【必讀】假設檢驗應用場景及基本原理

工程质量
2粉絲
1 次觀看·2026年8月6日
AI 生成·可能包含錯誤
視頻概述
AI 生成這段影片詳細介紹了假設檢驗(Hypothesis Testing)在 DMIC 方法論中的定位、核心原理及其應用場景。
這個假設檢驗,之前很多同學提,我們就把這個主題展開說一說
那先和大家說一下這個假設檢驗,它整個的一個背景
在我們DMIC裏,DMIC這套方法論
那麼我們不能和大家只講工具吧
要和大家說清楚
這個工具在我們這套方法論的邏輯路徑上哪一步去做
這個在我們的A階段
那麼A階段呢,有三步
第一步,從別聚焦
第二步,挖掘根本原因
第三步,驗證根本原因
所以它呢,假設檢驗在我們A階段的第三步去做
這是在DMIC裏邊的這個路徑上的一個應用的位置
那麼其實縱觀我們整個DMIC這套方法論
我們統計工具最多體現在哪
最多就體現在A階段
體現在A階段哪一步呢
其實就是第三步
也就是所謂的用統計的方法去驗證根本原因
那這裏邊會展開很多很多的工具
其中一大部分我們可以簡單分爲兩個部分
第一部分就是這個假設檢驗
還有一大部分就是迴歸分析
那麼延伸出來很多這些非參數檢驗等等等等
那麼在我們很多這個就是業內啊
比如說很多這個去面試啊
一些面試官喜歡問什麼
一問這個UCM的內容
他特別喜歡問假設檢驗
這假設檢驗在我們的課室裏邊
在DMIC這套方法論的課室裏邊
它的佔比的這個時長非常非常的長
這裏邊有非常非常多的工具
十十多種
差不多就十多種
我們要算上非參數檢驗的話
十多種
所以課室非常長
但是啊
嗯
整個假設檢驗裏邊有很多工具
比如說這個單樣本T
雙樣本T
NOVA
包括我們的單方叉
這個雙方叉
單比率
雙比率
列聯表等等等等
都算假設檢驗
那麼我們今天呢
其實第一次開這個假設檢驗的主題嘛
所以這個今天的內容反而是最重要的
我們要把這個假設檢驗裏邊的應用的場景
還有它的基本原理和大家完整的解釋清楚
後面我們就會講具體的
比如單樣本T啊
雙樣本T啊
但是今天要把這個最根本的東西和大家講清楚
所以今天的內容是整個這一系列直播的最重要的一個
我們分爲四個部分啊
第一個部分呢
就是假設檢驗的應用場景
這是大前提
因爲我們很多時候學學學學了很多啊
但是你不知道什麼時候用它啊
你不知道怎麼應用它
所以我們先把這個應用的背景的和大家交代清楚
第二呢
也是最重要的
就是說我們假設檢驗裏邊的這個邏輯啊
和它這個底層的原理到底是什麼
很多時候學到最後呢
大家都知道有一個東西叫批值
是吧
這個假設檢驗我們看批值就好了
但這個原理得清楚啊
這個原理我們劇透一下吧
之前應該也是和大家提過啊
就是六個字啊
就是六個字叫小概率反證法
小概率反證法
有很多的同學面試啊
這個面試專門的六四用的崗位面試完以後呢
那個一聊問問問一問就都面試問什麼內容了
很多同學都說問我假設檢驗的基本原理了
所以今天我們把這個東西說清楚啊
就六個字小概率反證法
第三啊
第三就是我們拿這個一個簡單的案例出來啊
和大家一起去操作一下MeTip
這一部分呢
不拓展啊
我們只給大家去做一個演示啊
首先啊
我們得先了解一個場景啊
這個基本概念這個叫總體和樣本
這個是我們基礎統計裏邊的基本概念啊
那我們呢
假設檢驗其實它的整個的這個架構啊
應用的大的場景啊
就是通過我們抽樣
其實說白了
就是通過樣本去推斷總體啊
這就是假設檢驗大的背景啊
最大的背景
任何一個假設檢驗都跑不過這個範疇啊
那麼什麼叫總體
總體的定義呢
其實這個東西我們可以人爲去定義啊
就是我們定義的一個集合裏邊全部的個體就叫總體
舉個例子啊
