假设检验是一种在统计推断中来确定是否应拒绝关于总体参数值的方法。
在假设检验中，我们首先对总体参数做一个尝试性的假设，该尝试性的假设被称为原假设（ null ypothesis），
记作H0，然后，定义另一个与原假设的内容完全对立的假设，称之为备择假设（ alternative hypothesis），记作Ha，假设检验的过程就是根据样本数据对这两个对立的假设H0和Ha进行检验。
假设的选择
将研究中的假设作为备择假设
将受到挑战的假说作为原假设
假设的形式
第一类错误和第二类错误
显著性水平（level of significance）
当原假设为真并且以等式形式出现时犯第一类错误的概率称为检验的显著性水平。
比如：
总体均值的检验：总体标准差已知
单侧检验（one-tailed test）
下侧检验的关键问题在于，检验统计量z的值必须达到多小的时候，我们才能选择拒绝原假设。有两种方法
可以解决这个问题：p-值法和临界值法。
ρ-值用于确定是否拒绝原假设。我们看看如何计算和使用p-值。利用检验统计量的值可以计算ρ-值。用于计算p-值的方法依赖于检验是下侧检验、上侧检验还是双侧检验。对于下侧检验，P-值是检验统计量小于或等于样本所给出的检验统计量的值的概率。从而，在σ已知的情形下为了计算下侧检验的p-值，我们必须得到标准正态曲线下在检验统计量的值左边部分的面积。在计算出p-值以后，我们必须判断它是否小到足以拒绝原假设；正如我们将要说明的那样，这需要将计算出的p-值与显著性水平进行比较
比如：
将p值和α值（显著性水平）进行比较
临界值法：
临界值法临界值法要求我们首先确定被称为临界值的检验统计量的值。对于下侧检验，临界值（ critical value）是确定检验统计量的值是否小到足以拒绝原假设的一个基准。在检验统计量的抽样分布中，与下侧面积α（显著性水平）相对应的值是检验统计量的临界值。换句话说，临界值是使得我们拒绝原假设的检验统计量的最大值。我们回到 Hilltop咖啡的例子中，看看如何使用临界值法。
双侧检验（two-tailed test）
例子：
临界值法：
小结：
区间估计与假设检验的关系
例子：
P值的大小
总体均值的检验，总体方差未知的情况
总体比率
例子：
假设检验与决策
在这种决策中，我们建议将假设检验过程扩展，对发生第二类错误的概率予以控制。由于当不能拒绝H时
必须做出决策并采取措施，所以有关发生第二类错误的概率的信息对我们很有帮助。
计算第二类错误的概率：
对总体均值进行假设检验时样本容量的确定：
我们可以观察到a、B和样本容量n之间的如下三种关系。
1.当三者中有二者已知时，即可计算得到第三者。
2.对于给定的显著性水平α，增大样本容量将会减少β.
3.对于给定的样本容量，减小α将会使 β增大，相反增大α将会使 β减小。
当未对第二类错误的概率加以控制的时候，我们应该牢记第三条，它说明不能毫无必要地选择太小的显著性水平α.对于给定的样本容量，选择较小的显著性水平意味着将使发生第二类错误的风险增大。缺乏经验的使用者通常认为假设检验中，α的取值越小越好；当我们只关心第一类错误时，确实如此。但不利的是，较小的α值将增大发生第二类错误的概率。