零假设（Null Hypothesis）：统计检测时的一类假设。零假设的内容一般是希望证明其错误的假设。
与零假设相对的是备择假设（对立假设，Alternative Hypothesis），即不希望看到的另一种可能。
(个人理解：比如我现在要做一些实验证明阳光对植物的影响，我是希望发现阳光与植物是有一些关系的，这种情况下我做原假设/零假设即是：阳光对植物没有影响。备择假设：阳光对植物有影响。)
第一类错误：“弃真”，零假设为真，却拒绝了零假设。
（个人理解：即小概率事件（某些植物跟阳光无关）发生的可能性，当它在5%左右，可以拒绝零假设。）
第二类错误：“取伪”，零假设为假，却接受了零假设。
（个人理解：实际上植物和阳光有关系，然而我们忽略掉了它们的关系，睁一只眼闭一只眼接受了。）
如果一个统计检验的结果拒绝零假设（结论不支持零假设），而实际上真实的情况属于零假设，那么称这个检验犯了第一类错误。反之，如果检验结果支持零假设，而实际上真实的情况属于备择假设，那么称这个检验犯了第二类错误。通常的做法是，在保持第一类错误出现的机会在某个特定水平上的时候，尽量减少第二类错误出现的概率。
确定标准编辑
1零假设一般是有意推翻的假设；
2由于第一类错误的概率可以通过显著性水平的选定加以控制，零假设一般是如果出现第一类错误后后果更为严重的情况的假设。
法律上的类比
原假设：被告无罪
备择假设：被告是有罪的
原则：无罪推论（保护原假设）
最后的判决：当有明显犯罪证据时，法官才判决被告有罪
证据明显：由临界值决定（法律条文的规定）
法律条文的严厉程度，决定了对被告的保护程度。„如乱世用重典，即法律条文严厉，保护被告的程度弱。不管怎样制定条文，总有好人被冤枉，总有坏人漏网，即总会犯错误。
如在高考中，一个水平很高的人可能这次考试分数低，而不被录取，这样我们做错了错误的选择，即拒绝其进入高校继续学习。相反，某个人可能特别幸运，本来水平一般，但考试题都被他复习到了，成绩很高，从而被录取。
但这样的事件是小概率事件，所以我们犯错误的可能性不是很大。（个人理解：呵呵呵呵、数学不好、不做评价了。）