简介：数学侦探工作
欢迎来到统计假设检验（Statistical Hypothesis Testing）的世界！别担心，虽然这听起来有点吓人，但其核心概念就像当侦探或陪审员一样。我们从一个假设（“现状”）出发，检视一些证据（数据），然后决定是否有足够的证据让我们改变观点。
在本章中，我们将学习这些检验中使用的术语。理解这些词汇是你获取 OCR AS Level 数学统计部分高分的“秘密钥匙”。
1. 起点：零假设与备择假设
在查看任何数据之前，我们必须说明我们正在检验什么。我们总是有两个相互竞争的想法：
零假设（Null Hypothesis，\( H_0 \)）： 这是“平淡”的版本。它假设什么都没有改变，或者某项主张是正确的。在你的课程大纲中，我们通常将其写为 \( H_0: p = \text{something} \)，其中 \( p \) 代表概率或比例。
类比：在法庭上，零假设就是“被告是无罪的”。
备择假设（Alternative Hypothesis，\( H_1 \)）： 这是“令人兴奋”的版本。这是我们怀疑可能真正发生的情况。我们将其写为 \( H_1: p < \dots \)，\( H_1: p > \dots \)，或 \( H_1: p \neq \dots \)。
类比：备择假设就是“被告是有罪的”。
单尾检验 vs. 双尾检验
我们如何知道 \( H_1 \) 该用什么符号？这取决于问题的要求：
- 单尾检验（1-Tail Test）： 当我们在寻找特定方向的变化时使用（例如：“概率下降了吗？”使用 \( < \)；“概率上升了吗？”使用 \( > \)）。
- 双尾检验（2-Tail Test）： 当我们只想知道概率是否有任何改变（而不论方向）时使用。我们使用“不等于”符号（\( \neq \)）。
重点复习：
务必使用参数 \( p \) 来陈述你的假设。
正确： \( H_0: p = 0.5 \)
不正确： \( H_0 = 0.5 \) （你必须包含 \( p \)！）
关键要点： \( H_0 \) 是“无变化”规则。\( H_1 \) 是“有所不同”的怀疑。
2. 证据：检验统计量与显著性水平
当我们有了假设后，就需要一种方法来衡量证据。
检验统计量（Test Statistic）： 这是我们从样本中获得的实际结果。例如，如果我们抛硬币 20 次来查看它是否公正，结果出现了 15 次正面，那么检验统计量就是 15。
记忆辅助：检验统计量就是“我们数出来的数字”。
显著性水平（Significance Level，\( \alpha \)）： 这是我们对所需证据强度设定的“门槛”。通常是 5% (\( 0.05 \)) 或 1% (\( 0.01 \))。它代表了当 \( H_0 \) 实际上正确时，我们却意外拒绝它的概率。
类比：把它想象成“严格程度”。1% 的水平比 5% 的水平严格得多，因为它需要更强的证据来改变我们的想法。
你知道吗？ 5% 的显著性水平意味着我们愿意接受 5% 的风险，即当我说情况已经改变时，我可能是错的！
关键要点： 检验统计量是我们的数据；显著性水平是我们验证证据的“门槛”。
3. 决策区域：临界区域与临界值
想象所有可能结果的一条数轴。我们将这条线分成两个区域：
临界区域（Critical Region，或称拒绝区域）： 如果我们的检验统计量落在这个区域，表示结果因“纯粹巧合”发生的概率极低，因此我们拒绝零假设。我们得出结论，有足够的证据支持 \( H_1 \)。
接受区域（Acceptance Region）： 如果我们的检验统计量落在这里，表示我们的结果相当正常，可能是由概率引起的。我们不拒绝零假设。
临界值（Critical Value）： 这是“边境守卫”。它是进入临界区域的第一个值。
步骤流程：
1. 根据显著性水平找出临界区域。
2. 查看你的检验统计量（你的数据）落在何处。
3. 如果它在临界区域内，你就发现了变化的“显著证据”！
关键要点： 如果结果在临界区域内，代表它“够奇怪”，足以让我们拒绝现状。
4. P 值法（P-value Method）
有时，我们不使用区域，而是使用 P 值（p-value）。这是现实科学中报告结果的一种非常常见的方法。
P 值是在假设 \( H_0 \) 为真的情况下，观察到极端程度等于或大于我们所观测结果的概率。
如何判断：
- 如果 P 值 \( \leq \) 显著性水平：结果是显著的。拒绝 \( H_0 \)。
- 如果 P 值 \( > \) 显著性水平：结果是不显著的。不要拒绝 \( H_0 \)。
记忆口诀：“P 值小，零假设跑（拒绝）！P 值大，零假设留（接受）。”
5. 撰写结论（别在这里丢分！）
OCR 考官对于你如何撰写最终答案非常严格。你必须反映出统计学是关于证据，而非 100% 的绝对确定性。
常见错误： 千万不要说“我接受 \( H_0 \)”或“这证明 \( H_0 \) 是正确的”。我们只能“未能拒绝（fail to reject）”它，因为我们没有找到足够的证据来推翻它。
结论的“黄金公式”：
“在 [X]% 的显著性水平下，有 [足够 / 不足够] 的证据来建议 [问题背景——例如：这枚硬币是有偏见的]。”
课纲范例：
- 正确：“在 5% 的水平下，有证据拒绝 \( H_0 \)。平均质量很可能小于 500g。”
- 正确：“在 2% 的水平下，没有证据拒绝 \( H_0 \)。没有理由推测行程时间有所改变。”
- 不正确：“\( H_0 \) 被拒绝。等待时间已经增加。”（这听起来太确定了！请改用“有证据建议”之类的说法）。
关键要点： 在得出结论时，始终保持谦虚且保留余地。使用“证据”、“建议”和“很可能”等词汇。
章节总结
1. 假设： \( H_0 \)（无变化）与 \( H_1 \)（有变化）。记得使用 \( p \)。
2. 显著性水平： 证据的“门槛”（例如：5%）。
3. 检验统计量： 样本中观察到的数值。
4. 临界区域： 导致拒绝 \( H_0 \) 的数值范围。
5. 结论： 务必结合现实背景，并使用审慎的用语。
别担心，一开始觉得棘手是很正常的！假设检验是一个逻辑过程。一旦你“上手”了这些词汇，实际的数学运算（我们将在下一章使用二项分布来进行）就会变得容易得多。