通常情况下，p 值衡量的是：
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
进行统计推断时，我们使用概率的语言。描述您数据的概率分布具有若干参数。因此，统计推断的一个重要目标是估计这些参数的取值，从而能够简洁而明确地描述数据并据此得出结论。在本章中，您将学习如何找到最优参数，即最能刻画您数据的参数。
"pull yourself up by your bootstraps" 是一句经典习语，意指在没有任何外援的情况下独立完成艰难任务。在统计推断中，您希望知道：如果能够无限次地重复获取数据，会发生什么？这在现实中不可能，但能否仅用手头的数据，尽量逼近无穷多次实验的结果？答案是肯定的！实现这一点的技术恰如其名，叫作自助法（bootstrapping）。本章将向您介绍这一极其强大的工具。
现在，您已经知道如何在给定模型的情况下定义并估计参数。但问题在于：如果模型为真，观察到您的数据有多合理？这个问题由假设检验来回答。它为推断"锦上添花"。完成本章后，您将能够使用黑客统计，严谨地构建并检验假设。
当前练习
正如上一章所见，假设检验略显棘手。您需要定义原假设，设计如何对其进行模拟，并清晰界定"更极端"的含义以计算 p 值。和任何技能一样，熟能生巧。本章将通过具体练习，帮助您扎实掌握假设检验。
在过去 40 多年里，Peter 和 Rosemary Grant 每年都会前往加拉帕戈斯群岛的达芙妮大岛，采集达尔文雀的数据。在本章中，您将用统计推断的技能分析他们的数据，并亲眼通过数据见证进化正在发生。这将是为课程画上句号的精彩方式！
