实例：
背景：
制药公司：
制药公司断言他们的神药能在两周内治愈90%的患者，对于深受打鼾困扰的人来说，这可是个天大的好消息。问题是，并非人人都信服这个断言。
外科医生：
统计邦外壳诊所的医生给病人开了鼾克，但她对结果感到失望。她决定自行对药物进行试验。
她随机抽取了15位鼻鼾患者，对这些患者实施为期2周的鼾克治疗。两周后，她请这些患者来医院复诊，看他们是否不再打鼾。
结果如下：
问题：
如果药物能治愈90%的鼻鼾患者，那15的90%应该是13.5，因此你可以期望治愈14名患者，而医生的抽样中只有11名患者治愈，这比期望的结果小很多。
问题出在哪?
制药公司的断言有误差。
制药公司对鼾克进行的检验可能有缺陷，或者说有偏差，以致于对总体做出了不准确的预测。
如果鼾克的治愈率实际上低于90%，那么就能解释为什么样本中只有11人治愈。
制药公司的断言实际上是准确的。
医生的样本可能存在某种偏倚，要不然就是因为样本中的患者数目较少。
我们该如何裁决医生与制药公司之间的矛盾说法？
我们权且相信制药公司的断言，可是一旦出现强有力的反驳证据，我们就改为站到医生一边。
具体做法：
假设检验六步骤
第1步：确定假设
原假设(H0)：
即你要对其进行检验的断言，除非有足够的证据进行反驳，否则你将接受这个断言。
鼾克的原假设即制药公司的断言：鼾克能在两周内治愈90%的患者。除非我们有足够的证据进行反驳，否则应认同这个断言。
我们需要检验鼻鼾药物是否至少能治愈90%的患者，因此原假设为：p=90%。
备择假设(H1)：
与原假设对立的断言被称为备择假设，用H1表示。如果有足够的证据拒绝H0，我们就接受H1。
鼾克的备择假设就是证实制药公司的断言有假后要认同的另一断言。
如果有足够的证据反驳制药公司的断言，那么有可能医生的断言是对的。
医生认为鼾克治愈的患者少于90%，即备择假设为：p<90%。
第2步：选择检验统计量
我们做假设检验的目的是检验鼾克是否能治愈90%以上的患者。如果用X表示样本人数，就可以将X作为检验统计量。X符合二项分布，于是检验量实际上符合：
X~B(15,0.9)
取样本结果，然后计算发生这个结果的概率，我们通过求拒绝域实现这个目标。
第3步：确定拒绝域
何时能够拒绝制药公司的断言？
我们需要用过某种方法指出何时能够合理地拒绝原假设--指定一个拒绝域即可实现这一目的。如果鼻鼾患者的治愈人数位于拒绝域以内，我们就说有足够证据可以反驳原假设；如果鼻鼾患者的治愈人数位于拒绝域以外，我们就承认没有足够的证据可以反驳原假设，并接受制药公司的断言。我们把拒绝域的分界点称为"c"--临界值。
如何选择临界值？
定显著性水平
检验的显著性水平所量度的是一种愿望，即：希望在样本结果的不可能程度达到多大时，就拒绝原假设H0。
例如，假设我们想以5%为显著性水平检验制药公司的断言，这说明我们选取的拒绝域应使得"鼻鼾患者治愈人数小于c"的概率小于0.05，即概率分布最低端的5%部分。
拒绝域分类：单尾检验 or 双尾检验
第4步：求出p值
第5步：样本结果位于拒绝域中吗？
第6步：做出决策
增大样本量：
第1步：确定假设
第2步：选择检验统计量