比如說我們直播間現在算上A認老師
我們15位同學啊
我們15個人
那麼我說直播間裏所有的人啊
這個就叫總體
這一圈假如說不走人啊
也不新進人的話
那麼這15個人就叫總體
那麼什麼叫樣本啊
就是說我們通過抽樣
從總體裏邊獲取到的部分的個體
這個樣本啊
這個就叫樣本
比如說我從我們直播間裏邊啊
抽三位同學
隨機抽取三位同學
這個叫樣本
那麼無論任何時候啊
無論任何時候
我們想要了解的都是總體的信息啊
都是總體的信息
比如說啊
這個μ是什麼
大家知道這個μ啊
μ叫平均值嗎
S8也叫平均值
對吧
它倆的區別是什麼呢
μ是總體均值
S8呢
是樣本平均值
比如說
sigma方
這個叫什麼
這個叫方叉啊
這個s的平方呢
也叫方叉
有什麼區別啊
sigma方叫總體方叉
s方呢
叫樣本方叉
比如說
標準叉對吧
sigma叫總體標準叉
s呢
叫樣本標準叉
那麼凡是描述我們總體的這些
比如說總體均值
總體方叉
總體標準叉
總體比率
它們都叫總體的一個參數
那麼凡是描述我們樣本的
比如說樣本平均值
樣本方叉
樣本平均值
這些呢
都叫樣本的一個統計量
所以我們一說到統計量統計量
那指的就是指
指什麼
只描述樣本的這些個指標
那麼無論任何的場景
我們最想知道的
是什麼
就是總體的參數
總體的情況
總體的參數
這個是毋庸置疑的
那麼有幾個大的場景
我們是沒有辦法知道總體情況的
那麼或者換句話說
我們怎麼能知道總體的平均值
比如說啊
我們現在直播間啊
這個咱還是假設不動吧
15個人
我們說高點
假如25個人
我想知道我們直播間的平均升高
我怎麼能知道總體的平均升高
只有一個辦法
這個辦法是什麼
就是全減
全減
就是把我們25個同學啊
都拉出來測一個升高
然後呢
算一個平均值
我就知道總體平均值了
所以只要想知道總體的情況
就只有一個方法
就是全減
全部減一遍
那麼大家可以想一下啊
在我們的製程裏面
或者在我們的製造業裏面
有哪些情況
我們沒有辦法進行全減
在我們的製程裏邊有哪些情況
我們沒有辦法進行全減
第一
破壞性測量
比如測一個換一個測一個換一個
比如測一些比如抗拉強度了
鍛鍊強度了
這個東西沒有辦法全減
你說我全減完以後
所有產品都報廢了
這不可能
這是第一種情況
第二種情況
我們不能全減的是什麼
就是我們的測量的成本太高了
你比如說有的行業啊
有的行業
他比如一天的這種生產量的話
可能要達到五萬件或者四萬件啊
就以萬爲單位的
那你說如果要線下測量
我們產品的這些特性的話
那我要準備多少個測量員
VIC說的對啊
破壞性啊
我要準備多少測量員
你要一天生產五萬個產品
我要把這五萬個產品全部全減一遍
那我得測到什麼時候
我得準備多少個建業員
所以第二個場景就是
人力時間成本比較高的時候
我們也沒有辦法全減
這是最常見的兩種製造業裏邊的情況啊
一VIC說的破壞性測量
第二生產量比較大
測量比較費時
我們需要的這個檢驗員比較多
人力和時間成本
那麼沒有辦法全減的時候怎麼辦
我們也不能說不減了
那麼一般我們會怎麼樣
會從總體裏邊抽取一些樣本出來
這個行爲叫什麼
這個行爲就叫抽樣
好
那我們看一看啊
比如說我要從我總體50個人裏邊
這一個部門50個人裏邊
我要抽三個樣本
來看一下我們平均身高的平均情況
那麼比如說啊
我一開始抽這三個人
123
他的平均身高是多少
我們算一下
1米72加1米69加1米81
平均值1米74
我問大家這個1米74
我能直接說
我們這個部門的平均身高是1米74嗎
大家認爲可以嗎
或者我們換句話說啊
這個1米74是什麼的平均值
我們來討論一下
這是大的背景
