从样本数据作出科学推断，验证改进是否真实有效
假设检验是统计推断的基石，也是黑带大师最核心的决策工具。它的本质是：先用数学语言定义"零假设"与"备择假设"，再从样本数据出发，判断是否有足够证据拒绝零假设。
在质量管理中，我们最常问的问题是三个：过程真的改进了吗？两个供货商真的有差异吗？改进前后缺陷率真的下降了吗？——这些都不能凭感觉回答，只能用假设检验用数据回答。
不懂假设检验的质量人，只能"看数据像不像在变好"；懂假设检验的质量人，能判定"变化是否统计显著、是否值得投入"——这就是普通工程师与黑带大师的分水岭。
确定你要推断的参数（均值 μ、比例 p、方差 σ²、方差比），并写明业务语境——比如"注塑件关键尺寸的均值是否为 10.00mm"。
零假设 H₀（默认成立、要维持原状，如 μ=10.00）与备择假设 H₁（你要证明的，如 μ≠10.00）。H₁ 决定用双尾还是单尾检验。
通常 α=0.05。样本量由"想检测的最小差异 (δ)、期望的检验效力 (1-β)、过程标准差 σ"三者用功效分析确定，避免样本不足误判。
依据数据类型与前提条件选择：Z检验（σ已知）/ t检验（σ未知）/ 方差分析 / 卡方检验 / F检验；并先做正态性、等方差检验确认前提。
由样本算出统计量（如 t 值），得到 p 值——即在 H₀ 成立下观察到当前结果的概率。专业上可同时看置信区间判断实际差异大小。
p < α 则拒绝 H₀（差异显著，值得行动）；否则不能拒绝 H₀（证据不足，不轻易宣布改进）。结论必须回写为业务语言。
| 推断对象 | 前提/数据 | 检验方法 | 典型质量场景 |
|---|---|---|---|
| 单样本均值 | σ 已知 | Z 检验 | 工序均值是否达标 |
| 单样本均值 | σ 未知 | 单样本 t 检验 | 改进后均值是否等于目标 |
| 两独立样本均值 | 数据独立、总体正态 | 双样本 t 检验 | 两家供货商 / 两台设备差异 |
| 配对样本均值 | 成对观测 | 配对 t 检验 | 同一批件在工艺改造前后的差值 |
| 多组均值是否全等 | 3组及以上 | 方差分析 ANOVA | 三种参数方案下质量是否一致 |
| 两样本方差比 | 正态性 | F 检验 | 两线过程波动是否一致 |
| 比率 p | 二项数据 | 卡方检验 / 比例检验 | 不合格率、一次通过率 |
| 非正态/有序 | 方差不齐 | Mann-Whitney / Kruskal-Wallis | 打分、等级型质量数据 |
误用提醒：正态性假设不满足却用 t/F 检验，会得出错误结论。先用 Anderson-Darling 或概率图验证。Minitab/JMP 已内置这些检验菜单。
黑带大师的功力，就在于在两者间权衡：对安全关键特性宁可偏严（宁可误报不可漏报），对一般特性则权衡成本控制样本量。
某机加工产线将某工序参数优化，抽取改造前后各 40 件测关键尺寸。双样本 t 检验得出 p=0.042（α=0.05），差异显著——据此认定改造有效并推广；同时置信区间显示均值差仅有 0.006mm，判断"统计显著但工程意义需结合实际"再决策。案例表明：p 值判显著，置信区间判大小，二者结合才是完整结论。
A/B 两家供货商各生产 30 个样品，先 F 检验确认方差无显著差异，再双样本 t 检验判断均值是否差异显著，最后结合 Cpk 决定是否保留双货源。结论落到"不仅看均值，还看波动一致性"。
1. 先谋后动：动手抽样前先做功效分析，确定样本量，避免"事后拍脑袋"。
2. 前提先行：t/F 检验前必查正态性与等方差；不满足则选非参数方法或数据变换。
3. 数据独立：确保样本相互独立，避免同一件事被多次计数的伪样本。
4. 结合工程判断：统计显著 ≠ 实际重要，差异大小用置信区间/效应量衡量。
5. 报告规范：结论写清 H₀/H₁、α、检验方法、p 值、置信区间、实际业务建议。
假设检验是用样本数据对总体参数作出科学结论的统计推断方法。掌握它，才能把"感觉在变好"升级为"确定已改好"，是黑带判定项目成败的标尺。