假设检验 是指根据以往的经验和已知信息对总体提出假设，然后利用样本信息检验假设是否符合事实，最后作出接受还是拒绝这个假设的判断。根据检验内容是否涉及总体分布而分为 参数的假设检验和非参数检验 。
统计假设，简称为假设，通常用字母H表示，针对某一个问题，我们一般会提出两个完全相反的假设，并将其中的一个称为 原假设或者零假设，用H0表示 。而另一个假设则称为 对立假设或者备择假设，用H1或者Ha表示 。
关于总体参数θ的假设有三种情况：
(1) H0:θ>=θ0 H1:θ<θ0
(2) H0:θ<=θ0 H1:θ>θ0
(3) H0:θ=θ0 H1:θ!=θ0
以上三种情况中，(1)(2)称为单边检验，(3)称为双边检验。
那么我们要如何对提出的各种不同假设进行检验呢？
一般地，在假设检验问题中，若寻找到某个统计量，其取值大小和原假设H0是否成立有密切联系时，我们将该统计量称为该假设检验问题的 检验统计量 ，而对应于拒绝原假设H0时，样本值的范围称为拒绝域，其补集为接受域。
因为我们是根据样本推断总体，由于抽样的随机性，所以也有可能推出错误的结论。因此，在假设检验推断中可能会出现下述四种情况：
拒绝了一个真实的原假设，我们称为 第I类错误或者弃真错误 ，而接受了一个错误的假设，我们称为 第II类错误或者取伪错误 ，用α表示第I类错误的概率，β表示第II类错误的概率。
α=P(第I类错误)=P(拒绝H0|H0是真实的)
β=P(第II类错误)=P(接受H0|H0是错误的)
通常在假设检验中，我们会确定一个 显著水平α ，常取0.05或者0.01以控制第I类错误的概率，即要求检验犯第I类错误的概率不超过α，然后在满足这个约束条件的检验中，再寻找检验使得犯第II类错误的概率尽可能晓。上述即为假设检验理论中的 奈曼-皮尔逊原则 。
通常犯这两类错误的概率相互制约，当α减小时，β会增加，所以如果想要同时使得犯两类错误的概率都很小，就必须有足够大的样本容量。
提到这两类错误，我们就要介绍几个在生物统计中经常碰到的概念： 特异性(specificity)和敏感性(sensitivity) ：
所以也就是：
那么我们经常提到的P值又是什么呢？
当原假设H0为真时，检验统计量取比观察到的结果更为极端的数值的概率，称为P_值，我们会使用该值来衡量拒绝H0的理由是否充分，P_值较小说明观察到的结果在一次实验中发生的可能性较小，拒绝H0的理由越充分；相反，P_值越大说明观察到的结果在一次试验中发生的可能性较大，所以没有足够的理由拒绝H0。
当假设检验的显著性水平为α，若P_值小于等于α，则拒绝原假设，此时我们称检验结果在水平α下是统计显著的。