這是總體平均值嗎
我能直接小峯觀察說樣本
樣本
加盟說樣本
VSA說是樣本
OK
大家說的對啊
這個叫樣本平均值
X8就是樣本平均值
好
那大家知道啊
我們只要抽樣
對吧
咱先別說什麼抽樣的方法了
這些我們都不提啊
我們就說一個最簡單的
50個裏邊抽三個也好
五個也好啊
這個抽樣
樣本是具有隨機性的
大家能理解吧
我如果再抽一次
那可能我抽到的是這三個人
那我算一個樣本平均值又變成了1米66
啊
如果我再一次抽樣
我有可能抽到這三個人
我的樣本平均值又變成了1米8
所以是什麼
抽樣抽取的樣本具有隨機性
所以我們每次抽樣得到的這個樣本的統計量
它也會一直在變化
樣本就隨機性了
因爲我們是從總體裏邊隨機抽的
所以通過這些樣本計算的出來的這些樣本的統計量
不管是樣本平均值
樣本的方差
樣本的標準差
或者是比率
它都是會隨着樣本的變化而變化
也就是說
我們不能直接用它來代表總體的參數
你說
哎
抽三個
對吧
我直接說這一個部門平均身高都是1米74
這個不行
好
我們這一頁就和大家說大的場景
那麼
我現在我們前面和大家說的這些
大家能理解的
大家能認可的
大家扣個一
大家哪不理解
哪不認可
大家隨時打到評論區
白家蒙說
總體均值可以用各組樣本均值計算嗎
不可以啊
白家蒙
不可以啊
怎麼來的啊
怎麼怎麼怎麼怎麼怎麼總體均值怎麼能獲取
總體均值怎麼樣能獲取
總體均值想獲取只有一個辦法
全解能理解
全解所有的所有的個體全部測一遍
這是這是唯一的辦法
好
那我們來看一下
我這一頁只有VSC扣一了
不知道其他同學明不明白啊
我們再看一個場景啊
再看一個場景啊
看看大家有沒有理解我前面剛說的啊
我來給大家念一下啊
我們針對密封強度
這是我們產品的一個重要的特性
進行了重點的改善
我們想知道這個改善後密封強度的平均值
平均值是否比改善前有顯著的提高
但是呢
由於這個密封強度
我們要測的話
它屬於破壞性測量
所以我們只能怎麼辦
抽啊
那麼從改善前的產品裏邊抽30個
改善後的產品裏邊抽30個
各抽30個樣本
那麼我計算出來改善前的密封強度的平均值是5.48
改善後的密封強度的平均值是5.71
那我問大家
我們能得到什麼樣的結論
第一改善後確實是密封強度的平均值有顯著提高
第二不確定啊
我不確定這個不好說
來我們討論一下
大家認爲是一還是二打到評論區
我們通過這個場景啊
就能知道大家我們上一陣說的這些
大家有沒有理解啊
來我們討論一下啊
大家可以幫我們點點贊啊
感謝大家的支持
我日無說領導覺得是一啊
要不然改善提案通不過
首先啊
這個5.48和5.71
這是什麼平均值啊
這個叫樣本平均值啊
大家理解啊
這個叫樣本平均值啊
然後我們說過什麼
抽樣具有隨機性啊
有沒有一種可能
我改善後抽樣抽的這30個產品
恰巧就是偏高的
我運氣好
那麼改善前抽的這30個產品呢
恰巧抽的就比較低的
哎
有沒有這種可能啊
加盟說的對啊
這是樣本啊
有沒有可能我們說過啊
抽樣具有什麼
抽樣具有隨機性哦
我再各抽30個有可能這個改善後的平均值
他可能還下去了呢
有沒有這種可能
哎
5.39了
有沒有這種可能
哎
有可能有可能吧
加盟啊
所以不能直接比大家理解了吧
如果你說我下定這個結論了啊
改善後有顯著提高
那就證明我們還是有一個意識在裏邊
就是什麼
我用樣本均值直接來代表了總體均值
這個不行
有風險
對吧
因爲抽樣的有隨機性
那說了這麼多
對吧
我只和大家說了
不能這樣幹
對吧
不能直接用樣本的信息去推斷總體的信息
光告大家不能這樣幹了
那我得告訴大家怎麼幹啊
那怎麼幹是對的呀
那麼這裏邊呢
