假設檢驗的基本思想：
若對總體的某個假設是真實的，那麼不利於或者不能支援這一假設的事件A在一次試驗中是幾乎不可能發生的。如果事件A真的發生了，則有理由懷疑這一假設的真實性，從而拒絕該假設。

實質分析：
假設檢驗實質上是對原假設是否正確進行檢驗，因此檢驗過程中要使原假設得到維護，使之不輕易被拒絕；否定原假設必須有充分的理由。同時，當原假設被接受時，也只能認為否定該假設的根據不充分，而不是認為它絕對正確。

1、檢驗指定的數列是否服從正態分佈

藉助假設檢驗的思想，利用K-S檢驗可以對數列的性質進行檢驗，看程式碼：

from scipy.stats import kstest
import
 
 numpy as np

x = np.random.normal(0,1,1000)
test_stat = kstest(x, 'norm')
#>>> test_stat
#(0.021080234718821145, 0.76584491300591395)

首先生成1000個服從N(0,1)標準正態分佈的隨機數，在使用k-s檢驗該資料是否服從正態分佈，提出假設：x從正態分佈。

最終返回的結果，p-value=0.76584491300591395，比指定的顯著水平（假設為5%）大，則我們不能拒絕假設：x服從正態分佈。

這並不是說x服從正態分佈一定是正確的，而是說沒有充分的證據證明x不服從正態分佈。因此我們的假設被接受，認為x服從正態分佈。

如果p-value小於我們指定的顯著性水平，則我們可以肯定的拒絕提出的假設，認為x肯定不服從正態分佈，這個拒絕是絕對正確的。

2、檢驗指定的兩個數列是否服從相同分佈

from scipy.stats import ks_2samp
beta=np.random.beta(7,5,1000)
norm=np.random.normal(0,1,1000)
ks_2samp(beta,norm)
#>>>(0.60099999999999998, 4.7405805465370525e-159)

我們先分別使用beta分佈和normal分佈產生兩個樣本大小為1000的數列，使用ks_2samp檢驗兩個數列是否來自同一個樣本，提出假設：beta和norm服從相同的分佈。

最終返回的結果，p-value=4.7405805465370525e-159，比指定的顯著水平（假設為5%）小，則我們完全可以拒絕假設：beta和norm不服從同一分佈。