我们先给出通常进行假设检验的一个步骤，然后根据步骤一一出解释，本文试图说明假设检验只是有关正态概率分布知识、点估计与总参数知识、区间估计知识的一个综合运用。假设检验的步骤：
      步骤一：建立原假设和备择假设
      步骤二：指定检验中的显著性水平
      步骤三：搜集样本数据并计算检验统计量的值
      P-值方法：
      步骤四：利用检验统计量的值计算P-值
      步骤五：如果P-值<=显著性水平，则拒绝原假设
      临界值方法：
      步骤六：显著性水平确定临界值以及拒绝规则
      步骤七：利用检验统计量的值以及拒绝规则确定是否拒绝原假设
一、关于建立原假设和备择假设
建立原价设和备择假设具有三种情形：
a、检验研究中的假设，此时将研究中的假设作为备择假设
b、对某项声明的有效性所进行的检验，这种情形是将要检验的假设即声明有效性的假设作为原假设
c、决策中的假设检验，形如H0：μ=μ0 μ≠μ0，面对两种分别与原假设及对立假设相联系的措施，决策必须在二者之间做出选择
二、指定检验中的显著性水平
显著性水平：当原假设以等式的形式为真时，犯第一类错误（原假设为真我们却拒绝了，样本的结论为真但却与实际不符）的概率称为检验的显著性水平，一般取0.05或0.01，这表示犯第一类错误的概率最大不过0.05或0.01.
三、计算检验统计量的值
这里分两种情况，第一种：在总体标准差σ已知的情况下我们用标准正态概率分布，公式为Z=[χ（样本均值）-μ0（假定值）]／[σ(总体标准差)／√n（根号下样本容量）]；第二种：在总体标准差未知的情况下我们使用n-1df（自由度）下t分布，公式为t=（χ-μ0）／（σ／√n）。
计算检验统计量值目的是为了给出在标准概率分布下样本均值的偏离程度，是为了进一步得出样本结论犯第一类错误的概率而不得不计算出来的值
四、P-值方法
当计算出检验统计量Z值后，需要回答的问题是：当Z值为多小时，我们才有足够的证据来拒绝原假设？换句话说，就是要求出样本结论中犯第一类错误的概率，然后用这个概率值与显著性水平作比较，若犯第一类错误的概率（P-值）≤显著性水平（α），则拒绝原假设。这实际上就是正态概率分布知识的一个变种，我们将在本文最后的总结中来解释。
五、临界值方法
在标准正态概率分布中，若显著性水平α=0.01时，Z值就=2.33，α=0.01表示犯第一类错误的最大概率为0.01，小于等于这个值是我们可以容忍的。换句话说，对于下侧检验，样本检验统计量Z必须≤-2.33，如是，犯第一类错误的概率将很小。实际上，α≤0.01与Z≤-2.33是同一枚硬币的正反面，是一种事物的两种表述而已。
总结：
进行计算检验统计量是为了获得P-值或临界值，假设检验的直接用途是为了控制我们在抽样中得出的结论犯第一类错误的概率，当犯第一类错误的概率≤显著性水平时，拒绝原假设，这可以使我们规避从样本中的出的错误结论应用于实际中。假设检验最实际以及最根本的东西仍然是正态概率分布知识、抽样分布知识和区间估计知识的一个综合运用。从这个角度去认识假设检验，我们得出结论：假设检验实际上是样本统计量（点估计）能否取代总体参数的问题，是样本结论与实际情况作比较的过程，若点估计可以取代总体参数即误差很小的话，则我们从样本数据得出的结论便于实际情况相符合，样本结论就是有效且可以应用的。