例如，当“X与Y有关系”的K2变量的值为6.109，根据表格，因为5.024≤6.109<6.635，所以“X与Y有关系”成立的概率为1-0.025=0.975，即97.5%。

其不同“值”表示相应对象所属的不同类别的变量，分类变量的取值一定是离散的，而且不同的取值仅表示相应对象所属的类别，如性别变量只取男、女两个“值”，某商品的等级变量只取一级、二级、三级三个“值”，等等。分类变量的取“值”有时可用数字来表示，但这时的数字除了类别以外，没有其他的含义。如用“0”表示“男”，用“1”表示“女”。

分类变量的统计汇总表（频数表）在独立性检验中，一般只研究两个分类变量，且每个分类变量只有两个可取的值；这时得到的列联表称为2×2列联表，如后面的案例中的关于患肺癌与否与吸烟与否的列联表。

独立性检验的学习目标：了解独立性检验的基本思想；

独立性检验的学习重点：会对两个分类变量进行独立性检验。

即为什么不能只凭列联表中的数据和由其绘出的图形下结论，由列联表可以粗略地估计出两个变量（两类对象）是否有关(即粗略地进行独立性检验)，但2×2列联表中的数据是样本数据，它只是总体的代表，具有随机性，故需要用独立性检验的方法确认所得结论在多大程度上适用于总体。关于这一点，在后面的案例中还要进一步说明。

独立性检验是一种假设检验（先假设，再推翻假设），它的原理及步骤与反证法类似。

反证法假设检验

要证明结论A想说明假设H1（两个分类变量，即两类对象有关）成立。在A不成立的前提下进行推理，在H1不成立，即H0（两类对象无关，即相互独立）成立的条件下进行推理，推出矛盾，意味着结论A成立，推出小概率事件（概率不超过α，α一般为0.001,0.01,0.05或0.1）发生，意味着H1成立的可能性很大（可能性为1-α），没有找到矛盾，意味着不能确定A成立，没有推出小概率事件发生，意味着不能确定H1成立。

案例 某医疗机构为了了解患肺癌与吸烟是否有关，进行了一次抽样调查，共调查了9965个成年人，其中吸烟者2148人，不吸烟者7817人，调查结果是：吸烟的2148人中49人患肺癌，2099人不患肺癌；不吸烟的7817人中42人患肺癌，7775人不患肺癌。

根据这些数据能否断定：患肺癌与吸烟有关？

【方法一】由样本数据，可得如下列联表和条形图：

在不吸烟者中，患肺癌的比重是0.54%；在吸烟者中，患肺癌的比重是 2.28% 。

说明吸烟者和不吸烟者患肺癌的可能性存在较大的差异，吸烟者患肺癌的可能性大。可初步判断：患肺癌与吸烟有关.

【方法二】以上通过对数据和图表的分析，得到的结论是：患肺癌与吸烟有关.

但这个结论在多大程度上适用于总体呢？要回答这个问题，就必须借助于独立性检验的方法来分析.

独立性检验是检验两个分类变量是否有关（是否相互独立）的一种统计方法：

用字母表示题设数据（使之更有一般性），可得如下2×2列联表

想说明假设H1“患肺癌与吸烟有关”成立.

假设H0:H1不成立，即患肺癌与吸烟没有关系。

在H0成立的条件下，吸烟者中不患肺癌的的比例应该与不吸烟者中相应的比例差不多，即a/(a+b)≈c/(c+d)； a(c+d)≈c(a+b)； ad-bc≈0。

因此|ad-bc|越小，则说明患肺癌与吸烟之间的关系越弱。

构造统计量

作为检验在多大程度上可认为“两个分类变量有关系”的标准。

若H0成立，则k2应该很小。实际上，统计学家们已经估算出如下概率：

这就是独立性检验的临界值表。

回到本案例，把题设数据代入公式，可得

在H0成立的情况下，P(k2≥10.828)<0.001，

即k2的值大于10.828的概率非常小（只有0.1%）.

但这个小概率事件竟然发生了。

因此,我们有99.9%以上的把握认为“患肺癌与吸烟有关”。

【总结】独立性检验的解题步骤如下：

第一步　提出假设H0：患肺癌与吸烟没有关系。（目标结论H1“患肺癌与吸烟有关系”的反面）

第二步　计算独立性检验的标准，即统计量k2=n(ad-bc)^2/{(a+b)(c+d)(a+c)(b+d)}的值。（它越小，原假设H0成立的可能性越大；它越大，目标结论H1成立的可能性越大。）

第三步　由独立性检验的临界值表得出结论及其可信度（即在多大程度上适用）。