1.两类错误解释
1.假设检验的最终目的是:去伪存真,
那么它对应的两类错误是弃真、存伪。
H0:原假设(无明显差异,正常情况大概率事件),H1:备选假设,原假设不成立时的替换
第一类错误(α),Ⅰ型错误,拒绝了实际上成立的H0 ,即错误地判为有差别。α取0.05,表示当拒绝H0时则理论上理论100次检验中平均有5次发生这样的错误。
第二类错误(β),Ⅱ型错误,接受了实际上不成立的H0 ,也就是错误地判为无差别。
2.两类错误的关系:当样本例数固定时,α愈小,β愈大;反之,α愈大,β愈小。因而可通过选定α控制β大小。要同时减小α和β,唯有增加样本例数。
3.检验功效:如果说β表示接受不真实的原假设的概率,那么1-β就是表示拒绝不真实的原假设的概率,1-β的值接近于1,表示不真实的原假设几乎都能够加以拒绝,反之,1-β接近于0,表示犯第二类错误的可能性是很大的,因此1-β是表明检验工作做得好坏的一个指标,称为检验功效。
2.两类错误的计算
解:(1)
上图计算β疑有误:μ=3,故
P
(
(
x
−
3
)
/
1
/
n
>
=
(
2.6
−
3
)
/
1
/
n
)
=
φ
(
−
0.4
n
)
P({(x-3)}/{\sqrt{1/n}>=(2.6-3)/{\sqrt{1/n}}})=φ(-0.4{\sqrt{n}})
P((x−3)/1/n>=(2.6−3)/1/n)=φ(−0.4n)
φ()是正态分布
(3)
根据(1)中公式可以看出,n趋向正无穷时,
Φ
(
n
)
\Phi(n)
Φ(n)趋向1,
1
−
Φ
(
n
)
1-\Phi(n)
1−Φ(n)就趋向0。
α 错误概率计算:由实际推断原理引起的,即“小概率事件不会发生”的假定所引起的,所以有理由将所有小概率事件发生的概率之和或者即显著性水平(α=0.05)看作α错误发生的概率,换言之,α错误发生的概率为检验所选择的显著性水平。
3.两类错误的理解
犯Ⅰ类错误得危害较大,由于报告了本来不存在的现象,则因此现象而衍生出的后续研究、应用的危害将是不可估量的。相对而言,Ⅱ类错误的危害则相对较小,因为研究者如果对自己的假设很有信心,可能会重新设计实验,再次来过,直到得到自己满意的结果(但是如果对本就错误的观点坚持的话,可能会演变成Ⅰ类错误)。
例一:我们检查一批灯泡的寿命,原假设认为灯泡寿命是合格的,但是我们抽查的时候恰好查到了寿命比较低的,这样就拒绝了原假设,认为这一批灯泡是不合格的。那么结果是什么呢?就需要把这一批灯泡全部返厂重新检测、返修,甚至是销毁。如果是因为犯了第一类错误,也就是本来这一批是合格的,但是因为检验正好检验到了不合格的才导致拒绝原假设的话,那么这个成本对于生产厂商来说是非常大的
例二:我们出门要不要带伞的问题。
正常来讲,原假设为天气为晴天,那么犯一类错误的情况就是晴天带伞出门,犯第二类错误的情况是下雨不带伞。
对于我们那一情况危害或者说坏处更大呢?因为毕竟下雨天是少数,如果你天天带伞出门的话固然是可以避免淋雨,但是你得天天带伞,要看你是不是方便,如果你方便那么一类错误对你来说影响不是很大;如果带伞不方便那么一类错误对你的影响就比较大了。
例三:非典期间,我们为了尽量减少病原的传播,就不惜大量的精力来减少犯二来错误的概率,我们对所有人进行体温测量,只要发现发烧立即隔离,这里面我们很容易发现,这里面可定会有很多的不是携带病原体的人被认为是携带者,其实这里就是加大了犯一类错误的概率,而尽量减少二类错误。因为犯二类错误的成本太大,宁可错误的隔离3000,也不能放过一个携带者,因为放过一个就会造成非常严重的后果。
参考博客:https://blog.csdn.net/andy_shenzl/article/details/81480280