就有一個東西是我們要知道的啊
叫做什麼
叫做統計推斷啊
假設檢驗的背景是什麼
第一基於抽樣
假設檢驗的大背景一定是基於抽樣
能理解啊
一定是基於抽樣啊
然後利用統計的方法和原理
通過樣本的信息去推斷總體
能理解吧
好
我換一個場景啊
我看看大家能不能瞭解這個假設檢驗的應用場景啊
現在我假如說啊
比如說我們兩個部門啊
工藝部門50個人啊
質量部40個人
然後啊
我把工藝部的50個人全拉出來了
測量身高算了一個平均值
1米75
我把質量部的40個人全拉出來了
全檢測量一個一個測量完身高以後算一個平均值啊
1米73
我問大家啊
這樣的一個場景
我用不用假設檢驗
用扣1
不用扣2
我想知道這兩個部門的平均身高誰更高一點
我用不用假設檢驗
用扣1
不用扣2
密西西說不用
Big Bird說不用
VSA說不用
白加盟說不用
我們其他同學呢
大家都可以一起討論啊
哭警半路殺出
答案是什麼
我這50個人都全減了
我都算了總體平均值1米75了
質量部40個人我也全減了
我也算了總體平均值1米73了
我直接就比了
我直接可以下結論了
工藝部門的平均身高就是比質量部門平均身高高
這個叫什麼
這個總體啊
我還需要假設檢驗嗎
不需要了
大家理解吧
不需要了
只有抽樣的時候
推斷總體的時候才需要
你說我都已經知道總體情況了
就不需要假設檢驗了
能理解了
這是大的背景啊
大的背景
大家記住啊
什麼時候要用啊
抽樣
這是假設檢驗最大的背景啊
別管單T雙T
別管什麼假設檢驗裏邊哪一個工具
大的背景都是抽樣
好
來
我們看一下具體的場景啊
首先
剛纔我們和他說了
假設檢驗的大的背景
剛纔說過了啊
假設檢驗是基於抽樣啊
那麼例如有哪些
比如說啊
簡單瞭解一下
新配方的產品滿意度
是否顯著高於舊配方
新材料的耐用性是否比舊材料更好
新舊材料的前後對比
或者我們剛纔和大家說的這些
比如這個案例啊
這個背景
就是改善前後的一個對比
流程的優化
比如說新的操作流程
是否能顯著縮短生產時間
那這個流程
他每天雖然是流程固定的
但是他的這個
你要去測這個流程的這個時間的話
你不可能24小時盯着
對吧
你肯定會抽幾個
還有比如說質量管理方面啊
這個你看我們有的時候
某些原材料
他不是一個供應商
因爲現在呢
基本上很多時候大家都知道一些核心的原材呢
你只一個供應商的話
這個風險很大啊
還有一些場景呢
就是說我們現在慢慢的呢
大家都會發現所謂企業在降本增效
慢慢的這些個原材啊
很多原來進口原材可能都會轉成國產的
就爲了這個成本低嘛
所以你在兩個供應商之間
他提供的這些個產品裏面
哪一個穩定性更好
哪一個質量更好
這些做對比的啊
大家看到了這些其實都是什麼
這些都是對比啊
這些都是對比
然後呢
基於抽樣
這是大的一個背景
我們瞭解一下就可以了
這個大家瞭解一下就可以了
第二部分是我們的核心啊
這一部分就是很多時候比較有混淆的一個地兒
這個業內啊
坊間傳過一句話
說這個假設檢驗啊
是這個聽課的人最不樂意聽的
也是講課的人最不樂意講的
爲什麼呢
就是裏面繞
所以這個有個笑話
怎麼說的
說假設檢驗是什麼
就是說
老師先給學生講
學生聽着聽着這個就就迷糊了
學生迷糊了以後呢
再問問老師問老師幾個問題呢
老師也迷糊了
最後大家都迷糊怎麼辦
好
我們就直接記住結論
看這個批值吧
這是一個點對吧
還有一個是什麼
就是說學的時候
這個假設檢驗裏邊有太多的統計東西在裏邊
這個內容在裏邊支撐啊
你比如一講替檢驗
你要算一個替分佈怎麼來的
替統計量的公式是什麼啊
你比如中心極限定理弄着弄着就是很亂啊
就是很亂
所以我們今天呢
把這些東西都拋開啊
