假设检测代表统计数据非常重要的部分,并且通常在目标和方法方面误解。首先,让我首先告诉我第一次假设测试（然后我会告诉你什么不是）：

假设测试对应于统计技术,其旨在评估关于某个人口参数的陈述

例如,假设您正在研究当地社区学院的学生的身高。特别是,您有兴趣地说出关于学生人口的平均高度\(\mu\)（以英尺测量）的些什么。根据您以前的研究,甚至是您的肠道感受,您可能会相信平均值是\(\mu = 5.9\)。 为了评估您的索赔,我们可以使用假设测试 。（请注意,假设测试不是您可以评估关于人口参数的索赔的唯一方法）

现在,我会告诉你什么假设测试 不是 关于：

- 一种估计参数的方法 。（用于估计参数,存在整个分支呼叫推理统计）

- 一种对人口参数分类的一种方式 （并非如此。在假设检测中,始终存在错误。对不起,这里没有水晶球。

无效和替代假设

有一种系统的方法来接近假设检测。哲学非常简单：

（1）您对人口参数进行了索赔

（2）从人口收集的数据是一个形式 随机样品 ,以这样的方式,所收集的数据是整个人口的“代表性”。

（3）分析样品的结果（您得到样本意味着,样本标准偏差等）并编译一个简洁的表格（不是必需但有用）

（4）最后,百万美元问题：采样的结果似乎支持我对参数的原因是什么??。如果结果与我们所声称的内容完全离线,那就表示 可能需要审查我们的索赔 ,或甚至可能 拒绝我们的申诉 。另一方面,如果您样本的结果与您的索赔进行调整,您可以简单地说：“似乎我的索赔是正确的,但我无法真正保证这是真的”

就是这样。那些是主要原则。其余的只是配件。当然,这一切都需要数学框架。事实上,我们需要建立何时可以说出您的索赔是“不与样本结果进行调整”。

好吧,似乎没有。事实上,我们知道样本意味着\(\overline{X}\)是对真实人口的估计意味着\(\mu\),特别是如果样本大小很大,则就像在这种情况下一样。因此,期望\(\mu\)的真实值是合理的,\(\mu\)为左右6.3（不是完全但周围）。考虑到这一切,声称\(\mu = 5.6\)似乎没有得到证据的支持。