單一樣本t檢定計算機：公式、步驟與範例詳解
當母體標準差未知時，單一樣本t檢定計算機會改用樣本標準差與t分配，把單一樣本的平均數拿來與某個宣稱的母體值比較。學生在判斷新的讀書方法是否真的改變了平均分數、一批零件是否符合目標規格，或樣本平均數是否與歷史基準夠接近而可視為沒有變化時，都會用到單一樣本t檢定計算機。本指南從頭建立單一樣本t檢定計算機所用的公式——t統計量、自由度、單尾與雙尾判斷，以及與之相連的信賴區間——並附上完整範例，讓你能親手核對每一個數字。
目錄
單一樣本t檢定計算機究竟在算什麼？
單一樣本t檢定計算機會接收樣本平均數、宣稱的母體平均數、樣本標準差與樣本數，然後回傳t統計量、自由度，以及一個用來與顯著水準比較的p值。它回答的是一個非常具體的問題：你的樣本平均數與宣稱值之間的差距，是否大於單靠隨機抽樣所能預期的程度，還是小到可以用巧合來解釋？這項檢定建立在兩個彼此對立的陳述上：虛無假設 H0（宣稱的平均數是正確的）與對立假設 Ha（真實平均數有所不同）。單一樣本t檢定計算機永遠無法證明 H0 為真——它只能衡量樣本是否提供了夠強的證據來拒絕 H0。
單一樣本t檢定計算機永遠無法證明宣稱的平均數是正確的，它只能判斷樣本是否提供了夠強的證據來拒絕這項宣稱。
這裡為什麼要用t檢定而不是z檢定？
單一樣本t檢定與單一樣本z檢定回答的是同一個問題，但兩者只在一個假設上有差別：你是否知道母體標準差。
1. 只知道樣本標準差（s）時使用t檢定
這是幾乎每一道作業題與真實研究都會遇到的現實情況，因為真正的母體標準差很少能事先取得。單一樣本t檢定計算機會用從你自己樣本算出的標準差 s，來取代未知的 σ。
2. t分配納入了額外的不確定性
由於 s 本身是由樣本估計而來，它比已知的 σ 帶有更多抽樣誤差。t分配比常態分配更寬也更平坦，在小樣本時尤其明顯，這使得要達到統計顯著更加困難——等於為那份額外的不確定性內建了一項懲罰。隨著樣本數增加（大約 n ≥ 30），t分配會逐漸收斂到常態分配。
3. 為什麼手算步驟依然重要
單一樣本t檢定計算機能立刻給出最終的t統計量與p值，但作業與考試幾乎都要求寫出假設、公式代入過程，以及與臨界值或p值的比較。走完下面這些步驟，才能培養出你日後學習雙樣本t檢定、變異數分析與迴歸分析所需的直覺。
單一樣本t檢定公式是什麼？
單一樣本t檢定公式會把你的樣本資料轉換成單一個標準化分數，再拿這個分數與t分配給出的門檻比較。
1. t統計量公式
t = (x̄ − μ₀) ÷ (s ÷ √n)，其中 x̄ 是樣本平均數，μ₀ 是宣稱的（假設的）母體平均數，s 是樣本標準差，n 是樣本數。分母 s ÷ √n 就是平均數的標準誤——它衡量樣本平均數通常會因偶然因素而偏離真實母體平均數多少。
2. 自由度
df = n − 1。自由度之所以少1，是因為樣本標準差 s 的計算用到了樣本平均數本身，因而消耗掉一個單位的獨立資訊。你需要 df 才能在t分配表中查到正確的臨界t值或p值。
3. 解讀結果
|t| 越大，代表樣本平均數離宣稱值越遠，這段距離是以標準誤為單位測量的。t統計量接近0，代表相對於資料本身的自然變異，樣本平均數離 μ₀ 很近，這指向無法拒絕 H0。
t = (x̄ − μ₀) ÷ (s ÷ √n)，自由度為 df = n − 1。
如何一步步完成雙尾單一樣本t檢定？
以下是一個完整範例，用來檢定樣本平均數在任一方向上是否與宣稱值有差異。
