，得到样本均值 x̄ = 494 mg，样本标准差 s = 15 mg。H0: μ = 500（平均含量与声称一致）。Ha: μ ≠ 500（平均含量与声称不同）。这是双尾检验，因为任一方向的偏离——有效成分过少或过多——都很重要。在 α = 0.05 水平上检验。
2. 计算t统计量
t = (x̄ − μ0) ÷ (s ÷ √n) = (494 − 500) ÷ (15 ÷ √20) = −6 ÷ (15 ÷ 4.472) = −6 ÷ 3.354 ≈ −1.789。
3. 求自由度和临界值
df = n − 1 = 20 − 1 = 19。在 df = 19、α = 0.05 的双尾检验中，临界t值约为 ±2.093。t ≈ −1.789 在 df = 19 时对应的双尾p值大约为 0.090。
4. 做出判断并解释
由于 |t| ≈ 1.789 没有超过临界值 2.093（等价地，p ≈ 0.090 大于 α = 0.05），因此未能拒绝 H0。在 5% 的显著性水平下，样本没有提供足够强的证据表明真实平均有效成分含量不同于 500 mg——即便样本均值 494 mg 略低于声称值。核对一下：如果标准差更小（比如 s = 8 而不是 15），同样 6 mg 的差距会得到更大的 |t|，甚至可能改变结论，这正说明数据的离散程度与差距本身同样重要。
t = (494 − 500) ÷ (15 ÷ √20) ≈ −1.789，df = 19——其绝对值低于临界值 2.093，所以我们未能拒绝 H0。
单尾t检验与双尾t检验有什么区别？
备择假设的方向决定了你要做单尾还是双尾检验，两者搞混会同时改变临界值和结论。
1. 单尾检验只检查一个特定方向
Ha: μ > μ0（右尾）或 Ha: μ < μ0（左尾）会把整个拒绝域放在t分布的一侧尾部，这让你更容易检测到预期方向上的效应，但无论相反方向的效应多么极端，都无法被检测出来。
2. 例题：右尾t检验
某辅导中心声称其课程平均能把考试成绩提高 5 分以上。一个 n = 12 名学生的样本显示平均提高 x̄ = 6.2 分，s = 1.8 分。H0: μ = 5。Ha: μ > 5（右尾，因为声称明确是“超过”）。t = (6.2 − 5) ÷ (1.8 ÷ √12) = 1.2 ÷ 0.5196 ≈ 2.309。df = 11，在 α = 0.05 下右尾临界t值约为 1.796。由于 t ≈ 2.309 超过 1.796（p ≈ 0.021 < 0.05），拒绝 H0——样本支持平均提高超过 5 分这一声称。
3. 让尾部方向与声称的措辞相匹配
“大于”或“超过”提示右尾检验；“小于”提示左尾检验；“不同于”或“不等于”提示双尾检验。对单尾声称使用双尾临界值（或反过来），可能把“拒绝”变成“未能拒绝”，或者相反。
双尾检验把 α 分摊到两侧尾部；单尾检验把全部 α 放在一侧尾部，从而降低了在预期方向上拒绝 H0 所需的临界t值。
置信区间与单样本t检验有什么联系？
基于t分布的置信区间与双尾单样本t检验是同一套计算的两种视角——如果声称值落在区间之外，那么在相应显著性水平下的双尾检验就会拒绝 H0。
1. 置信区间公式
CI = x̄ ± t* × (s ÷ √n)，其中 t* 是对应置信水平和 df = n − 1 的临界t值。以上面的维生素胶囊例题为例（x̄ = 494，s = 15，n = 20，df = 19，95% 置信度下 t* ≈ 2.093）：CI = 494 ± 2.093 × (15 ÷ √20) = 494 ± 2.093 × 3.354 = 494 ± 7.02，得到的区间约为 (486.98, 501.02)。
2. 对照声称值解读区间
由于 500 mg 落在区间 (486.98, 501.02) 之内，95% 置信区间与前面例题中双尾检验“未能拒绝”的结论一致——数据与声称的均值 500 mg 相符。如果声称值落在区间之外，相应的双尾检验就会拒绝 H0。
3. 这在实践中为什么重要
置信区间给出的是真实均值的一个合理取值范围，而不仅仅是“拒绝/未能拒绝”的判决，这在汇报结果时往往更有用——它用一句话同时呈现了估计值及其精度。
如果置信区间 x̄ ± t* × (s ÷ √n) 不包含声称值 μ0，那么同一显著性水平下的双尾检验就会拒绝 H0。
单样本t检验需要满足哪些假设？
只有在基本假设大致成立时，单样本t检验计算器给出的答案才有效——花一分钟检查这些假设，就能避免得出误导性的结论。
1. 数据应当是随机、独立的样本
每个观测值都应从目标总体中独立抽取，不存在可能使均值产生偏差的系统性模式（例如只在某一个地点或某一段时间内抽样）。
2. 总体应近似正态，或样本量应足够大
对于小样本（大致 n < 30），基础总体应近似服从正态分布，t检验才可靠。对于较大样本，中心极限定理意味着即便总体不是正态的，均值的抽样分布也近似正态，因此t检验依然有效。
3. 数据应当在连续尺度上测量
单样本t检验是为均值有意义的数值型连续数据（重量、分数、时间）而设计的——它不适用于分类数据或有序数据，后者需要卡方拟合度检验等其他检验方法。
