统计检验两类错误

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$$P((x-3)/\sqrt{1/n}>=(2.6-3)/\sqrt{1/n})=\phi (-0.4\sqrt{n})$$

φ()是正态分布
（3）
根据（1）中公式可以看出，n趋向正无穷时，$$\Phi (n)$$趋向1，$$1-\Phi (n)$$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