【Machine learning】假设检验（通俗个人理解）

和区间估计正好相反（是主动的估计）

思路：

根据样本的值，按照一定的规则（小概率原理），检验关于总体的某个假设是否能被接受

用到了一个原理：小概率事件的不可能原理（小概率事件在一次试验中几乎不会发生）

显著性（检验水平）水平：α，这里就是个小概率（也是犯第一类错误--弃真的概率）

执行步骤：

1.提出原假设、备择假设

2.取检验统计量

3.找一个小概率事件，构造拒绝域

4.根据样本值看是否落在拒绝域内，即小概率事件是否发生。

个人理解：

在接受原假设的前提下，这个统计量应该服从的一个分布，即步骤2的检验统计量会服从的一个分布，这个分布可以构造一个小概率事件，根据小概率事件，求出拒绝域，如果根据给出的样本求出来的数（这里用的样本均值）落在拒绝域里，则拒绝原假设。

这里用到了上α位分点，就是用来构造小概率事件的。

 

整体就是用了一个小概率反证法：

如果小概率事件发生了（这就是我们通常用的反证法找到了矛盾的地方，小概率事件本不该发生的），则我们拒绝原假设（我们可以证得原命题不对）。

所以如果做题的话就是两个关键，1.构造检验统计量2.找一个小概率事件

 

在别的地方看到的一句话：

全称命题只能被否证而不能被证明。这个道理很简单，个案当然不足以证明一个全称命题，但是却可以否定全称命题。

这也是反证法所基于的一个论点吧。