1. 提出假設並蒐集資料
某維他命製造商宣稱其膠囊平均含有 500 mg 的有效成分。一位品管分析師抽取 n = 20 顆膠囊，得到樣本平均數 x̄ = 494 mg，樣本標準差 s = 15 mg。H0: μ = 500（平均含量與宣稱一致）。Ha: μ ≠ 500（平均含量與宣稱不同）。這是雙尾檢定，因為任一方向的偏離——有效成分太少或太多——都很重要。在 α = 0.05 下進行檢定。
2. 計算t統計量
t = (x̄ − μ0) ÷ (s ÷ √n) = (494 − 500) ÷ (15 ÷ √20) = −6 ÷ (15 ÷ 4.472) = −6 ÷ 3.354 ≈ −1.789。
3. 求自由度與臨界值
df = n − 1 = 20 − 1 = 19。在 df = 19、α = 0.05 的雙尾檢定中，臨界t值約為 ±2.093。t ≈ −1.789 在 df = 19 時對應的雙尾p值大約是 0.090。
4. 做出判斷並解釋
由於 |t| ≈ 1.789 並未超過臨界值 2.093（等價地說，p ≈ 0.090 大於 α = 0.05），因此無法拒絕 H0。在 5% 的顯著水準下，樣本並未提供夠強的證據顯示真實平均有效成分含量不同於 500 mg——即使樣本平均數 494 mg 略低於宣稱值。核對一下：若標準差更小（例如 s = 8 而非 15），同樣 6 mg 的差距會算出更大的 |t|，甚至可能翻轉結論，這正說明資料的離散程度與差距本身同樣重要。
t = (494 − 500) ÷ (15 ÷ √20) ≈ −1.789，df = 19——其絕對值低於臨界值 2.093，所以我們無法拒絕 H0。
單尾t檢定與雙尾t檢定有什麼不同？
對立假設的方向決定了你要做單尾還是雙尾檢定，兩者用錯會同時改變臨界值與結論。
1. 單尾檢定只檢查一個特定方向
Ha: μ > μ0（右尾）或 Ha: μ < μ0（左尾）會把整個拒絕域放在t分配的一側尾端，這讓你更容易偵測到預期方向上的效果，但不論相反方向的效果多麼極端，都偵測不到。
2. 範例：右尾t檢定
某補習班宣稱其課程平均能讓考試成績提高超過 5 分。一個 n = 12 名學生的樣本顯示平均進步 x̄ = 6.2 分，s = 1.8 分。H0: μ = 5。Ha: μ > 5（右尾，因為宣稱明確是「超過」）。t = (6.2 − 5) ÷ (1.8 ÷ √12) = 1.2 ÷ 0.5196 ≈ 2.309。df = 11，在 α = 0.05 下右尾臨界t值約為 1.796。由於 t ≈ 2.309 超過 1.796（p ≈ 0.021 < 0.05），拒絕 H0——樣本支持平均進步超過 5 分這項宣稱。
3. 讓尾端方向符合宣稱的用詞
「大於」或「超過」代表右尾檢定；「少於」代表左尾檢定；「不同於」或「不等於」代表雙尾檢定。對單尾的宣稱用了雙尾臨界值（或反過來），可能把「拒絕」變成「無法拒絕」，或是相反。
雙尾檢定把 α 分攤到兩側尾端；單尾檢定把全部 α 放在單側尾端，因而降低了在預期方向上拒絕 H0 所需的臨界t值。
信賴區間與單一樣本t檢定有什麼關聯？
以t分配為基礎的信賴區間與雙尾單一樣本t檢定，是同一套計算的兩種視角——如果宣稱值落在區間之外，對應顯著水準下的雙尾檢定就會拒絕 H0。
1. 信賴區間公式
