例如：对比试验前后病人的症状，证明某种药是否有效；

对比某个班级两次语文成绩，验证是否有提高；

对比某个产品在投放广告前后的销量，看广告是否有效。这些都属于两均值对比的应用。

relevel(sleep$group,2)

##将group变成factor类型，2的level最大

Paired t-test

data:  extra by relevel(sleep$group, 2)

t = 4.0621, df = 9, p-value = 0.002833

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

 0.7001142 2.4598858

sample estimates:

mean of the differences

                   1.58 

1、分析的数据对象需要满足正态分布，T检验前需判断样本是否正态分布；

2、分析对比的统计量是均值；

3、对比对象是两个，可以是两个样本；也可以是一个样本和一个常数；

1、配对样本的T检验--》另类的单样本

独立性检验

    2、等方差的独立样本T检验；

    3、异方差的独立样本T检验；

4、单样本的T检验。 

单样本常用：总体均值跟样本均值的差异

双样本常用：两样本之间的差异

对1跟4的原假设H0 = 总体均值跟样本均值的无差异

对2跟3的原假设H0 = 两样本之间的无差异，即x1=x2

T检验与Z检验不同，需要考虑样本方差是否相同，这是因为自由度决定了T分布曲线，同时，自由度也影响样本方差。

所谓配对样本的T检验，是指参与对比的两列数据都是满足正态分布，

而且两列数据之间存在一一对应关系。要想判断这种数据序列之间的差异是否显著，就可以使用配对样本T检验。

处于待检验状态的两列配对样本，应该具有相同的数据个数，而且两列数据在语义上有一一对应关系。

例如对同一个班级的两次考试成绩，这两次成绩都按照学号顺序存放，具有明确的对应关系。

采用R自带的sleep为数据集 -> 显示两种催眠药（与对照组相比睡眠时间增加）对10名患者的疗效的数据。

相要知道这个两种药是否有显著性差异？

H0：两种无显著性差异  也集是x1-x2的 d均值为0 -》mu=0 

H1：两种有显著性差异

由于配对样本检验本质是一种单样本T检验，如下：

t.test(sleep$extra[1:10]-sleep$extra[11:20],mu=0)

One Sample t-test

data:  sleep$extra[1:10] - sleep$extra[11:20]

t = -4.0621, df = 9, p-value = 0.002833

alternative hypothesis: true mean is not equal to 0

95 percent confidence interval:

-2.4598858 -0.7001142

sample estimates:

mean of x

-1.58

t.test(data$英语成绩,mu=79)

独立样本是两个没有对应关系的独立正态分布数据集合，可以有不同的数据个数，

例如，对同一学校的某次考试，如果需要检验男生与女生的成绩之间有无显著性差异在总体成绩满足正态分布的情况下，

则都可以使用独立样本的T检验，但是在进行T检验之前，需要明确两个样本的方差是否相同，然后根据方差齐性与否选择相应的计算方法。