會不會講會講
我們放到後邊講
我們先說一個基本的
先稍微上一丟丟概念啊
假設檢驗裏邊有三大類東西啊
三大類東西
第一
假設檢驗裏邊不有很多工具嗎
單樣本T
雙樣本T
ANOVA
單方叉
雙方叉
對吧
單比率
雙比率
還有這個列聯表
對吧
很多很多吧
裏面這麼多假設檢驗的工具到後邊怎麼選啊
我和大家說就確定三個東西
第一幾個總體
這個我後面每一天直播的時候
每一次直播都會問大家這個問題啊
我們一起去討論這個東西
讓大家自己掌握它
第二檢驗的統計量是什麼
這個我們還沒說到啊
這個在後邊會和大家詳細的說
第三對比陳述是什麼
我們今天說什麼
今天先說對比陳述
什麼叫對比陳述
在這個假設檢驗裏邊啊
大家聽過他叫假設檢驗
所以他會有兩個假設啊
第一個假設叫原假設H0
這些東西大家不需要思考
把它背下來就可以了
因爲這是他必須要有的
還有另外一個假設叫備則假設
我們叫H1
那麼什麼叫H0啊
我們看一下啊
不存在差異的假設
或原始狀態的假設
什麼叫備則假設呢
要用樣本數據來證實的假設
我們實際問題想證實的假設
這就是概念啊
這就是概念
有點繞吧
我們直接看啊
來還記不記得這個例子
還記得這個例子吧
我們改善前後啊
爲了改善什麼
改善密封強度的平均值
看他是不是有顯著的提高啊
那麼在假設檢驗裏邊
我們怎麼構建這個假設
原假設是什麼
原假設大家記住了
他一直都是等於號啊
這個不用思考
你也不用選
只要是原假設就是等於號
那是什麼
就是命後啊
什麼叫命後啊
就是改善後的總體均值
等於改善前的總體均值
這就是這也就說明什麼
說明我們改善前後沒啥效果啊
沒什麼差異
沒什麼效果
所以呢
挪到一邊去是什麼
就是命改善後啊
改善後的總體均值減去改善前的總體均值等於零啊
那麼備則假設有三種
哪三種就是三個符號
大於小於不等於
這就是一個點
什麼點啊
就是我們很多同學曾經問過
這備則假設到底怎麼選
我到底選大於小於還不等於啊
這個原假設都是等於號
OK
那這個備則假設到底是什麼號
我怎麼選
看這句話
你實際想證明什麼
想證明什麼
你的備則假設怎麼選啊
所以很多同學不知道備則假設怎麼選的原因是什麼
他沒有問題
什麼叫沒有問題
就是我現在想使一下假設檢驗
對吧
我問兩下
我來練習一下
你當然就不知道怎麼選
先有問題後選工具
問題是什麼
問題我想證實什麼
我關心什麼
我關心的是
改善後的密封強度的均值
是不是有顯著提高
那就是
μ後是否大於μ前
挪過來
就是改善後的總理均值
減去改善前的總理均值大於0
如果我們說
我看一下改善後均值是不是有顯著的降低
那就是μ改善後減μ改善前小於0
有的時候啊
尤其是在我們這個Demake方法論裏邊
A階段假設檢驗用於根源驗證的時候
我們很多時候不是關注你提高了還是降低了
我們關注的是你是否有差異
那這個時候
我不管是你大還是他大
我就看你倆有沒有差異
我們備字假設就選擇不等於
那麼這兩個假設他倆什麼關係啊
你死我活
互補的關係
什麼意思
也類似於我們去法院起訴的這個原告和被告
你我們誰也沒聽過
原告也勝了
被告也勝訴了
對吧
反正這倆人裏面得有一個勝
要不就是他
不可能倆人同時成立
這倆只有一個成立
大能力啊
那麼你構建的這個H0和H1
H0和H1這一對
原假設
備字假設
這個東西的學名叫什麼
叫做對比陳述
OK
那現在我們大家聽明白了扣個一
聽明白扣個一
我接着和他往後說
大家哪不清楚啊
隨時打到評論區
千萬別不好意思啊
我來預設一個場景
我們來討論一下啊
我們現在在製程裏邊有一個工序
叫這個就是衝壓吧
我們有兩臺設備啊
分別是設備一和設備二
