假设检验两类错误：弃真与取伪

可视化演示

动态演示假设检验两类错误的核心机制，通过总览/传输/转换/输出四种模式展示关键概念与交互流程。

两类错误定义

法庭上，被告席上坐着嫌疑人。请记住一个原则：法律默认被告无罪，除非证据能证明他有罪。假设检验也遵循同样的逻辑——原假设 $H_0$ 就是“被告无罪”，备择假设 $H_1$ 是“被告有罪”。你要做的，就是根据手头的证据（样本数据）做出判决。但凡是判决，就有判错的可能：如果被告真的无罪，你却判了他有罪，这就是“弃真”；如果被告真的有罪，你却判他无罪，这就是“取伪”。

把这两个词拆开看：弃真，抛弃了那个本就为真的假设——你亲手把真相扔进了垃圾桶；取伪，采纳了那个本为假的假设——你张开双臂拥抱了谎言。统计学把它们称为第一类错误（Type I Error）和第二类错误（Type II Error），分别用 α 和 β 来表示概率。在司法实践中，社会通常更痛恨“错杀无辜”，所以 α 被严格设定得很小；而“错放”虽然可恶，却被认为在可承受范围内——这就是后面要讲的“显著性水平”的直觉来源。

完整地看，一次审判有四种可能结果：$H_0$ 真且判无罪（正确接受）、$H_0$ 真却判有罪（弃真）、$H_0$ 假但判无罪（取伪）、$H_0$ 假且判有罪（正确拒绝，也就是功效）。用一个公式把前两种错误写清楚：

法官手中的法槌偏向“疑罪从无”——默认把 α 控制得很低，β 则要靠其他手段（如加大证据量）来管理。统计学的态度与司法精神如出一辙：宁可错放，不可错杀。但请注意，“错放”的代价并没有消失，只是换了个方式去控制它。

显著性水平

法官需要“证据确凿”才敢判有罪。但“确凿”怎么量化？统计学家的回答是：把证据浓缩成一个数字——检验统计量——然后设定一个明确的证据门槛，这个门槛就叫显著性水平 α。它规定了一个“概率下限”：如果证据在 $H_0$ 为真的前提下，出现概率低到不足 α，就视为“确凿”，可以拒绝 $H_0$。

α 就好比法官的“定罪标准”：α = 0.05，意思是“如果被告真是无辜的，仅有不到 5% 的证据巧合会让我误判他”。这个 5% 是统计学的百年惯例，不是数学真理，而是行业达成的社会共识——就像交通法规把限速定在 60 而非 58，本质是权衡后的选择。α 定得越低，定罪越困难；α 定得越高，定罪越容易。

具体操作时，我们需要算出检验统计量，看看它是否落入“拒绝域”（拒绝区域）。拒绝域由临界值 $z_{\alpha/2}$ 界定，落在拒绝域内就从概率上“确认”了 $H_1$。假设我们检验样本均值是否偏离声称值 $\mu_0$：

这里还有一个方向问题：如果 $H_1$ 是“被告比常人更糟（$\mu > \mu_0$）”，我们只需要检查是否落在右侧，这叫单侧检验；如果 $H_1$ 是“和常人不同（$\mu \neq \mu_0$）”，就得检查两侧，把 α 分摊到左右两端，这叫双侧检验。门槛放得越低（α 越小），法庭越难定罪，坏人就更容易溜走——这恰好引出了下一节“破案率”的话题。

检验功效

一个好法官不仅不能冤枉好人，还得能抓住真凶。抓住真凶的能力，在统计学里叫检验功效（Power），定义为 $1 - \beta$。β 是取伪错误的概率，那么 1 减去它，自然就是“在确有罪时正确定罪”的概率。医学里它叫灵敏度，机器学习里叫召回率——都是同一个意思：不要把真信号漏掉。

功效高不高，取决于三个事实：第一，定罪门槛 α 高不高（门槛越松，越容易定罪）；第二，被告的罪行有多大，即真实参数偏离 $H_0$ 多远，这叫效应量；第三，证据够不够多，样本越大，证据越密集。法官无法改变犯罪的严重程度，但他可以调整门槛、收集更多证据——这也是功效分析能给出实际建议的原因。

