对于用假设检验判断某人有罪无罪的理解

假设检验有个经典例子，判断一个人有罪还是无罪，通常被用来说明假设检验的错误类型。如下：

H0：无罪

H1：有罪

p：假设某人无罪，观察到某人有罪的概率

p≤α → 拒绝H0

p＞α → 不拒绝H0

乍看之下，p越大，说明某人明明无罪，却被观察到有罪的概率大，不是应该拒绝H0，认为某人有罪吗？p越小，说明某人被观察到有罪的概率小，不能拒绝H0啊？

怎么和我们已知的概念相反，感觉已经被绕晕了😵

---

现在重新捋一下思路，看看问题到底出在哪里。

H0（零假设）和H1（备择假设）是有关总体的两个相反假设。👉总体

p 是零假设为真时，观察到的统计量 (或支持备择假设的更多极端) 的概率。👉样本

假设检验是根据一定的假设条件由样本推断总体的一种方法。用样本推断总体，就会存在抽样误差。假设检验可以用来判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成的。

假设检验如何判断样本和总体的误差是抽样造成的还是本质差别呢？

基本原理：先对总体的特征做出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受做出推断。——百度百科《假设检验》

基本思想：小概率事件反证法。——百度百科《假设检验》。所谓一件事情不足以证明一个命题，但是可以否定一个命题。

通俗来讲就是先假设总体符合某个分布（比如正态分布），即假设H0为真，然后抽样得到样本统计量，计算该统计量符合H1的概率，即p值，可以近似理解为p=P(H1|H0)。如果p大的话，认为没有足够的证据拒绝H0，选择不拒绝H0。如果p小的话，则这是小概率事件。小概率事件在一次试验中被认为不会发生，现在小概率事件发生了，说明零假设有误，因此拒绝零假设。

注：假设检验中所谓“小概率事件”，并非逻辑中的绝对矛盾，而是基于人们在实践中广泛采用的原则，即小概率事件在一次试验中是几乎不发生的。——百度百科《假设检验》

---

看到这里还是有点晕😵，回到之前那个有罪无罪的例子：

p值的定义是： 零假设为真时，观察到的统计量 (或支持备择假设的更多极端) 的概率。

在这个例子中可以理解为：假设某人无罪，观察到支持某人有罪的证据的概率。

再具体一点，比如A和B两个人，B于某天在家中死于他杀，判断A是否为凶手。假设如下：

H0：A没有杀B（即A无罪）

H1：A杀了B（即A有罪）

p=P(观察到A杀人的证据 | A没有杀B）

• 如果A杀人的证据=A在B死亡那天去过B家，这足以判断A就是凶手吗？肯定不能。

       从统计角度看，即p=P(A在B死亡那天去过B家 | A没有杀B），这个概率相对比较大。

• 如果A杀人的证据=A在B死亡那天去过B家，凶器上只留有A的指纹，A与B有仇，A在B死亡前几天曾频繁出没于B家附近，A的衣服上沾有B的血迹，这么看起来，A杀人的可能性很大啊。

        从统计角度看，即p=P(A在B死亡那天去过B家，凶器上只留有A的指纹，A与B有仇，A在B死亡前几天曾频繁出没于B家附近，A的衣服上沾有B的血迹 | A没有杀B），这个概率相对比较小。

这就解释了p越大，则没有足够的证据证明某人有罪，不拒绝H0，p越小，则说明小概率事件发生了，原假设有误，选择拒绝零假设。