CI = x̄ ± t* × (s ÷ √n)，其中 t* 是對應所需信賴水準與 df = n − 1 的臨界t值。以上面的維他命膠囊範例為例（x̄ = 494，s = 15，n = 20，df = 19，95% 信賴水準下 t* ≈ 2.093）：CI = 494 ± 2.093 × (15 ÷ √20) = 494 ± 2.093 × 3.354 = 494 ± 7.02，得到的區間大約是 (486.98, 501.02)。
2. 對照宣稱值解讀區間
由於 500 mg 落在區間 (486.98, 501.02) 之內，95% 信賴區間與前面範例中雙尾檢定「無法拒絕」的結論一致——資料與宣稱的平均數 500 mg 相符。若宣稱值落在區間之外，對應的雙尾檢定就會拒絕 H0。
3. 這在實務上為什麼重要
信賴區間給出的是真實平均數的一段合理取值範圍，而不只是「拒絕／無法拒絕」的判定，這在報告結果時往往更有用——它用一句話同時呈現了估計值與其精確度。
如果信賴區間 x̄ ± t* × (s ÷ √n) 不包含宣稱值 μ0，那麼相同顯著水準下的雙尾檢定就會拒絕 H0。
單一樣本t檢定需要哪些假設？
唯有基本假設大致成立時，單一樣本t檢定計算機給出的答案才有效——花一分鐘檢查這些假設，就能避免得出誤導性的結論。
1. 資料應該是隨機且獨立的樣本
每個觀測值都應從目標母體中獨立抽取，不存在可能讓平均數產生偏誤的系統性模式（例如只在單一地點或單一時間區間抽樣）。
2. 母體應近似常態，或樣本數要夠大
對於小樣本（大約 n < 30），底層母體應近似服從常態分配，t檢定才可靠。對於較大的樣本，中央極限定理意味著即使母體並非常態，平均數的抽樣分配也會近似常態，因此t檢定依然有效。
3. 資料應以連續尺度測量
單一樣本t檢定是為平均數具有意義的數值型連續資料（重量、分數、時間）而設計的——它不適用於類別或順序資料，那類資料需要卡方適合度檢定之類的其他方法。
使用單一樣本t檢定計算機時該避免哪些錯誤？
不論計算是親手完成，還是事後用單一樣本t檢定計算機核對，這些錯誤都會在評分的統計學作業中不斷出現。
1. 自由度用 n 而不是 n − 1
忘了減1會讓你讀錯t分配表的那一列，因而改變臨界值，並可能翻轉一個處於邊界的判斷。
2. 選錯尾端方向
要讓 Ha 符合宣稱的確切用詞：「超過」代表右尾，「少於」代表左尾，「不同於」代表雙尾。選錯尾端就會用到錯誤的臨界值。
3. 把標準差和標準誤搞混
公式是先把 s 除以 √n，再與差距 x̄ − μ0 比較——直接代入 s 而不是 s ÷ √n，會算出一個絕對值遠小於實際的t統計量。
4. 把「無法拒絕」當成「證明了宣稱為真」
無法拒絕 H0 只代表樣本沒有提供足夠的反面證據——它絕不能證明該宣稱是正確的。換一個樣本，或更大的樣本，對同一個母體仍可能導向拒絕 H0。
單一樣本t檢定練習題與解答
依照由易到難的順序做完這三題。先自己試做再看解答，然後把你的解題設定與所示步驟逐一核對。
1. 題目1（入門）：雙尾t檢定
某麵包店宣稱其麵包平均重 450 g。一個 n = 16 條麵包的樣本得到 x̄ = 445 g，s = 12 g。在 α = 0.05 下檢定真實平均數是否不同於 450 g。解答：t = (445 − 450) ÷ (12 ÷ √16) = −5 ÷ 3 ≈ −1.667。df = 15，α = 0.05 下的雙尾臨界值為 ±2.131。由於 |t| ≈ 1.667 < 2.131，無法拒絕 H0——樣本並未提供有力證據顯示真實平均數不同於 450 g。
