双侧检验的p值和单侧检验_参数检验

检验分为参数检验和非参数检验。参数检验假定数据可以由一个或多个参数定义的分布很好地描述，在大多数情况下是通过正态分布来描述的。对于给定的数据集，需要确定并解释该分布的最佳拟合参数和它们的置信区间。但是只有给定的数据集和被选择的分布近似的时候才能正常工作，否则就要用非参数检验就是因为它不依赖服从特定的分布。

所以在参数检验之前，需要做正态性检验。

一、正态性检验

因为在假设检验过程中有很多场景需要判断总体是否服从正态分布，所以要在实验前先判断总体的分布情况，判断总体是否是正态分布的方法有如下几种：

(1)概率图

• QQ图 Q指的是quantile(分位数)，将给定数据集的分位数和参考分布的分位数一起绘制
• PP图 将guessing数据集的CDF和参考分布的CDF一起绘制
• 概率图 绘制了给定数据集的有序数值和参考分布的分位数

(2)常见分布

• 基于和给定分布比较最佳拟合的检验 常根据CDF来确定
• 基于样本的描述性统计学的检验 如偏度检验、峰度检验等

二、假设检验

假设检验是在统计学中非常重要的知识点，也是各大面试中的高频考点，而且在工作中最常用到的一个场景ABtest，也是高频点，接下来就捋一下那些年我们一起学过的假设检验...

假设检验的思想就是小概率事件，是先对未知总体参数进行一个假设，然后再用样本信息对这个假设是否成立进行验证。在工作场景中最常见的应用就是ABtest。假设检验就是首先对参数提出一个假设，然后用样本信息去检验这个假设是否成立。

(1)第一类错误和第二类错误

第一类错误是弃真错误alpha，也就是在原假设是真的前提下被拒绝的概率，在工作中也就是AB两种方案没有差别，但却认为两者有差别而导致错误上线的情况，又叫做显著性水平，是由人们根据检验的要求确定的，一般是0.05或者0.01，也就是当做出接受原假设的决定时，正确的概率是95%或者99%，是从我们能接受的精确度来出发的，根据边界来看是落入接受域还是拒绝域。在参数估计中，alpha表示风险值，是总体均值不包括在置信区间内的概率，其实就是原假设为真的时候落入拒绝域的概率，1-alpha是置信水平，其实也就是