您不能以您描述的方式使用第一个测试，因为在第一个测试中未能拒绝仅表示您无法拒绝仅此而已。就像只收到“检察官无法向陪审团提供足够证据以确保定罪”的信息——这并不能告诉你嫌疑人是无辜的。$H_0$

第二个测试在实践中是不可用的，因为无论你有多少数据，你都不能排除非常小的差异的可能性。

您可以做的是查看 即尝试拒绝差值的绝对大小大于某个差值的原假设。以便任何小于该值的差异对于所有（或您的特定）实际目的都无关紧要。

我在学校了解到，零假设应该始终代表“共同”信念，而替代假设应该代表我想展示的变化。

这不是对原假设的准确解释。零假设只是一个假设，它由可以计算概率的特定分布组成。我们使用作为原假设的原因与这是否是“常见”信念无关。它被用作零假设，因为如果我们假设平均值是一个特定值，那么给定一组特定的数据，我们可以计算看到该数据的概率。我们不能使用作为我们的零假设，因为没有办法仅仅基于均值不等于特定值的假设来计算 p 值。考虑以下问题：$\mu_1=\mu_2$$\mu \neq \mu_2$

苹果的重量标准差为 5 克。均值不等于 100。看到一个重 110 克的苹果的概率是多少？

没有办法回答这个问题，因为仅仅被告知平均值不足以计算概率。

Björn 建议检验均值差异大于某个的假设。这将如何工作是采用零假设，因为差异恰好等于。然后，一旦有了数据，就可以计算给定的 p 值。称之为。如果样本均值的差异小于 ，那么如果我们选择大于 delta_0 ，则 p 值甚至会小于。如果 p 值小于，我们拒绝 null ，所以如果我们在那个 null 下拒绝，这意味着$\delta_0$$\delta_0$$\delta_0$$p_{\delta_0}$$\delta_0$$p_{\delta_0}$$\delta$$\delta_0$$\alpha$$p_{\delta_0} < \alpha$。由于对于任何，我们可以得出结论对于任何。因此，我们不仅可以拒绝的这个空值，而且我们可以拒绝任何具有更大的空值。正是因为这种获得 p 上界的能力，我们才不需要的特定值。如果我们只是将“大于零”作为我们的零假设，而没有任何下限，那么 p 就没有上限，因此我们不能得出它低于的结论。$p_{\delta}<p_{\delta_0}$$\delta>\delta_0$$p_{\delta}<\alpha$$\delta>\delta_0$$\delta_0$$\delta$$\delta$$\delta$$\delta$$\alpha$