Ülalolevas näites kehamassiindeksiga, kus nullühpotees väitis, et \(H_0: \mu = 21,0\), me saime olulisustõenäosuseks p = 0,057; kuna see oli suurem kui meie poolt seatud olulisusnivoo \(\alpha = 0,01\), siis me ei pidanud oma tulemust väga ebatõenäoliseks ning seepärast me nullhüpoteesi ei kummutanud (me jäime nullhüpoteesi juurde).
Tegime eksliku järelduse – tegelikult oli selles üldkogumis keskmine KMI = 21,8.
Olukorda, kus nullhüpotees tegelikkuses ei kehti, aga uuringus jääb nullhüpotees kummutamata, nimetatakse II liiki veaks. Analoogia diagnostiliste testide maailmast oleks valenegatiivne tulemus.
Mõnikord juhtub vastupidi: nullhüpotees tegelikult kehtib, ent uuringus on pelgalt valimi või mõõtmiste juhuslikkusest tingituna nii ekstreemsed tulemused, et oleme sunnitud nullhüpoteesi kummutama. Sellist eksimust nimetatakse I liiki veaks.
Esimest liiki vea tegemise tõenäosust saame reguleerida olulisusnivooga – kui me seame selle hästi pisikeseks, siis me peaaegu mitte kunagi nullhüpoteesi ei kummuta, sealjuures ka sellistes olukordades kus see tegelikult peab paika (aga ka sellistes olukordades, kus H0 paika ei pea).
Teist liiki vea tegemise tõenäosus = 1 - tõenäosus mitte teha teist liiki viga (ehk siis olukorras, kus nullhüpotees ei kehti, see ka kummutada). Tõenäosust mitte teha II liiki viga nimetatakse võimsuseks. Peamine moodus, kuidas seda tõenäosust suurendada saab, on valimi suuruse kaudu: mida suurem valim, seda suurem on statistilise testi võimsus. Analoogia diagnostiliste testide maailmas on tundlikkus.