我試著把我的理解用通俗的語言表達出來。
1.為什麼有統計學？就是因為我們沒有辦法窮盡所有的資料，只能從整體中取出部分，透過研究部分來推測整體。從部分推斷整體，包含著兩個基本思想，一是帶有機率性質的反證法，一是小機率事件。
2.所謂反證法是指，先建立兩個命題，在假設檢驗中叫做假設（hypothesis），一個叫H0，表示原假設（null hypothesis），一個叫H1代表備擇假設或對立假設（alternative hypothesis）。那怎麼確定H0和H1呢？
思考的邏輯是：為了檢驗H0是否正確，先假定它正確。如果樣本的觀測值得出一個與H0應有的結果完全矛盾的結果，我們就“不能接受（拒絕）H0”，轉而接受H1的假設。如果沒有出現矛盾的結果，注意，這時我們不能斷定“接受(不拒絕）H0"，我們只能說，沒有足夠的證據證明H0是錯誤的，這時是不能肯定H0是一定正確的。這裡有點繞，如果理解了這點，下面就好說了。
出於以上的情況。H0，H1是不對等的，不能隨意交換的。在一般情況下H0要取那個在實踐中受到保護 、不證自明、要有足夠的證據才能否定它的等等諸如此類的命題。我們把相等的、無差別的、等號成立的結論作為H0，將待證明的、不相等的、有差別的命題作為H1。所以在具體統計中的引數檢驗，H0一定是等於，H1則是大於、小於或者不相等。
用一個不是十分恰當的比喻，H0的設定就類似於審判中的無罪推定，法官審案的時候，總是先假設嫌疑人是一個無罪之人，然後看看檢方的證據是否充分來推翻無罪的假設（H0)，從而接受H1，判定嫌疑人有罪。如果找不到足夠的證據來證明嫌疑人有罪，那隻能接受H0（無罪），宣佈嫌疑人清白，即使可能他真的犯了法。反之，我們不能一開始就假設一個嫌疑人有罪，那就亂了。
3.我們解釋了H0的選定原則，那什麼就叫“有足夠的證據”，這就是統計推論的第二個原則：小機率事件。根據常識，在假定H0成立的情況下，小機率的事件幾乎不會發生，如果發生了，很大的可能性就是H0的假設不成立。小機率小到多少，這就是“P值"乾的活了。那有沒有小機率發生了H0卻是正確的誤殺情況呢？當然有，這又是所謂的“α錯誤”和“β錯誤”了。這裡不再羅嗦了。
我試著把我的理解用通俗的語言表達出來。
1.為什麼有統計學？就是因為我們沒有辦法窮盡所有的資料，只能從整體中取出部分，透過研究部分來推測整體。從部分推斷整體，包含著兩個基本思想，一是帶有機率性質的反證法，一是小機率事件。
2.所謂反證法是指，先建立兩個命題，在假設檢驗中叫做假設（hypothesis），一個叫H0，表示原假設（null hypothesis），一個叫H1代表備擇假設或對立假設（alternative hypothesis）。那怎麼確定H0和H1呢？
思考的邏輯是：為了檢驗H0是否正確，先假定它正確。如果樣本的觀測值得出一個與H0應有的結果完全矛盾的結果，我們就“不能接受（拒絕）H0”，轉而接受H1的假設。如果沒有出現矛盾的結果，注意，這時我們不能斷定“接受(不拒絕）H0"，我們只能說，沒有足夠的證據證明H0是錯誤的，這時是不能肯定H0是一定正確的。這裡有點繞，如果理解了這點，下面就好說了。
出於以上的情況。H0，H1是不對等的，不能隨意交換的。在一般情況下H0要取那個在實踐中受到保護 、不證自明、要有足夠的證據才能否定它的等等諸如此類的命題。我們把相等的、無差別的、等號成立的結論作為H0，將待證明的、不相等的、有差別的命題作為H1。所以在具體統計中的引數檢驗，H0一定是等於，H1則是大於、小於或者不相等。
用一個不是十分恰當的比喻，H0的設定就類似於審判中的無罪推定，法官審案的時候，總是先假設嫌疑人是一個無罪之人，然後看看檢方的證據是否充分來推翻無罪的假設（H0)，從而接受H1，判定嫌疑人有罪。如果找不到足夠的證據來證明嫌疑人有罪，那隻能接受H0（無罪），宣佈嫌疑人清白，即使可能他真的犯了法。反之，我們不能一開始就假設一個嫌疑人有罪，那就亂了。
3.我們解釋了H0的選定原則，那什麼就叫“有足夠的證據”，這就是統計推論的第二個原則：小機率事件。根據常識，在假定H0成立的情況下，小機率的事件幾乎不會發生，如果發生了，很大的可能性就是H0的假設不成立。小機率小到多少，這就是“P值"乾的活了。那有沒有小機率發生了H0卻是正確的誤殺情況呢？當然有，這又是所謂的“α錯誤”和“β錯誤”了。這裡不再羅嗦了。