我试着把我的理解用通俗的语言表达出来。

1.为什么有统计学？就是因为我们没有办法穷尽所有的数据，只能从整体中取出部分，通过研究部分来推测整体。从部分推断整体，包含着

两个基本思想，一是带有概率性质的反证法，一是小概率事件。

2.所谓反证法是指，先建立两个命题，在假设检验中叫做假设（hypothesis），一个叫H0，表示原假设（null hypothesis），一个叫H1代表备择假设或对立假设（alternative hypothesis）。那怎么确定H0和H1呢？

思考的逻辑是：

为了检验H0是否正确，先假定它正确。

如果样本的观测值得出一个与H0应有的结果完全矛盾的结果，我们就“不能接受（拒绝）H0”，转而接受H1的假设。如果没有出现矛盾的结果，注意，这时我们不能断定“接受(不拒绝）H0"，我们只能说，没有足够的证据证明H0是错误的，这时是不能肯定H0是一定正确的。这里有点绕，如果理解了这点，下面就好说了。

出于以上的情况。H0，H1是不对等的，不能随意交换的。在一般情况下H0要取那个在实践中受到保护 、不证自明、要有足够的证据才能否定它的等等诸如此类的命题。我们把相等的、无差别的、等号成立的结论作为H0，将待证明的、不相等的、有差别的命题作为H1。所以在具体统计中的参数检验，H0一定是等于，H1则是大于、小于或者不相等。

用一个不是十分恰当的比喻，H0的设定就类似于审判中的无罪推定，法官审案的时候，总是先假设嫌疑人是一个无罪之人，然后看看检方的证据是否充分来推翻无罪的假设（H0)，从而接受H1，判定嫌疑人有罪。如果找不到足够的证据来证明嫌疑人有罪，那只能接受H0（无罪），宣布嫌疑人清白，即使可能他真的犯了法。反之，我们不能一开始就假设一个嫌疑人有罪，那就乱了。

3.我们解释了H0的选定原则，那什么就叫“有足够的证据”，这就是统计推论的第二个原则：小概率事件。根据常识，在假定H0成立的情况下，小概率的事件几乎不会发生，如果发生了，很大的可能性就是H0的假设不成立。小概率小到多少，这就是“P值"干的活了。那有没有小概率发生了H0却是正确的误杀情况呢？当然有，这又是所谓的“α错误”和“β错误”了。这里不再罗嗦了。