举例理解，如检验"小明是一个从来不做坏事的好人"

按照这个假设前提，小明不会干坏事或干坏事的几率是非常小的，但是只有有一个人发现他干坏事，说明事情的假设是不可靠的，就可以否定这个说法。当然这个结论是不确定的，是有犯错的概率的。

基本原理就是观测小概率时间在假设成立的情况下是否发生，如果再一次试验中小概率事件发生了，说明该假设在一定的显著性水平下不可靠或不成立，从而否定假设

如果一次试验中小概率事件没有发生，只能说明没有足够理由相信假设是否错误，但是不能说明假设是正确的，因为在现有的条件下无法手机所有的证据去证明它是正确的。

假设检验的结论是在一定的显著性水平下得出的，当我们去观测事件并下结论的时候，是有可能犯错误的。在假设检验过程中，无法不保证不犯错误，这些错误归纳为两类

两类错误在其他条件不变的情况下，是相反想成的，即 α \alpha α增大时， β \beta β减小； α \alpha α减小时， β \beta β增大。想要同时减小两类错误，只能增加样本量。

在Python数据分析中， α \alpha α称为理论的显著性水平，P称为实际的显著性水平，P值也具体指在记性检验过程汇总实际犯第一类错误的概率

当P值比 α \alpha α小：说明实际计算的显著性水平比理论的显著性水平更小，小概率时间在一次试验中发生的几率更小。在P值的显著性水平条件下，如果还能观测到小概率时间发生，则说明假设更加不可靠，可以对架设做出否定的判断。

当P值比 α \alpha α大：在P值的显著性水平下，如果能够观测得到小概率事件发生，说明假设可能没有任何问题，因为本来观测一个概率比较大的时间，起发生的可能本来就比较大，不能对假设做出否定的判断。

总之，在Python中进行假设检验，P值越小越能否定原假设。

假设就是对总体特征的一个特定描述。假设分为原假设和备择假设

原假设（零假设）：通常情况下把想要搜集证据去否定的结论作为原假设。

备择假设（研究假设）：通常情况下爱把想要搜集证据去支持的结论作为备择假设。当备择假设含有 ≠ \neq ​=时，称为双侧或双尾检验；当备择假设汇总含有时称为单侧或单尾检验。

理论的显著性水平 α \alpha α，通常情况下取0.05、0.1\或0.001等等常用数值。

根据一直条件和总体分布情况，在原假设成立的情况下，选择计算用于检验的统计量。

其中 σ \sigma σ表示总体标准差； n i n_i ni​表示样本容量， n d n_d nd​表示成对样本的个数； x ‾ \overline{x} x、p、 s 2 s^2 s2分别表示样本均值、样本比例和样本方差； d i d_i di​表示成对样本的两组变量值之差； μ 0 \mu_0 μ0​ 、 π \pi π、 σ 0 2 \sigma_0^2 σ02​表示原假设成立时的总体均值、总体比例和总体方差。

python中工具检验函数，可以直接计算出P值，如果P ≤ \leq ≤ α \alpha α，说明在显著性水平 α \alpha α条件下，原假设不成立，拒绝原假设，选择备择假设；如果P> α \alpha α，说明在显著性水平条件下，没有充分证据表明我们应当拒绝假设。

如果没有指定 α \alpha α的值，则P值越小越显著。

在统计推断之前，应该根据总体的不同分布情况，选择不同统计量形式，检验所用统计量的形式和步骤取决于所抽取样本的样本量大小，无论大样本还是小样本。

（1）大样本的检验方法

样本来量大于30的称为大样本。以总体均值的假设检验为例，在大样本的情况下，根据重心极限定理，均值的抽样分布服从正态分布，所以可以使用正态统计量（Z统计量）进行假设检验。

（2）小样本的检验方法

样本量小于30的称为小样本，对于小样本的情况分为两种。当总体方差已知时，仍然使用正态统计量。当总体方差未知时，则使用t统计量，t统计量服从自由度为（n-1）的t分布。