現在我懷疑啊
我們兩臺設備生產的產品
它的厚度不一致啊
這兩臺設備之間有差異
設備厚度的均值有差異
那麼原假設是什麼
我們從設備一里邊抽一部分樣本啊
從設備二里邊抽一部分樣本
那麼原假設是什麼
這個很簡單
這是固定的
對吧
這個就是μ1-μ2等於0
那麼H1倍則假設是什麼
1大於2小於3不等於
來大家可以把大家認爲的答案打到評論區啊
我看一下大家會不會
會不會選倍則假設了
我再說一下
我們現在先有問題啊
先有問題後選工具
對吧
對比程度就出來了
問題是什麼
我懷疑啊
我們也懷疑啊
兩臺設備間這個厚度的均值有差異
那是倍則假設是選1,2還是3
SonyOneX
好可愛的名字
SonyOneX和Bigboard啊
密西西都說3
我們其他同學呢
家蒙說3
對嗎
對着了啊
大家說的都對啊
所以現在知道倍則假設怎麼選了吧
知道了吧
實際問題是什麼
你知道的實際問題是什麼
倍則假設你一定知道怎麼選
好
那麼我們來說一下啊
介紹另外一個概念叫P值
這出來了啊
這個這個這個大boss出來了啊
假設簡安裏邊繞不開的這個這個中級boss啊
叫P值對吧
OK啊
P值是什麼東西啊
我們也可以叫他P value
簡單來說啊
這個這個P值是什麼東西啊
它就是一個概率值
先說最簡單的
它是一個概率值
那麼只要是概率
大家就知道了吧
那一個概率它的取值範圍會是多少
0到1
所以P值最小是0
最大是1啊
它是一個概率值
我們先知道P值是一個概率值啊
好
那它是一個什麼概率值呢
當原假設H0成立時出現該種情況的概率
這個就叫P值
當原假設H0成立時出現該種情況的概率
回到這啊
H0我給大家寫一下啊
μ改善後的總體均值減去μ改善前的總體均值等於0
H1備則假設μ後改善後
減去μ改善前的總體均值
我們關心它是不是有顯著提高
所以是大於0
所以P值是什麼
當原假設成立時出現該種情況的概率
所以第一個東西就出來了啊
我們說假設檢驗的原理六個字小概率反證法
第一個詞就出來了
叫反證法
什麼叫反證法
理論上來說
H0和H1它倆肯定有一個成立的
對吧
現在呢
我們先假設H0成立
然後去找證據看看會不會推翻原假設
這個叫反證法
先假設H0是成立的
然後找證據看看會不會推翻的
這個就叫反證法
大家理解了
什麼叫P值呢
當原假設成立
我們先在這個案例裏面看一下啊
當原假設成立
原假設是什麼啊
那就是改善後的總體均值
等於改善前的總體均值
沒有任何變化
它倆不存在均值的這種差異性
它倆總體均值一樣
你這個改善沒有用啊
你這個改善沒有用
先假設它成立
出現該種情況的概率出現哪種情況了
我從改善前後的產品裏邊各抽了三十個樣本
改善前的均值是5.48
改善後的均值是5.71
出現這種情況的概率就叫P值
我換一個說法看看啊
比如說現在的P值
我們算一下是0.14
當改善前改善後的均值
它們差不多
沒有差異性
那麼出現該種情況
哪種情況抽了三個產品啊
改善前的平均值5.48
改善後的樣本平均值5.71
出現這種情況的概率就叫P值
我們能算啊
手算也可以算
metab也可以算
先別管它怎麼算
先明白這個原理啊
那我問大家一個問題啊
我現在改一下
如果改善前的均值還是5.48
我抽完樣以後改善後的抽了三十個樣本的樣本均值和5.71比啊
變成14.51了
我問大家這個P值會變大還是會變小
思考一下會變大還是會變小
艾瑞老師不會和不會隨便問大家問題的
我和大家討論的問題都是引導大家去想啊
去想這邊的原理啊
我再說一下啊
什麼叫P值啊
先假定原假設成立
出現該種情況的概率
原假設是什麼呢
我們假定改善前後的總體均值一樣的