2. 題目2（進階）：單尾t檢定
某電池製造商宣稱其電池平均可使用超過 40 小時。一個 n = 25 顆電池的樣本得到 x̄ = 41.8 小時，s = 4.5 小時。在 α = 0.05 下做右尾檢定。解答：t = (41.8 − 40) ÷ (4.5 ÷ √25) = 1.8 ÷ 0.9 = 2.0。df = 24，α = 0.05 下的右尾臨界值約為 1.711。由於 t = 2.0 > 1.711，拒絕 H0——樣本支持電池平均壽命超過 40 小時這項宣稱，p ≈ 0.028。
3. 題目3（挑戰）：更嚴格 α 下的雙尾t檢定
某藥品宣稱一錠含有 250 mg 有效成分。一個 n = 9 錠的樣本得到 x̄ = 246 mg，s = 5 mg。在 α = 0.01 下檢定真實平均數是否不同於 250 mg。解答：t = (246 − 250) ÷ (5 ÷ √9) = −4 ÷ 1.667 ≈ −2.4。df = 8，α = 0.01 下的雙尾臨界值約為 ±3.355。由於 |t| ≈ 2.4 小於 3.355（p ≈ 0.043，高於 0.01），無法拒絕 H0——在 1% 的水準下，這個樣本並未提供夠強的證據顯示真實平均數不同於 250 mg，儘管在 α = 0.05 下它原本會被拒絕。
關於單一樣本t檢定計算機，學生還常問什麼？
以下是在單一樣本t檢定作業與考前複習中最常出現的問題。
1. 什麼時候該用單一樣本t檢定計算機而不是z檢定計算機？
只要母體標準差未知、你手上只有樣本標準差，就使用單一樣本t檢定計算機——幾乎每一項真實研究都屬於這種情況。唯有題目明確給出已知且確定的母體 σ 時，才使用z檢定。
2. t統計量要多少才算「好」？
並沒有通用的「好」值——重點在於把 |t| 與對應自由度和顯著水準下的臨界值比較，或直接把p值拿來和 α 比較。|t| 越大，只是代表樣本平均數以標準誤為單位離宣稱值更遠。
3. 單一樣本t檢定計算機能處理成對資料嗎？
可以，但是間接的——成對t檢定（比較同一批受試者前後的測量值）實際上就是對每一對的差值做單一樣本t檢定，檢定平均差值是否等於零。
4. 樣本數如何影響單一樣本t檢定？
n 越大，標準誤（s ÷ √n）就越小，在 x̄ 與 μ0 差距相同的情況下t統計量就越大，檢定偵測真實差異的檢定力也隨之提高。樣本數增加還會提高自由度，使臨界t值略微下降，並讓t分配更接近常態分配。
取得更多單一樣本t檢定作業協助
一旦你能熟練寫出 H0 與 Ha、逐項計算t統計量，並在正確的自由度下與臨界值或p值比較，單一樣本t檢定題目就會從「神祕公式」變成「仔細設定」的問題。多練習混合單尾與雙尾宣稱的題目，因為考試常要求你光憑用詞就判斷該用哪一種。如果你卡在某題的設定上，或想再核對一次手算結果，Solvify 的逐步解題工具可以依照本指南展示的同一套公式走一遍——t統計量、自由度以及最終判斷——讓你清楚看到自己的設定是在哪一步偏離了正確做法。
在動手使用單一樣本t檢定計算機之前，先寫下 H0、Ha，以及這項檢定是單尾還是雙尾——光這一個決定就同時決定了你的臨界值與你的結論。
相關文章
相關數學解題工具
逐步解題
把單一樣本t檢定的每個步驟都清楚呈現——t統計量、自由度以及最終判斷。
智慧掃描解題
拍下t檢定題目的照片，立即取得完整的解題過程。
AI 數學家教
針對t統計量、自由度或p值持續追問，直到完全弄懂為止。