使用单样本t检验计算器时应避免哪些错误？
无论计算是手算完成，还是事后用单样本t检验计算器核对，这些错误都会在评分的统计学作业中不断出现。
1. 自由度用 n 而不是 n − 1
忘记减1会让你读错t分布表的行，从而改变临界值，并可能颠覆一个处于边界的判断。
2. 选错尾部方向
要让 Ha 与声称的确切措辞相匹配：“超过”表示右尾，“少于”表示左尾，“不同于”表示双尾。选错尾部就会用错临界值。
3. 把标准差和标准误混为一谈
公式是先把 s 除以 √n，再与差距 x̄ − μ0 作比较——直接代入 s 而不是 s ÷ √n，会得到一个绝对值远小于实际的t统计量。
4. 把“未能拒绝”当成“证明了声称为真”
未能拒绝 H0 只说明样本没有提供足够的反对证据——它绝不能证明该声称是正确的。换一个样本，或者更大的样本，仍可能对同一总体得出拒绝 H0 的结论。
单样本t检验练习题与解答
按从易到难的顺序做完这三道题。先自己尝试，再看解答，然后把你的解题设置与所示步骤逐一核对。
1. 题目1（入门）：双尾t检验
某面包店声称其面包平均重 450 g。一个 n = 16 条面包的样本得到 x̄ = 445 g，s = 12 g。在 α = 0.05 下检验真实均值是否不同于 450 g。解答：t = (445 − 450) ÷ (12 ÷ √16) = −5 ÷ 3 ≈ −1.667。df = 15，α = 0.05 下的双尾临界值为 ±2.131。由于 |t| ≈ 1.667 < 2.131，未能拒绝 H0——样本没有提供有力证据表明真实均值不同于 450 g。
2. 题目2（进阶）：单尾t检验
某电池厂商声称其电池平均续航超过 40 小时。一个 n = 25 块电池的样本得到 x̄ = 41.8 小时，s = 4.5 小时。在 α = 0.05 下做右尾检验。解答：t = (41.8 − 40) ÷ (4.5 ÷ √25) = 1.8 ÷ 0.9 = 2.0。df = 24，α = 0.05 下的右尾临界值约为 1.711。由于 t = 2.0 > 1.711，拒绝 H0——样本支持平均电池续航超过 40 小时这一声称，p ≈ 0.028。
3. 题目3（挑战）：更严格 α 下的双尾t检验
某药品声称一片药含有 250 mg 有效成分。一个 n = 9 片药的样本得到 x̄ = 246 mg，s = 5 mg。在 α = 0.01 下检验真实均值是否不同于 250 mg。解答：t = (246 − 250) ÷ (5 ÷ √9) = −4 ÷ 1.667 ≈ −2.4。df = 8，α = 0.01 下的双尾临界值约为 ±3.355。由于 |t| ≈ 2.4 小于 3.355（p ≈ 0.043，高于 0.01），未能拒绝 H0——在 1% 水平上，这个样本没有提供足够强的证据表明真实均值不同于 250 mg，尽管在 α = 0.05 下它本来会被拒绝。
关于单样本t检验计算器，学生还常问什么？
以下是在单样本t检验作业和考试复习中出现频率最高的问题。
1. 什么时候该用单样本t检验计算器而不是z检验计算器？
只要总体标准差未知、你手上只有样本标准差，就使用单样本t检验计算器——几乎每一项真实研究都属于这种情况。只有当题目明确给出已知且确定的总体 σ 时，才使用z检验。
2. t统计量取多少算“好”？
并不存在通用的“好”值——关键在于把 |t| 与对应自由度和显著性水平下的临界值比较，或者直接把p值与 α 比较。|t| 越大，只是意味着样本均值以标准误为单位离声称值更远。
3. 单样本t检验计算器能处理配对数据吗？
可以，但是间接的——配对t检验（比较同一批受试者的前后测量值）实质上就是对每一对的差值做单样本t检验，检验平均差值是否等于零。
4. 样本量如何影响单样本t检验？
n 越大，标准误（s ÷ √n）越小，在 x̄ 与 μ0 差距相同的情况下t统计量就越大，检验发现真实差异的功效也随之提高。样本量增大还会提高自由度，使临界t值略微降低，并让t分布更接近正态分布。
获取更多单样本t检验作业帮助
一旦你能熟练地写出 H0 和 Ha、逐项计算t统计量，并在正确的自由度下把它与临界值或p值比较，单样本t检验题目就会从“神秘公式”变成“认真设置”的问题。多练习混合了单尾和双尾声称的题目，因为考试常常要求你仅凭措辞就判断该用哪一种。如果你在某道题的设置上卡住，或者想复核手算结果，Solvify 的分步解题工具可以按本指南展示的同一套公式走一遍——t统计量、自由度以及最终判断——让你清楚看到自己的设置在哪一步偏离了正确做法。
在动手使用单样本t检验计算器之前，先写下 H0、Ha 以及检验是单尾还是双尾——这一个决定同时决定了你的临界值和你的结论。
相关文章
相关数学解题工具
分步解题
把单样本t检验的每一步都清楚呈现出来——t统计量、自由度以及最终判断。
智能扫描解题
拍下t检验题目的照片，立即获得完整的解题过程。
AI 数学辅导
针对t统计量、自由度或p值持续追问，直到彻底弄懂为止。