1樓：Jason
舉個例子，假設有乙個銀行的工作人員，在判斷是不是要放貸給某個客戶。如果客戶的信用好，就貸款給他；如果客戶的信用不好，就不貸款給他。
Alternative Hypothesis（HA）備擇假設：這個客戶信用不好
Null Hypothesis（H0）原假設：這個客戶信用好
如果我判定這個客戶的信用不好（Reject H0，或者說統計學上這個客戶顯著地不同於 「significantly different from」信用好的客戶的特徵），而實際這個客戶的信用是好的（實際：H0 is True），那麼我就犯了第一類錯誤（Type I Error）。如果我犯了這個錯誤，這個客戶的貸款業務我就沒做，我的損失是這筆業務的利息收入我掙不到了。
犯第一類錯誤的概率，也叫做顯著性水平significance level （ ）。
如果我判定這個客戶的信用好（Do not reject H0, 或者說統計學上這個客戶沒有顯著地不同於 「not significantly different from」信用好的客戶的特徵），而實際這個客戶的信用是不好的（實際：H0 is False），那麼我就犯了第二類錯誤（Type II Error）。如果我犯了這個錯誤，我就把錢貸給了這個客戶，那麼最後我的本金都收不回來了。
不犯第二類錯誤的概率，也就是「1-犯第二類錯誤的概率」，叫做檢驗能力power of the test。
通常，我們希望power of the test越高越好，因為我們不希望把錢貸給信用差的客戶，以至於我們損失本金。
2樓：NOOOUOONE
假設你去醫院檢查是否得了癌症。檢查結果是陽性，也就是沒得，但實際你得了，這就是假陽性。
檢查結果是陰性，也就是你被檢測出得了癌症，但實際是誤診，這就是假陰性。
3樓：綰青絲
1.拒真和取偽
2.總體隨機抽取樣本，根據樣本的資料去選擇判斷總體。
例如:你高中參加過那麼多次考試包括高考。總體說明了你這個人的能力水平。
但是最終決定的是高考（實際操作時，樣本肯定是隨機抽取的，這裡舉例假設隨機抽取到了高考作為樣本），而高考本身就帶了不確定性。
某高校分數很高90吧，你不巧就是高考考差了85，差到低於它的分數（但高中總體是好的93，足夠匹配這個高校），可是對方看的就是高考，不好意思，你被淘汰。那麼它犯了拒真錯誤。
另一種情況，你很幸運的超常發揮（95），超常到高於錄取分。（而高中整體來看你80並沒有這個能力被這個學校錄取）可是它錄取了你，那麼它就犯了取偽錯誤。
以上條件不變，高校惜才，要降低拒真或者說降低拒真的概率，它就要降低它的分數線直到能錄取「本來優秀的」你，或者說錄取到其他像你這樣發揮失常的人，但是這樣的話，就容易錄取到發揮超常的人，也就是取偽的概率公升高。
高校很嚴格想剔除超常發揮的人，要降低犯取偽錯誤的可能，就要提高分數線，提高到那個超常發揮的人進不來，但是這樣的話，拒絕掉有實力的人的概率就加大。
在檢驗假設時都是要拒真概率要低於顯著性水平α（通常取0.05）
看學校怎麼選擇，寧願哪個高些哪個低些就會相應的調整分數線。
無論怎麼定選擇標準，合格水平線，犯兩類錯誤的可能性都存在，只是可能性高或低而已。
[僅僅是乙個例子，我也不知道老師們怎麼定線]
所以兩個錯誤除了你增加樣本容量以外可以都減少犯錯概率以外，只要保證犯其中乙個錯誤的可能小了犯另乙個錯誤機率就會大（教材引進勢函式證明）
4樓：紐約Johnny哥
Ho: American girl的屁股和 Chinese girl的屁股一樣大
Ha: American girl的屁股比 Chinese girl的屁股大
你找了100個American girl 和 100個Chinese girl，測量了她們的屁股，發現American girl的屁股平均比Chinese girl的屁股大10cm。
這時候有四種情況：
當American girl的屁股和Chinese girl的屁股確實一樣大（Ho正確）
你正確地沒有拒絕原假設
你錯誤地拒絕了原假設 (Type 1 Error)
當American girl的屁股確實比Chinese girl的屁股大（Ha正確）
你正確的拒絕了原假設
你錯誤的沒有拒絕原假設 (Type 2 Error)
Type 1 Error的嚴重性要高一點，因為你推翻了乙個常識。
更新：The probability of type 1 error is α, the significance level.
假設檢驗的原理就是當 α 足夠小的時候，我們認為犯第一種錯誤（錯誤地拒絕了原假設）的概率足夠小 --- 於是我們就可以拒絕原假設。
假設檢驗的兩類錯誤為什麼不能同時變小？
Shawn 十分鐘速成課 統計學 第23集假設檢驗與P值 下 嗶哩嗶哩 乾杯 bilibili 侵刪，這個講的真的是很清楚了，還有例子 同時變小不容易，因為你用的判斷方法是我們知道的最好的方法 希望是這樣 兩類錯誤同時變大就很容易了，扔掉一些資料或者靠扔骰子決定都能同時增大錯誤概率 抱歉我抖機靈了 ...
為什麼假設檢驗中的兩類錯誤之和不為1？
起個名可真難 因為兩類錯誤的前提假設不同，如下表所示，犯一類錯誤的前提是虛無假設 H0 為真，犯二類錯誤的前提是虛無假設 H0 為假。在H0為真的情況下，正確接受H0的概率和錯誤拒絕H0的概率之和為1。在H0為假的情況下，錯誤接受H0的概率和正確拒絕H0的概率之和為1。 這是乙個好問題 我思考半天，...
假設檢驗 為什麼可以通過固定 （ 類錯誤），擴大樣本容量來減小 （ 類錯誤）？
陳居文 固定 值為0.05，也就是在H0分布曲線上，取面積為5 時，臨界點X拔的值。擴大樣本容量以後，樣本平均數分布的標準誤為n增大，標準誤減小，H0的分布變得更加陡峭。此時 依舊是0.05，重新取面積為5 時，X拔的值比之前更小，也就是相當於臨界點左移了，減小，但是 對於的面積還是5 同圖所示，同...