【应用统计学】第一类/α/弃真错误与第二类/β/取伪错误的解释与举例 | 您所在的位置:网站首页 › 进行显著检验时第一类错误是指 › 【应用统计学】第一类/α/弃真错误与第二类/β/取伪错误的解释与举例 |
第一类/α/弃真错误与第二类/β/取伪错误的举例与解释
第二类错误
图解两种错误
α错误
β错误
第二类错误
第二类错误,也称取伪错误,或者β错误,是统计学中的一个概念。与β错误一起常常出场的就是α错误(弃真错误/第一类错误)。α错误指:“原假设是正确的,却拒绝了原假设” ,β错误与之相反:“原假设是错误的,却没有拒绝原假设。” 说白了,α错误就是:我认为是这件事是错的,但实际上这件事是对的(所以我犯了α错误);β错误就是:我认为这件事是对的,但实际上这件事是错的(所以我犯了β错误)。 图解两种错误 α错误
真实存在的μ不应该是一个固定值吗?为什么落在接受域里就不拒绝了呢? 这里先讨论μ与分布的关系。我个人的理解是,如果μ=μ_0,那么统计出来所得的μ值分布就是现在的分布。即分布代表了μ值。如果实际上,μ不是这个正态分布的均值,那么实际的μ’也对应一个它自己的分布(而且,这个分布仅仅是向前或者向后偏移而已,假设与实际的西格玛相同,因为假设只考虑μ)。 接着再讨论α的特殊情况,所以如果设α=0.99,可以想象接受域几乎为“一条缝”。只有当统计出的μ落在了这“一条缝”里,才认为μ=μ_0成立(不拒绝原假设)。而实际上,即便实际的μ=μ_0,统计出来的μ也很有可能落在这条“缝”外面,所以,α=0.99时,犯弃真错误的概率很大。所以有了我们常见的套话:“有1%的把握接受原假设”。(1%来自1-α=1-0.99=0.01) 反过来想,如果α小了,那么把握岂不是变大了? β错误我个人观点,假设是否成立,看的就是实际分布与假设分布是否相同。 这样才能更好地理解两种错误。 β分布用质量管理中的控制图来理解。 还是对图例进行讨论,如果点落在阴影中,我们认为系统正常。而实际上,分布发生了偏移,系统是存在故障的。所以此时我们犯了取伪错误。 实际的分布服从上面的那条正态曲线,这里证明 β = Φ ( K − t ( n ) ) − Φ ( K − t ( n ) ) \beta=\Phi(K-t\sqrt(n))-\Phi(K-t\sqrt(n)) β=Φ(K−t( n))−Φ(K−t( |
CopyRight 2018-2019 实验室设备网 版权所有 |