任何抽样研究，抽样误差都是不可避免的。

当我们抽取了一个样本，如何知道这个样本的特征，就一定是总体特征的真实反映，而不是由于抽样误差导致的假象呢？

比如：

正常的新生儿，体重平均是6斤半，某医生收集了35例早产儿的体重，平均体重是5斤。

那么能不能从他收集的数据，直接得出早产儿的体重，要比足月的新生儿低这个结论呢。

能不能下这个结论，最重要的，要解决一个问题：

样本中的这30个数据，会不会存在较大的抽样误差，即：本来早产婴儿的体重，跟足月婴儿差不多，但是因为医生收集的这30例，体重多数偏轻，所以就给人一种假象：早产儿轻重偏轻。

统计学中的假设检验，其实就是解决类似问题的：

$H_0$：早产婴儿与足月产婴儿的平均体重相同（针对总体而言）；

$H_1$：早产婴儿与足月产婴儿的平均体重不相同（针对总体而言）；

当我们求得的P值<=检验水准α时，就可以推断$H_0$为假而$H_1$为真（即拒绝$H_0$、接受$H_1$）

上述推理在统计学中的逻辑实质是：

这个早产儿样本中的婴儿，体重普遍偏轻，不太可能是因为抽样误差造成的，他们的体重偏轻，是因为所有的早产儿（即早产儿这个总体）体重都普遍偏轻，而这位医生收集的样本信息，可以推断，就是总体特征（即H1：早产婴儿与足月产婴儿的平均体重不相同）的真实反映。

这样，我们就在排除抽样误差干扰的情况下，作出了一个推论。当然，这个推论并不是100%正确，但大多数情况下是正确的（具体由$\alpha$的水平确定）。