有A和B两位篮球运动员，都认为自己的三分球投篮技术比对方好，谁也不服谁。于是两人来了一场投篮友谊赛。规则很简单，固定一个投篮位置，使用同一只篮球，面对同一个篮框，在没有任何外力干扰的情况下，两人分别各投10次，计算命中率。
很快，比赛结束，结果出来了。A命中5次，命中率50%；B命中3次，命中率30%，依照比赛规则，A获得了胜利。但是B很不服气，认为自己没有把真正的实力发挥出来，要求再加赛一轮，第 一轮不作数。A也觉得可以再加赛一轮，他要让B输得心服口服。于是，两人又加赛了一轮，每人各投了10次。
第 二轮结果出来了，A命中6次，命中率60%，B命中了7次，命中率70%，根据这轮的结果，应该是B获胜。这下轮到A不干了，A说不应该只看第 二轮的成绩，应该把两轮的数据汇总起来作比较。A两轮一共投篮20次，命中11次，命中率55%；而B命中10次，命中率50%，总的来说，还是A获胜。B却不这么认为，B觉得既然加赛一轮，就应该只看第 二轮的数据，应该是自己获胜才对。
于是，现在有了如下的三组数据。
只看第 一轮，A获胜；只看第二轮，B获胜；看两轮汇总，又是A获胜。
那么到底应该根据哪组数据来给出结论呢？
A和B两人争执不下，于是一起找到了教练评理。教练看了看数据，说道：“判断比赛谁获胜比较简单，看两次的数据汇总最合理，可以判定A获胜。但是，要说A的投篮水平一定比B高，这个结论暂时还不好下，因为你俩的数据很接近，而且投篮的数量太少。这样吧，我来组织一场比赛，你俩交替各投5轮，每轮20次，每人共100次，你俩谁水平高我们就用这个数据说话。”
于是在教练的组织下，A和B按照新规则完成了比赛，得到了以下数据。
教练拿着数据，打开电脑一顿操作，然后微笑着对A和B说：根据假设检验的结论，我现在有足够的信心判定，A的投篮水平比B的水平要高一些。A和B都表示认可这个结论，但齐声问道：什么是假设检验？这么神奇，还能帮人下结论？
那么，什么是假设检验？
来自百度百科的定义：
假设检验(hypothesistesting)，又称统计假设检验，是用来判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。显著性检验是假设检验中最常用的一种方法，也是一种最基本的统计推断形式，其基本原理是先对总体的特征做出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受做出推断。
这个定义是不是看起来晦涩难懂？其实我们对照上面的案例，就好理解了。首先理解总体和样本的概念。在案例中，我们把某人的投篮水平看成是总体，这个总体包含了TA之前、现在和未来的投篮结果，那么每次比赛，都可以理解为一次抽样，而每次比赛中投篮的次数就是一个样本。在最新一次的比赛中，A和B的样本数量都是100，而A的命中率44%，高于B的30%，如果单看样本，可以说本次比赛A比B命中率高，但我们希望通过样本来说明总体，也就是A和B的水平（能力）的比较，这时候下结论就需要谨慎了。会不会B这次的30%只是他实际能力的正常波动呢？他的平均水平会不会更高甚至高于A呢？
我们可以通过假设检验来回答我们的疑问。
我们先给出一个假设：A的水平高于B，然后来检验这个假设是否成立。打开Minitab软件，进入“统计”-“基本统计量”-“双比率”，把比赛数据输入：
点“选项”，因为我们要检验的假设是“A水平高于B”，所以将“备择”更改为“大于”：
点“确定”，返回再点“确定”，我们就得到了下面的一段文字。
这段文字反馈了很多信息，对于初学者而言，我们只需要看懂最后一行的P值就可以了。本案例中的P值为0.028，也就是2.8%。这个2.8%是个概率，告诉我们如果我们相信前面提出的假设，即“A水平高于B”而判断失误的可能性为2.8%，这是个很低的概率，一般情况下，这个数低于5%时我们就可以有足够的信心下结论了，因为判断错误是个低概率事件。所以，教练才会信心十足的宣布：A的投篮水平要高于B。
我们再用之前两轮的汇总数据做一下假设检验：
得到以下的结果：
这时的P值高达50%，如此高的判断失误概率，难怪仅凭这些数据教练无法做出判断。
说到这里，相信大家对假设检验有了一个基本概念了。那么，在工厂的实际工作中，假设检验有哪些用武之地呢？那就有很多啦！最典型的有以下三个应用时机：
1. 判断某些因素是否是影响结果的真因时；
2. 在改善措施导入后确认目标是否达成时；
3. 判断生产制程是否出现异常而导致明显偏差时。
由于篇幅所限，本文中就不展开讲解假设检验在工厂中的具体应用了，想深入学习的朋友可关注优制咨询的精益六西格玛系列精品课程。
——END——
版权声明：本文为优制咨询精益生产咨询师原创文章，转载请注明出处。
