假设检验
https://wiki.mbalib.com/wiki/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C
H0 记忆方法 采用标准或无差异做为H0
α 拒真的概率
b 弃伪的概率
分类
正态分布检验包括三类：JB检验、KS检验、Lilliefors检验，用于检验样本是否来自于一个正态分布总体。
正态总体均值检验检验分析方法和分析结果的准确度，考察系统误差对测试结果的影响。从统计意义上来说，各样本均值之差应在随机误差允许的范围之内。反之，如果不同样本的均值之差超过了允许的范围，这就说明除了随机误差之外，各均值之间还存在系统误差，使得各均值之间出现了显著性差异。
正态总体均值检验分为两种情况，
T检验是用小样本检验总体参数，特点是在均方差不知道的情况下，检验样本平均数的显著性，分为单侧检验与双侧检验。当为双样本检验时，在两样本t检验中要用到F检验。
从两研究总体中随机抽取样本，要对这两个样本进行比较的时候，首先要判断两总体方差是否相同，即方差齐性。若两总体方差相等，则直接用t检验，若不等，可采用t‘检验或变量变换或秩和检验等方法。
Z检验是一般用于大样本(即样本容量大于30)平均值差异性检验的方法。
上面所述的检验都是基于样本来自正态总体的假设，在实际工作中，有时并不明确知道样本是否来自正态总体，这就为假设检验带来难度。非参数检验方法，对样本是否来自正态总体不做严格的限制，而且计算简单。统计工具箱提供了符号检验和秩和检验两种非参数检验方法。
显著性检验
https://wiki.mbalib.com/wiki/%E6%98%BE%E8%91%97%E6%80%A7%E6%A3%80%E9%AA%8C
显著性水平
https://wiki.mbalib.com/wiki/%E6%98%BE%E8%91%97%E6%80%A7%E6%B0%B4%E5%B9%B3
统计学中拒真的概率
事先确定一个可允许的作为判断界限的小概率标准。检验中，依据显著性水平大小把概率划分为二个区间，小于给定标准的概率区间称为拒绝区间，大于这个标准则为接受区间。事件属于接受区间，原假设成立而无显著性差异；事件属于拒绝区间，拒绝原假设而认为有显著性差异。对显著水平的理解必须把握以下二点：
1、显著性水平不是一个固定不变的数值，依据拒绝区间所可能承担的风险来决定。
2、统计上所讲的显著性与实际生活工作中的显著性是不一样的。
显著性差异
P-value是原假设H0真实的结论时，我们观察到样本的值有多大的概率，简称 P值 。如果此值小，就下原假设为不真实的结论。统计学上称为小概率事件，即样本不是从原假设的分布中抽出的。一般P值大于α，则无法拒绝原假设，相反，P值小于α，则拒绝原假设。通常情况下，实验结果达到0.05水平或0.01水平，才可以说数据之间具备了显著性差异。在作结论时，应确实描述方向性（例如显著大于或显著小于）。
卡方检验:
https://wiki.mbalib.com/wiki/%E5%8D%A1%E6%96%B9%E6%A3%80%E9%AA%8C
T检验
https://wiki.mbalib.com/wiki/T%E6%A3%80%E9%AA%8C
定义:T检验，亦称student t检验（Student‘s t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。
适用场景:T检验是用于小样本（样本容量小于30）的两个平均值差异程度的检验方法。它是用T分布理论来推断差异发生的概率，从而判定两个平均数的差异是否显著。
背景:T检验是戈斯特为了观测酿酒质量而发明的。戈斯特在位于都柏林的健力士酿酒厂担任统计学家。戈斯特于1908年在Biometrika上公布T检验
Z检验
https://wiki.mbalib.com/wiki/Z%E6%A3%80%E9%AA%8C
Z检验是一般用于大样本(即样本容量大于30)平均值差异性检验的方法。它是用标准正态分布的理论来推断差异发生的概率，从而比较两个平均数的差异是否显著。
当已知标准差时，验证一组数的均值是否与某一期望值相等时，用Z检验。
当用于比较大样本（样本容量大于30）的两平均数之间差异显著性检验的方法,两平均数为 样本的平均数和总体的平均数
另外，对于Z检验我国的统计学教材大多采用U检验的说法。而国外英文统计学书籍，大多采用Z检验。
原文地址：https://www.cnblogs.com/yangming0322/p/12401970.html