改善前後的總體均值一樣的
出現該種情況的概率
哪種情況呢
改善前抽了三十個平均值
樣本平均值啊
5.48改善後抽了三十個平均值
樣品值的5.71
算一個概率值出來多少
0.14啊
那麼現在
現在啊
我說我變一個場景
改善前抽了三十個樣本的均值
5.48改善後三十個樣本的均值
從5.71升到14.51
我問大家這個P值會變大還是會變小
會變大還是會變小
和0.14比啊
會變大還是會變小
思考一下
大家認爲大
大家就摳大
大家認爲會變小就摳小
每天進步一點就是拒絕原假設
我們先不說到那
我們就先說這個P值會變大還是會變小
BIG BOT說小啊
VSC說小
明星說小
我們其他同學呢
思考一下啊
很重要的一個問題啊
人間自有真情在說
小啊
勇士小王說小
對着呢
對吧
沒錯吧
我們想一下啊
假如說改善後的均值和改善前的總體均值沒區別
對吧
也就是改善沒效果
改善後的總體均值和改善前的總體均值一模一樣
然後呢
改善前我抽了30個樣本
樣本平均值5.48
改善後呢
又抽了30個樣本
樣本平均值14.51
這倆差了這麼多
這麼多
那假如他倆總體均值一樣
然後抽了兩個
抽了樣本出來差這麼多
這個概率是大還是小
小峯觀察說
爲什麼批小是拒絕原假設
因爲什麼
所以說
現在我們一步一步說這個批值
你得先理解它是什麼意思
批值的意思是什麼
當原假設成立的時候
先假定原假設成立
出現該種情況的概率
我先假定原假設成立批後
這個改善前後的總體均值一樣
然後呢
你改善前後各抽了30個樣本
樣本平均值差了這麼多
那大家想一下
那這個東西他還能成立嗎
來小峯
那他還能成立嗎
小峯想一下
這個東西啊
我和他說這個東西啊
應有盡有
真的
你別拿我們別拿這個案例說了
我跟大家說
應有盡有啊
什麼叫應有盡有
張嘴就來
現在假定啊
我們去追一個女孩子啊
我們去追一個女孩子
這個女孩子呢
她到底是對我們有意思沒意思呢
我們也不知道
那我們就做一個假設檢驗好吧
H0是什麼呢
H0就是對我們
有意思啊
對我們也有好感
那就生活當中例子啊
我隨便和大家說啊
H1是什麼
沒意思啊
不不那個沒有好感
對我們一點意思沒有
現在啊
這是對比陳述吧
H0H1啊
好
現在實際情況是什麼
實際情況就是送花了
他說了一句謝謝啊
和他聊天
然後呢
他不怎麼搭理我們很冷淡啊
然後呢
我們喊他出來約會啊
他說他有事
P值是什麼
來大家跟我P值大是小
P值大是小
我再和大家說P值的定義啊
當原假設成立時
什麼叫當原假設成立
就是先假定原假設成立
原假設是什麼呀
他對我們有好感
他對我們有意思
出現該種情況的概率
出現了該種情況
什麼叫該種
該種是什麼
就是現實情況出現的事
現實情況是什麼
送花
人家說謝謝
你跟人聊天
人家很冷淡
我們約他出來
他說他忙
沒時間
那我問大家
這個P值是大是小
咱們先別說別的
這個P值大是小
這跟統計沒關係了吧
這跟製程也沒關係了吧
那這P值大是小
小峯呢
進步一點點說概率極低
對吧
牛站說小
小峯觀察說小
對吧
小意味着什麼
很多時候
就很多時候有一句話
這個話說的是非常錯誤的
這個話怎麼說
他說小概率事件一定會發生
這是完全錯誤的
什麼叫小概率事件一定會發生
那小概率事件一定會發生
那我們都去幹小概率事件的事情唄
不是的啊
我們正常的思維是什麼
小概率事件一旦出現
就證明我們判斷錯了
大家明白吧
看到了
你先假設他對我們有意思
然後基於現在這種情況
基於這個女孩對我們有好感
我們幹了這些事
一算這個概率值很衝突
對嗎
這個P值很小
那我們結論是什麼
結論是什麼
結論就證明我們最開始
