显著性α：这是犯一类错误的概率，即原假设为真时，拒绝原假设的概率。比如警察抓小偷时，明明是小偷，却判断失误当好人给放了的概率。也被称为抽样分布的拒绝域，这个可以由研究者事先确定。
计算检验统计量的值。当确定了检验统计量以及显著性α的值，通常为0.01, 0.05，0.001，就可以通过统计软件或查表得到统计量的临界值za或za/2， ta或ta/2
作出统计决策。统计决策的确定有两种方式，一种是将检验统计量的绝对值与α水平的临界值进行比较，高于临界值则拒绝原假设，低于临界值则不能拒绝。另外一种方式是采用P值进行决策。个人比较倾向第二种，当然现在的统计学软件会将这些值一并给出。我们通常将P值称为观测到的显著性水平，即当原假设为真时得到样本观察结果或者更极端结果的概率，如果P值很小，说明得到观测结果的概率很小，如果出现了，根据小概率原理，我就有理由拒绝原假设了。如果事先确定了显著性水平，比如α= 0.05，在双侧检验中可以比较P值与0.025的大小决定是否拒绝原假设，单侧检验中可以比较P值与0.05的大小进行决策。当然也可以直接使用P值，按照我们所需要的显著性水平进行决策。
双侧检验
单侧检验
以上就是假设检验的基本原理及流程。懂了这些就几乎可以秒*一切你所遇到的假设检验问题。还有同学经常问为何把小概率标准定为0.05， 哈哈，不要问我，因为我不知道。著名英国统计学家Fisher就这样用的，无解。
“多吃谷物，将有助于减肥。”为了验证这个假设，随机抽取了35人，询问他们早餐和午餐的通常食谱，根据他们的食谱，将其分为二类，一类为经常的谷类食用者(总体1)，一类为非经常谷类食用者(总体2)。然后测度每人午餐的大卡摄取量。经过一段时间的实验，得到如下结果：检验该假设(a = 0.05)
1. 原假设：u1-u2>=0
备择假设：u1-u2<0
2. 该情况为两个总体的t检验, 计算得t=2.4869。注意此处为单侧检验。
