资源介绍
视频数量：14个
总时长：2小时26分
课程介绍：
数据科学战略优势：假设检验与单样本推断实战
想象这样一个场景：生产线上某款产品的关键指标突然出现波动，质量团队需要判断这是偶然波动还是真实的趋势变化。市场部门想知道新推出的促销活动是否真的带来了客单价提升，还是仅仅是随机波动导致的错觉。这些问题背后，都需要同一种工具来回答——假设检验。
这门课程是《数据科学战略优势》系列的第二讲，由来自I-6 Sigma与数据科学实验室的专业工程师园田幸男主讲，专注于假设检验的前半部分内容。整套课程围绕假设检验与基于p值的风险管理展开，而第二讲作为开篇，重点解决单样本场景下的代表性值检验问题。课程时长约两个半小时，结构紧凑，没有多余的废话，每一节都对应一个具体的方法或练习。
一、假设检验的三个关键要点
第一节直接切入核心，提出了理解假设检验必须把握的三个关键要点。这部分内容并不是抽象的统计学理论堆砌，而是强调一个容易被忽视的认知：假设检验的真正价值不在于判断假设本身的对错，而在于根据检验结果制定相应的行动计划和风险对策。统计学只能告诉我们假设成立的概率或频率，却无法替我们做决策。这种思路贯穿整门课程，让学习者从一开始就把统计学定位为辅助决策的工具，而不是自动给出结论的黑箱。
二、为什么需要假设检验
课程第二节从信息获取的角度解释假设检验的目的。在真实的业务场景中，我们往往只有一份样本数据，却需要对整个总体的状态做出判断。假设检验提供了一套严谨的框架，让基于有限数据推断整体成为可能。同时，课程会讨论检验结果如何与决策和行动选择挂钩——当p值低于某个阈值时我们该怎么办？高p值又意味着什么？这部分内容帮助学习者建立起从数据到行动的完整逻辑链条，而不是停留在算出p值就完事的层面。
三、如何选择合适的检验方法
面对众多检验方法，初学者最常犯的错误就是随手选一个公式套进去用。课程第三节专门解决这个问题，详细讲解了在不同情境下如何选择最合适的检验方法，包括样本量大小对方法选择的影响，以及如何利用免费统计软件来完成计算。这一节对实际工作特别重要，因为选择错误的方法往往比不分析更糟糕，它会给出误导性的结论。
四、正态性检验
很多教材把正态性检验当成附录一笔带过，但这门课程单独拿出一节来讲，因为它是后续选择参数检验还是非参数检验的前提条件。课程会介绍正态性检验的具体方法，并配有一道练习题，让学习者亲手操作，真正理解什么时候数据满足正态性假设，什么时候不满足。
五、单样本检验的核心方法
这是课程的重头戏。第五节系统讲解了四种单样本检验方法：单样本Z检验、单样本t检验、单样本符号检验以及Wilcoxon符号秩检验。对于每一种方法，课程都会先讲清楚它适用的问题场景，再说明具体的计算步骤和解读方式。Z检验和t检验是参数方法，适用于数据满足正态分布或样本量较大的情形；符号检验和Wilcoxon符号秩检验则是非参数方法，在数据分布不明或样本量较小时更为稳健。课程为每种方法都配备了对应的练习数据集，学习者可以边学边练，把每个方法真正用熟。
六、额外的补充内容
课程末尾附有一节加餐讲座，补充一些延伸内容，帮助学习者把前后知识串联起来，形成更完整的理解框架。
整门课程的定位非常明确：它不是给统计学教授准备的学术讲座，而是给需要在实际工作中用数据做决策的工程师、分析师和管理者准备的实战指南。课程配套有练习用的CSV数据文件，鼓励学习者跟着进度动手操作，而不是被动听讲。如果你已经具备了基础的统计学概念，想要系统掌握假设检验的方法体系，特别是单样本检验的完整流程，这门课程会是一个非常扎实的选择。学完之后，你不仅能正确选择检验方法、计算结果，更重要的是能根据结论制定合理的行动方案，真正让数据为决策服务。