假設H0成立這個事就錯了
H0他就不該成立
H0要成立的話
這個概率值怎麼會這麼小呢
這個概率值這麼小
就證明我們H0假設的成立是錯的
所以怎麼辦
把他推翻
那這個H0 H1
他倆是你死我活互補的關係
你把H0推翻了
那誰就成功了
那H1不就成立了嗎
那就是沒有好感
能理解吧
所以明白了嗎
小峯
爲什麼說P值小要推翻原假設呀
你要明白P值的概念是什麼
P值的概念是先假定原假設是成立的
算一算出現目前這種情況的概率是多少
這個概率一旦小
那就意味着我們最開始假設的這個原假設成立這個事是錯的
所以要推翻他去接受他的這個對面的這個東西
哦
他對我們沒好感
能理解吧
所以這些東西加一塊原理是什麼
那六個字是什麼
大家打到評論區
那六個字是什麼
六個字
我們講這個生活當中的例子
這六個字體現沒體現出來
這六個字
來我們哪位同學聽明白了
前面跟着聽了
假設體驗的原理六個字是啥
啊
看見了嗎
大家看牛顫打出來了
小概率反正法
現在明白了
什麼叫反正法
先假定H0成立
然後找證據去推
看看他推翻推不翻
這就叫反正法
什麼叫小概率
小概率事件一旦出現
我們認爲他就不應該存在
就推翻他了
所以這個叫小概率反正法
這個東西
這咱怎麼說
咱就說
除非一帆風順
除非這個
這個情聖
對吧
那一般我們去追一個女孩子的時候
大家都會遇到這種場景吧
或者說大家沒遇到過
大家看到過吧
大家看過電視劇吧
一個男孩子這樣
就幹了這些事
又送花
又聊天
又約會
人家女孩子捱打不理的
大家當時腦子裏得出什麼結論
這個女的對你沒有好感
她對你
不來電
這是什麼思維
這就是假設檢驗的思維
大家理解吧
這就是假設檢驗的思維
只不過
沒有人和大家用假設檢驗的東西
給按照假設檢驗的邏輯
給大家說一遍
其實就是假設檢驗的邏輯
邏輯
或者說這個小概率反正法
就是我們日常生活工作當中
判斷任何一切事情的一個邏輯
太多了
隨便太多了
隨便舉例子太多了
那舉個例子
比如說對吧
這個我們直播間26位同學
那哪位同學和Adrian老師互動
Adrian老師都積極地回應
對吧
就就BIG BOLD和我說話
我不理他
那BIG BOLD做個假設檢驗
H0是啥
Adrian老師對我沒有敵意
H1是Adrian老師對我有敵意
出現什麼情況了呢
誰回答問題
誰討論Adrian老師的回應
就我
就BIG BOLD跟Adrian老師說話
他不理我
這概率是大還是小
Adrian老師如果對你沒敵意
怎麼可能就不理你呢
那這個概率肯定很小啊
那你會得出什麼結論
壞了
Adrian老師肯定對我有什麼看法了
對吧
所以這太多太多了
太多太多了
生活當中太多太多了
這是我們日常生活當中
咱都不說工作
也不說統計
也不說工具
我們判斷的原理邏輯都是這樣的
小概率反正法
只不過我們呢
這個成年了
我們經歷的事情多了
所以這個不需要思考了
對吧
條件反射一樣就出結論了
但是你要一步一步細細的拆
其實就是假設檢驗這一套
所以沒這麼難
現在大家應該知道批值的意思了
對吧
牛站問怎麼算批值
我和大家這麼說啊
批值怎麼算啊
第一
如果大家想看怎麼推導算批值
我可以給大家在後邊的課程裏邊去準備這樣對應的內容
但是啊
我們現在基本上沒有人去手算批值了
我們都是用metable或者jump
讓他去幫我們算批值
所以我們的重點放在哪裏呢
第一明白假設檢驗的應用的場景
第二明白假設檢驗的應用的原理
第三知道什麼時候用假設檢驗
用假設檢驗裏邊的哪一個工具啊
至於怎麼算批值
我們在後邊的課程裏邊會和大家慢慢的去說啊
大家彆着急
好
那我們今天的直播呢就到這裏了啊
感謝大家的支持
