假设检验是数理统计两个重要组成部分之一。遵循如下理念：在一个分布中，如果一个事件是小概率事件，但是在一次实验中，这个事件居然出现了，我们就有理由怀疑这个分布或者分布的参数是错误的。前者是属于非参数检验，后者属于参数检验，后续都是针对参数检验说明的。
方法就是先确定一个事件为原假设H0(小概率事件发生），然后再确定原假设的对立事件H1(小概率事件未发生)，在一次抽样时候会得到一个随机向量(由一个或多个随机变量构成，一般会有服从某种分布的先验假设)。然后把随机向量的值经过有目的加工得到一个统计量（不含未知参数）。该统计量服从某种分布(如常见的 χ^2, t, F三大抽样分布)，代入得到的特定统计量值为 ZC，是一个具体分布的分布/密度函数值。一个分布/密度函数值在很大或很小(图形两边或单边)时，预示着这种情况出现的可能性更小一些。假设用出现的可能性低于5%或者1%作为小概率事件的一个标准，那么相应的5%或1%就是所谓的显著性并被叫做分位数α。而α 都对应着统计量服从分布一个确定分布/密度函数值就是临界值。如果 ZC 值小于临界值(左边)或者 ZC 值大于临界值(右边)，那就意味着在一次实验中出现了小概率事件，因此我们需要拒绝原假设H0。