据说假设检验是个很难的题

不知道大家有没有注意到我每次文章最顶部的内容：

我提出的假设是：每天早上8点25更新，然后有人不相信，于是我们提出了一个方案来验证我的假设，连续10天看实验的结果是否每天早上8:25更新，这就是一个假设检验的思路，提出一个假设，然后去检验它。

假设检验是利用样本对总体进行的推断的方法。其原理是小概率反证法。即为了检验一个假设是否成立，我们先假设它成立，在原假设成立的前提下，如果出现了不合理的事件，则说明样本与总体的差异是显著的，就拒绝原假设，如果没有出现不合理的事件，就不拒绝原假设。

这里所述的不合理的事件指的就是小概率事件，通常情况下我们认为一个小概率事件基本上不会发生，如果发生了，说明它就不是一个小概率事件了，所以不能接受原假设。

假设检验的基本问题

Q：1989年某地新生儿的平均体重为3190克，1990年新生儿随机抽取100个平均体重为3210克，1990年和1989年的新生儿相比，体重有无显著差异？

首先我们要明确，这个问题的关键点在哪里，关键点是这20克的差异说明了什么？是抽样的随机性吗？为了解决这个问题，就提出了假设检验这个方法。

假设检验的流程

1. 提出假设

• 原假设：假设两个总体的均值相等。u表示1990年新生儿平均体重，u0表示1989年新生儿平均体重，那么原假设就是u=u0=3190，无显著差异
• 备则假设：H1，u不等于u0，有显著差异

2. 选择检验统计量

统计量的选择与样本量大小、总体标准差是否已知有关，后面会细分。

常用的检验统计量有z统计量、t统计量（均值和比例）和卡方统计量（方差）。

具体选择哪个统计量，主要有样本量n的大小、总体的标准差是否已知有关。

样本量较大时（n>30），可以选择z统计量，样本量较小、总体标准差已知时，也可以选择z统计量，样本量较小，总体标准差未知时，用t统计量。

3. 确定拒绝域

首先确定显著性水平α。即希望在样本结果的不可能程度达到多大时，就拒绝原假设，也就是小概率事件发生的概率，显著性水平用百分数表示。通常是5%和1%作为显著性水平。

这篇文章里我们就不去推导统计量和拒绝域是如何得出的了，对于大部分非相关专业人士来说，确实是很晦涩的，我们重点关注如何使用就好。

4. 计算P值

为了精确地反映决策的风险度（为了简化检验统计量的计算），我们可以利用P值进行决策，那么问题来了：

什么是P值？

p值是当原假设为真时样本观察结果及更极端结果出现的概率。

如果P值很小，说明这种情况发生的概率很小，如果这种情况还出现了，那么就有理由拒绝原假设。P值越小，拒绝原假设的理由就越充分。

根据选取的检验统计量计算P值，通过P值确定是否拒绝该原假设。手工计算P值是比较复杂的，好在现在都可以用Excel、Python、SPSS等工具计算。

5. 做决策

将P值和显著性水平进行比较。

• p≤α，在原假设的条件下，p在拒绝域内，