目前遇到的统计学具体应用。其实前面三种应用，都可具象化为统计学的各种分布形态图，围绕各种不同的分布形态图，根据已知条件，求分布图的宽度、点、高度、区间 等信息。分布图很重要。
估计总体参数的准确性和可靠性
估计总体参数这一课题中，主题是“准确性”“可靠性”
什么是总体参数：用来描述一个总体特征的数值，比如，总体均值、总体方差、总体标准差、总体比例。总体的特征被称为“参数”，样本的特征被称为“统计量”。
一些需要提前了解的总结性话语：置信水平主要用于评估总体参数的准确性和可靠性，而样本统计量是直接从样本数据中计算得出的具体数值。由于总体往往很大，不能直接一一从所有数据中得到参数，所以要依靠样本统计量来估计总体参数。而置信水平，是评估样本统计量作为总体参数估计的可靠性提供的重要信息。由于置信区间的公式是 置信区间=样本均值±（临界值 * 标准差），也就是说求置信区间要先获取样本均值、样本标准差、临界值。临界值用于计算置信区间的宽度。基于想要的不同置信水平就有不同的临界值；不同的分布型态，相同的置信水平有不同的临界值。
首先理解置信区间。
置信区间是统计学中用于估计总体参数的一种方法。它提供了一个范围，表示在一定的置信水平下，参数的真实值可能落在这个范围内。具体来说，置信区间的构建通常基于样本数据，通过以下几个要素来确定：
样本均值
样本标准差
置信水平：通常选择95%或99%，表示对区间包含真实参数的信心程度。（这个置信水平的选择值怎么来的，有时间可研究，实际职场应用中用不上）
临界值：根据正态分布或t分布确定的值，用于计算置信区间的宽度。在统计分析中，置信水平通常与临界值相关联，临界值可以通过标准正态分布表或t分布表来查找。例如，对于95%的置信水平，正态分布的临界值大约为1.96，而对于99%的置信水平，临界值大约为2.576。
置信区间计算公式：置信区间=样本均值±（临界值 * 标准差）
例如，如果我们对某个总体均值进行估计，算出置信区间为（10,20），就意味着有95%的信心认为总体均值落在10到20之间。
关于临界值，为什么很多情况下根据正态分布而不是其他分布查找临界值？
这取决于几个因素：
中心极限定理：中心极限定理表明，当样本量足够大时，样本均值的分布趋近于正态分布，无论原始数据的分布如何。这意味着对于大样本（通常n>30），我们可以使用正态分布来估计样本均值的分布。
大样本：当样本大小较大时（如n > 30），使用正态分布是合适的，因为样本均值的分布接近正态。
小样本：对于小样本（如n ≤ 30），如果原始数据的分布已知且接近正态分布，可以使用正态分布；如果不确定，通常使用t分布。
在统计学中，有多种概率分布，每种分布都有其特定的性质和应用场景。
用一个例子把以上知识串联起来：
例子：测量某种药物的效果
背景：
假设我们想要研究一种新药对降低血压的效果。我们从100名患者中随机抽取了样本，并测量了他们在服用药物后的血压下降值（单位：毫米汞柱）。
做假设检验
做假设检验过程中的主题是：错误率
第一类错误：指原假设正确（true），但是我们假设检验的结论却显示原假设错误。（本来是真，判断为假，弃真a）。第一类错误在实际操作中表现为：实验结论显示我的新策略有用，但实际上我的新策略没用。
第二类错误：原假设错误（false），但是我们假设检验的结论却显示“原假设正确（true）、备择假设错误”，这一过程中我们接受了错误的原假设，这种错误叫“取伪”。第二类错误在实际操作中表现为：我的新策略其实有效但实验没检测出来。
统计功效：统计功效=1-第二类错误的概率，统计功效在现实中表现为：我的新策略是有效的，我有多大概率在实验中检测出来。题外话：如何计算第二类错误的概率？这个是可以计算的，但是实际工作中暂时用不上，先不纠结了。
显著性水平（a）：指的是研究者愿意接受的第一类错误的概率，一般会取0.05、0.01。它决定了拒绝原假设所需的证据强度，比如：如果显著性水平为0.05，意味着在原假设为真的情况下有5%的概率会错误的决绝原假设。
在进行假设检验时，研究者通过比较P值与显著性水平来判断是否拒绝原假设。实际使用中，P值比a值小，即为实验结果有效（可拒绝原假设）
做假设检验的步骤：
① 提出原假设和备择假设
② 算统计量（X的平方，t等）
③ 选检验方法：T检验、Z检验、秩和……
④ 判断实验结果：P值计算：根据选择的检验方法，套他们的公式，查表得P值，若P>a，结论为：按a所取水平不显著，不拒绝原假设，在统计上不成立；若P<=a，结论为：按a所取水平显著，拒绝原假设，接受备择假设，在统计上成立。
计算样本量
应用场景：在AB测试中计算最小样本量
step 1：明确目标
比如：希望A组转化率显著高于B组
step 2：设定原假设&备择假设
step 3：设定显著性水平和统计功效
step 4：估计效应大小
是你期望检测到的最小差异，比如：你预计A组的转化率为10%，B组转化率为12%，那么效应大小是2%
step 5：使用样本量计算公式
