在六西格玛项目中或者其他学术研究领域之中，我们经常要对原因和输出结果之间的关系进行分析和确认，这个时候我们就需要用到假设检验。在大部分的研究中，我们想要证明：母体中有某种特定的效应。
优思学院｜六西格玛认证课程例如我们猜想大部分喝咖啡的人都偏好现煮咖啡，为方便讨论，统计检定会先假设我们在找的效应并不存在。然后，我们开始寻找的证据，必须不利这个假设，因而支持我们想找的效应。
假设检验的第一步，是要先列出一个断言，然后我们再试着找出证据来否定它。
原始假设H。
在假设检验中，受检验的断言叫做原始假设（null hypothesis）。检定是设计来评估：否定原始假设的证据有多强。
通常，原始假设都是“没有效应”或“没有差别”的叙述。
“原始假设”这个词用Ho代表，读法是“H零”。Ho是关于母体的叙述，所以一定要用母体参数来表示。咖啡的例子当中的参数，是所有喝咖啡的人里偏爱现煮咖啡的比例 p。原始假设是：
Ho: p=0.5
我们希望或猜想可取代H。的正确叙述，叫对立假设（alternative hypothesis），用Ha表示。在例子中，对立假设就是：喝咖啡的人大多偏好现煮咖啡。用母体参数表示就是：
Ha: p>0.5
假设检验会找对原始假设不利、但对对立假设有利的证据。
如果观察到的结果，在原始假设为真的情况下是出人意料的，而在对立假设为真时却较易发生，这个证据就很强。
比如说，当事实上母体只有一半喜欢现煮咖啡，却发现50位受试者中有36位喜欢，就会出人意料。
有多出人意料呢？用机率来回答这个问题：这个机率指的就是，在Ho正确时实际观察到的结果跟预期结果差距很大的机率，而这个差距至少要等于（或大于）实际观察与预期结果的差距。
怎么样算是“跟预期结果的差距很大”？这既和Ho有关，也和Ha有关。
在试喝测试中，我们希望得到的机率，就是在50人中至少有36人喜欢现煮咖啡的机率。如果原始假设p=0.5正确的话，上述的这个机率会非常小（0.001）。这就是原始假设不正确的有力证据。
关于P值
假设检验中的 P值（P-value）是在Ho为真的假设下，所得到样本结果会像实际观察结果那么极端或更极端的机率。P值愈小，资料所提供否定Ho的证据就愈强。
在实际应用时，大部分的统计检定可以由会计算P值的电脑软体来执行，例如minitab、SPSS、Excel。
在许多领域中都常见到引用P值来描述研究结果。所以，即使你自己不做假设检验，也应该要知道P值的意义，就像虽然你自己不用计算置信区间，但也应该要了解“95％置信水平”是什么意思。
