假设检验

H0：原假设（希望得到结果的反面）

H1：备择假设 （首先确定H1，希望得到的结果）

第一类错误：H0正确，却认为H0错误

第二类错误：H0不正确，确认为H0正确

显著性水平：犯第一类错误的概率是显著性水平，记为α。

假设检验过程：

1. 根据场景设定H0, H1
2. 指定显著性水平α
3. 计算检定统计量：
4. 找出弃却域（rejection region），根据α去找相应的t，z，卡方表对应的值，也就是确定reject region的临界点值
5. 将检定统计量与临界值对比，落在临界值以内就要推翻H0假设

统计量的计算：

       关于群体平均数μ的检验：

1. σ已知：z检验 
2. σ未知：t检验
   

        关于群体比率P的检验：

1. p：z检验 

        关于群体变异数σ平方的检定：

        卡方检验

样本数n小于30需要，需要假设群体呈常态分布。

显著性水平是我们下结论时的一个可靠的评估结论。然而，这种检定方法有一个缺点，就是不易评估检定结果的显著程度；也就是说，当检定统计量落于弃却域时，我们无法评估资料与原假设不符合的程度有多严重。

P-value：表示统计检定结果的另一种方法

定义：p-value也称为观察的或样本资料估算出来的显著水平。p值是评估样本资料与原假设之间不符合程度的一个指标。

如何利用p-value来决定是否拒绝原假设H0？

1. 选择能容忍的最大显著水准α
2. 假如检定统计量的p-value小于α，则拒绝H0。否则，不拒绝H0。