hypothesis testing 好理解：
假设检验（hypothesis testing）是统计学中常用的方法，用于评估关于总体参数的假设。
通常情况下，我们会提出两种相互对立的假设：零假设（null hypothesis）和备择假设（alternative hypothesis）。
通过收集样本数据并进行统计推断，我们可以判断是否有足够的证据来拒绝零假设。
在假设检验中，我们首先设定一个显著水平（significance level），通常用α表示，它代表了我们愿意接受犯第一类错误（拒绝了其实是正确的零假设）的风险大小。
然后，我们使用样本数据计算出一个统计量，并基于此统计量对比设定的显著水平，来判断是否拒绝零假设。
假设检验可以帮助我们从样本数据中得出关于总体的重要结论，例如判断药物是否有效、广告营销策略是否有效等。
通过对比样本数据与假设进行检验，我们可以做出科学合理的推断，并支持决策和结论的形成。
假设检验（Hypothesis Test）假设检验是数理统计中按照⼀定的假设条件由样本推断总体的⼀种⽅法，因此假设检验也成为“显著性检验（Test of statistical significant）”，是研究样本与样本之间、样本与总体之间的误差是由抽样误差引起的还是本质误差的统计推断⽅法。
它的基本思想是在假设成⽴的条件下，根据某个统计⽅法（如Z检验、卡⽅检验等）的⽅法估计输⼊数据的统计特性，根据统计特性和输⼊数据的分布估计假设成⽴的概率⼤⼩，如果⼩于某⼀个预先设定的“显著性⽔平（significant level）”则说明假设不成⽴，反之则说明假设成⽴。
假设检验所定义的假设成为零假设，数学上⼀般写成H0（念:H-nought）。
与H0对⽴的假设,即对⽴假设，也称为备择假设。
由于我们对于假设的判断是基于概率统计所作出的判断，那么我们就很有可能（⼀定的概率）做出错误的判断。
错误分两种，第⼀类错误为H0假设成⽴，但是我们却认为它不成⽴，第⼆类错误是说H0不成⽴，但是我们却认为它成⽴。
⼀般⽽⾔，第⼀类错误更难为⼈所忍受，所以在判断时，允许犯这种错误的可能性必须要极低——即犯第⼀类错的事件应该是⼀个⼩概率事件。
假设检验就是基于这种⼩概率原理，即事先确定的作为判断的标准，即允许犯错的⼩概率标准，这种⼩概率标准就是统计学上定义的“显著性⽔平-α”，如果根据假设计算出来的概率⼩于这个显著性⽔平，则拒绝原假设，反之，如果⼤于这个标准，则承认原假设。
因此，⼀般把1-α称为“置信区间”或者“接收区间”，⼩于α的区间称为“拒绝区间”。
举个例⼦来说明，⼀个⼈被控诉犯罪，陪审团根据现有的条件做出对这个⼈有罪还是⽆罪的判断。
事实上，陪审团就是进⾏⼀个假设检验。
假设H0:被告⽆罪假设H1:被告有罪当然，陪审团现在还不知道哪个假设是成⽴的，他们必须根据控辩双⽅的证词做出判断，判断的结果只有两种，⼀种是被告⽆罪释放，⼀种是被告罪名成⽴。
假设检验(hypothesis testing)方法演变：t检验、z检验、F检验、卡方检验，方差分析( ANOV A)➢概述假设检验是分析数据的一种方法。
回答此类问题：“随机发生的事件的概率是多少?”另一方面的问题是：“我们从数据中发现的结果是真的吗？”当问题是有关大的总体而只能得到总体的一个样本时用假设检验。
这种方法被用来回答在质量改进中一系列重要的问题，如“我们在过程中所做的改变对产出创造了有意义的差别吗？”或”顾客对场地A的满意度是不是比其他场地高？”最常用的检验是：z检验、t检验、F检验、卡方（χ2）检验和方差分析。
这些检验和其他的检验都是基于均值、方差、比例及其他统计量所形成的具有常见模式的频率分布。
最有名的分布就是正态分布，它是：检验的基础。
t检验、F检验和卡方(χ2)检验是基于t分布、F分布和卡方分布。
➢适用场合·想知道一组或更多组数据的平均值、比例、方差或其他特征时；·当结论是基于更大总体中所取得的样本时。
例如：·想确定一个过程的均值或方差有否改变；·想确定很多数据集的均值或方差是否不同：·想确定两组不同的数据集的比例是否不同；·想确定真正的比例、均值或方差是否和一个定值相等（或大于或小于）。
➢实施步骤假设检验的步骤由三部分组成：理解要解决的问题并安排检验（以下步骤1～3）；数字计算通常由计算机完成（步骤4和步骤5）；应用数值结果到实际问题中（步骤6）。
虽然计算机能处理数字，但理解假没检验隐含的观念对第1部分和第3部分至关重要。
如果第一次接触假设检验，那么从看“注意事项”中的术语和定义开始。
这些定义解释了假设检验的慨念，然后再回来看这个步骤。
本书不可能详细地涉及假设检验。
这个步骤是个综述和快速参考。
要得到更多的信息，查阅统计学参考书或请教统计学家。
1确定要从数据中获得的结论。
选择适当的检验方法。
用哪种检验取决于检验的目的和数据的种类。
