（1）参数估计和假设检验是统计推断的两个组成部分，它们都是利用样本对总体进行某种推断，但推断的角度不同。
- 参数估计讨论的是用样本统计量估计总体参数的方法，总体参数μ在估计前是未知的。
- 而在假设检验中，则是先对总体参数μ的值提出一个假设，然后利用样本信息去检索这个假设是否成立。
（2）原假设和备择假设的关系？
- 原假设H0(又称“零假设”) & 备择假设H1(又称“替换假设”)
- 原假设与备择假设互斥，肯定原假设，意味着放弃备择假设；否定原假设，意味着接受备择假设。
（3）两类错误--(α错误 & β错误)
- α错误【弃真错误】：原假设为真，却被拒绝
- β错误【取伪错误】：原假设为伪，却被接受
在假设检验中，如何对两类错误进行控制，准则有哪些？
一般来说，哪一类错误所带来的后果越严重，危害越大，在假设检验中就应该把哪一类错误作为首要控制目标。
首先控制犯α错误原则。
原因有两点：
1. 大家都遵循一个统一的原则，讨论问题就比较方便
2. 从实用的观点看，原假设是什么常常是明确的，而备择假设是什么则常常是模糊的（最主要的原因）
对于一个含义清楚的假设和一个含义模糊的假设，人们是更愿意接受前者，正是这样的背景下，人们就更为关心如果原假设H0为真，而人们却把它拒绝了，犯这种错误的可能性有多大。而这正是α错误所表现的内容。
（3）假设检验流程
假设检验的一般流程
- 先提出原假设和备择假设
- 确定适当的检验统计量，并计算其数值
进行假设检验利用的是小概率原理，小概率原理是指发生概率很小的随机事件在一次试验中几乎不可能发生。根据这一原理可以作出是否拒绝原假设的决定。
假设检验的决策准则：
若
， 不拒绝H0；
若
， 拒绝H0；
（4）利用P值进行决策
P值是通过计算得到的，P值的大小取决于三个因素：
1.样本数据与原假设之间的差异
2.样本量
3.被假设参数的总体分布
手工计算P值很复杂，可借助计算机计算P值。
P值的优点是它反映了观察到的实际数据与原假设之间不一致的概率值，与传统的拒绝域范围相比，P是一个具体的值，这样就提供了更多的信息。
若事先确定了显著性水平，如α=0.05，则
在双侧检验中，P>0.025()不能拒绝原假设；反之，P<0.025则拒绝原假设；
在单侧检验中，P>0.05不能拒绝原假设；P<0.05则拒绝原假设；
当然，也可以直接使用P值进行决策，这时的P值本身就代表了显著性水平。
来源：CSDN
作者：kelly_zero
链接：https://blog.csdn.net/qq_39284106/article/details/103672625