拒絕，接受:這說明我們有足夠的證據證明它是正確的。
不能拒絕，拒絕:不能說接受，因為裏面有等號。我們的證據證明，我們的總體統計數據會圍繞該值而不是這個值波動，因為可能會有壹些微小的幹擾因素，但不會影響我們的結論。所以，只能說我們沒有足夠的證據拒絕。
類比機器學習的分類問題，我們有
類型1錯誤:當空抵押為真時，它被拒絕。
Type2error:當零假設為假時，得出不能拒絕的結論。
定義
=出錯概率，也就是我們經常用來檢驗的顯著性水平。
誤差概率
註意:其實2類錯誤很少討論，但是為了完整和容易理解還是寫出來比較好。
例:20人接種疫苗，8人兩年內未感染病毒。問接種疫苗後兩年內未感染病毒的人數超過5人的概率。
問題建立
畫出以上條件，我們的決策空間如下圖所示:
1型錯誤分析
其實我們可以換個角度看這個問題。這個問題等價於以n = 20，p=0.25的概率抽樣，抽樣服從二項分布。其實這個時候，我們是以真理為標桿來看問題的。如果得到8次以上，說明兩年內沒有8人以上感染病毒，才能得到p = 0.25的結論。所以我們的決定是拒絕，所以根據上表，是真的，但是決定是拒絕，代表1型錯誤。
= P(類型1錯誤)= P( ) =
第二類錯誤分析
根據上表，它是假的，也就是說它是真的，但問題是根據上面的分析，它代表p & gt0.25而事實上，這是無法計算的，除非P有壹個特定的值，假設p=0.7，那麽類型2誤差為
= P(第二類誤差)= P(
更壹般的情況:正態分布分析
1型和2型誤差可以通過增加樣本量來減小。
舉例:假設在上面的例子中，n=100，觀察到兩年內有36人未感染病毒，假設檢驗了兩年內有50人未感染病毒的概率。
由於樣本量大，二項分布可以近似為正態分布。如果為真，則平均值和方差為
所以36人對應。
對於2型誤差，如果備擇假設為0，方差保持不變，均值變為。
所以36人對應。
在我們可以計算出Type 1誤差(Type 2很少考慮這個誤差)之後，下壹步就是做決定了。很顯然，很自然的會想到設置壹個截斷值，這是統計學中經典的顯著性水平= 0.01.05。
假設我們預設的顯著性水平是0.01，也就是說如果是真的，那麽我只有0.0039的概率Z大於2.66，也就是36人以上沒有感染病毒。這個金額比我預想的要小，所以我選擇了拒絕(有點像歸謬法的想法)
根據2中的分析，我們需要預設壹個。如果Type 1誤差小於這個值，我們選擇拒絕，否則無法拒絕。對於從我們的觀測中得到的1型誤差的值，我們稱之為P值。
定義:P值是拒絕的最低顯著性水平。
實際上，根據上面的分析，這句話也相當於得到所示統計量顯著的結論所需的1型錯誤的最小概率。
模式1
模式2
壹般來說，第壹種方法往往更便於查表，因為預置值可以直接找到z、t、f等統計量的分割線。，但第二種方法會更直觀，更通用，不會根據z，t，f等的不同測試而變化。，而是壹個固定值。但簡而言之，這兩種方法很常見，也很重要。