下面这些只是为了便于自己理解，所述语言未必符合统计学描述。
统计学中的假设检验，实际是一种 反证法 的思想，利用小概率原理：如果对总体的某种假设是真实的，那么不利于或不能支持这一假设的事件A（小概率事件）在一次试验中是几乎不可能发生的；要是在一次试验中A竟然发生了，那么就有理由怀疑该假设的真实性，拒绝这一假设。
要拒绝原假设，就存在两种可能的错误：
- 第一类错误：拒绝了实际上成立的H0（rejecting the null hypothesis when it is true），即弃真，用α（the significance level）表示，α可取单尾也可取双尾，假设检验时可根据研究目的来确定其大小，一般取0.05作为阈值。
- 第二类错误：接受了实际上不成立的H0（failing to reject the null hypothesis when it is false），即取伪，用β表示，β的大小很难确切估计，当样本例数固定时，α愈小，β愈大；反之，α愈大，β愈小，因而可通过选定α控制β大小，要同时减小α和β，唯有增加样本例数，统计上将1－β称为检验效能或把握度（statistical power）。
一般原假设H0是指检验的二者之间没有统计学差异，然而计算得p值即表示发生这种情况的概率，小于α如0.05，表示这么小的概率都发生了（或表示弃真的概率小于阈值），说明应该拒绝原假设H0，即检验的二者之间应该具有统计学差异。通常意义里，p值都是指犯 第一类错误 的可能性。
