假设检验
我们今天所广泛使用的一整套统计推断和假设检验方法及思想体系被称为概率学派，是上个世纪的英国统计学家费希尔开创的。对假设本身做出判断，光凭数据本身还不够。我们还要了解其他以外的假设概率。这就是贝叶斯学派试图解决的问题。
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。
步骤：
1 提出原假设H0和备选假设H1
2 给定显著性水平a和样本容量n
3 确定检验统计量的分布等信息以及拒绝域形式
4 按P｛H0为真拒绝H｝=a 求出拒绝域
5 取样，根据样本观察值确定接受还是拒绝原假设
备注：对立（备择）假设是研究者最想知道的。
思想：
原假设的选择一般是按照反证法的思想来作的假设。因为犯的两类错误（必须会犯，只是犯错概率大小不同，在不改变样本数量情况下，一般两个犯错概率不能同时增加或减少，不等于1）
第一类错误：也称为 α错误，是指当虚无假设(H0)正确时，而拒绝H0所犯的错误。这意味着研究者的结论并不正确，即观察到了实际上并不存在的处理效应。（一个置信水平，当我们“拒绝”原假设的时候，实际上我们只是说“我们有95%的把握”说原假设错了，也就是说，它还是有可能是对的，换句话说，我们不能逻辑上否定原假设！）犯Ⅰ类错误得危害较大，由于报告了本来不存在的现象
第二类错误：也称为β错误，是指虚无假设错误时，反而接受虚无假设的情况，即没有观察到存在的处理效应。（但是当我们所谓“接受”H0的时候，我们并不是有95%的把握肯定期望就是对的，其实我们一点把握都没有，我们只是利用现有样本数据不能否定它而已，它完全可能是其他的等等等等。）犯Ⅱ类错误的危害则相对较小，因为研究者如果对自己的假设很有信心，可能会重新设计实验，再次来过，直到得到自己满意的结果
总结：由此当我们拒绝原假设的时候，我们有95%的把握；但是当我们接受原假设的时候，我们一点把握都没有。由此可知当我们选择原假设的时候，应该选择我们有比较大的把握否定它的一面。
举例：
1-a 为置信度或置信水平 ，区间估计的可靠性 0.95
a 为显著性水平，表示可能犯错误的概率（原假设为真时，拒绝原假设的概率） 0.05
p < 0.05 有统计学差异， p < 0.01 有显著统计学差异 p < 0.001 有极其显著的统计学差异
疑惑解释：
解释1：为什么p<a 时拒绝原假设
因为在设原假设为真的情况下，犯一类错（错误拒绝H0）概率的最大容忍值为a，而p<a时，错误拒绝原假设概率很低，原假很可能身错误。所以拒绝原假设。P>a，则错误拒绝原假设太大，不能否认原假设。
解释2：为什么P值可以判断结果呢？
因为p值的含义就是在原假设成立的条件下，出现和现在样本相同以及偏向更为极端的结果的概率。如果p值大，说明我们出现样本相同和边缘的概率比较大，说明原假设很可能为真，起码我们不能拒绝原假设的设定。而p值太小，说明出现样本以及更边缘的情况发生的概率很小，我们会认为原假设不一定对。而这个边界就是所给的显著性水平，也就是a，一般是0.05.超过这个值，我们会认为错误拒绝原假设设定的概率很小。
