一、基本概念
假设检验和参数估计解决的是不同的问题，参数估计是对参数$\theta$作出一个估计比如均值为$\mu$，而假设检验则是对估计的检验，比如均值真的是$\mu$嘛？
1. 定义
假设检验指的是使用统计学的方法判定某假设为真的概率. 通常假设检验包含以下四个步骤：
1.1 形成零假设null hypothesis $H_0$和备择假设alternative hypothesis$H_a$
1.2 确定可以用来判断零假设真假的检验统计参数(test statistic)
1.3 计算P-value,P-value代表着null hypothesis为真的概率，P值越小，零假设为真可能性越小，备择假设为真的可能性越大.
1.4 将P-value和接受阈值比较，如果$p<\alpha$ 则具有统计显著性，零假设被排除，则备假设为真.
注：零假设也常称原假设，备择假设(抛弃原假设之后可以选择的假设)也常称原假设
2. 检验统计量，接受域，否定域，临界域，临界值
3.功效函数
假设总体分布包含若干个未知参数$\theta_1,...,\theta_k.H_0$是关于这些参数的一个原假设，设有了样本$X_1,...X_n$，而$\phi$是基于这些样本对$H_0$作的检验则$\phi$功效函数为
$\beta_\phi(\theta_1,...\theta_k) = P\theta_1,...,\theta_k(在检验\phi之下，H_0被否定）$
4. 两类错误、检验的水平
5. 一致最优检验
它是未知参数$\theta_1,...,\theta_k$的函数，当某一特定参数值使得$H_0$成立我们希望功效函数尽量小，当都已特定参数值使得备择假设$H_1$成立我们希望功效函数尽量大(否定零假设)
4. 两类错误
第一类错误：H_0正确被否定；第二类错误H_1错误，被接受
若$\theta_1,...\theta_k$ 记为总体分布的参数, $\beta_\phi(\theta_1,...\theta_k)记检验\phi$的功效函数，则犯第一类，第二列错误的概率为
举例：
假设我们投掷一个四面体的骰子(1,2,3,4)1000次，290次观察到4. 接下来我们判定这个结果是否是有偏的biased(骰子是否公正).
1. 此问题中如果骰子没有任何问题: 我们的null hypothesis为$H_0:p = 0.25$
2. 为了证明$H_0$真假，我们接下来要收集evidence来支持或者否定null hypothesis.在此次实验中我们收集到的evidence为$\hat{p} = \frac{y}{n} = 0.29$.
3. 这一步使用我们evidence来决定是否应该支持/否定(或者说以多大的概率)1中的$H_0$
根据中心极限定理样本比例:$\hat{p} = \frac{Y}{n}$近似为均值$\mu = 0.25$, 标准差$\sigma = \sqrt{\frac{p_0(1-p_0)}{n}} = 0.01369$
那么：
$$Z = \frac{\hat{p}-p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}}$$
Z服从$N(0,1)$的正态分布
至此我们可以通过正态分布判断接受$\hat{p} = 0.29$为unbiased的结果的错误概率有多大。
二、重要参数检验
1. 正态总体均值检验
1.1. 方差$\sigma^2$已知
1.2. 方差$\sigma^2$未知