用公式表达功效，就是把 $H_1$ 分布下所有能落到拒绝域里的概率加起来：

业内默认功效 0.8 是“合格法官”的分数线——100 个罪犯里至少抓回 80 个，放走 20 个。如果功效只有 0.5，那就像抛硬币决定定罪，几乎失去了统计检验的意义。所以，当你设计实验时，记得先问一句：“我这个法庭，到底有多大的破案能力？”

错误权衡

法官很头疼：把定罪门槛调高（α 变小），确实不容易冤枉好人，但更多罪犯会因证据不足而脱罪（β 变大）；把门槛调低（α 变大），罪犯不好溜了，可无辜者更容易遭殃（β 变小）。在样本量固定不变时，这两类错误就像天平的两端——压下一头，另一头必然翘起。统计学把这个现象称为“两类错误的此消彼长”。

为什么会此消彼长？因为判决规则只有一个：$|z| > z_{\alpha/2}$ 就拒绝 $H_0$。α 一旦变大，$z_{\alpha/2}$ 就会变小，拒绝域扩大，这在 $H_0$ 真时增加误判（α 变大），在 $H_0$ 假时增加正确破案（β 变小）。临界值 c 的移动方向决定了天平的倾斜方向：

| 调整方向 | α 的变化 | β 的变化 | 功效变化 |

|---------|---------|---------|---------|

| 门槛调高（α 减小） | 减小 | 增大 | 降低 |

| 门槛调低（α 增大） | 增大 | 减小 | 提高 |

这张表就是“法官困境”的精确版：固定证据量时，你只能选择更怕冤枉好人还是更怕放走坏人，无法两头讨好。唯一的破局之道，是引入更多证据——这就是下一节要说的样本量。

样本量影响

想要同时降低两类错误，法官只有一个办法：收集更多证据。请更多证人、调取更多监控、鉴证更多物证——在统计里，这一切的量化指标就是样本量 n。样本量增大时，样本均值的波动范围变小，也就是标准误 $SE = \sigma / \sqrt{n}$ 缩小。反映在图上，$H_0$ 和 $H_1$ 两座分布峰会同时变瘦变高，重叠区域大幅缩小，判决的模糊地带自然也就变窄了。

这里要注意一个精确的表述：在 α 保持不变的设定下，n 增大直接降低 β。如果你愿意，还可以在 β 也变小的情况下把 α 压得更低——两种错误同时改善是完全可能的，代价就是数据收集成本的上升。这也是为什么做实验总在“省钱”和“可信”之间反复权衡。

用公式看，n 对 β 的影响非常直接：

这里还引出一个常被忽视的概念——效应量（effect size）：$d = |\mu_1 - \mu_0| / \sigma$，它衡量的是“信号相对于噪声的真实强度”。效应量 0.2 算小、0.5 算中、0.8 算大。法官再努力，也无法让一个几乎没有作案特征的人被精准识别；同样是收集证据，大效应量的案子几百个证人就能定罪，小效应量的案子可能需要几百万个证人。样本量的设计，本质就是在与效应量赛跑。

功效分析应用

精明的律师在开庭前就会计算：我需要传唤多少证人，才能有 80% 的把握让有罪者定罪，同时把冤枉好人的风险压在 5% 以下？这在统计实验里叫功效分析（power analysis）——在实验正式开始前，给定显著性水平 α、期望的功效 $1 - \beta$、预估的效应量，反推所需的最小样本量 n。它把“我觉得证据够了”变成“算出来需要这么多证据”。

功效分析是实验设计的“预算表”：α 决定你能接受的冤枉率，功效决定你想要的破案率，效应量来自领域经验或小规模预实验。把这三项代入公式就能算出 n。以 A/B 测试为例，对照组转化率 10%，希望检测到 12% 的改进（δ = 0.02），σ 约为 0.30，则效应量 d ≈ 0.067。若要求 α = 0.05、功效 0.80，算出的样本量约在 1700 上下——没有这个数，实验结果很容易既不显著也不可靠。

公式本身并不复杂，它是 z 检验条件下精确反推的结果：

就像律师在开庭前预估证人数目，数据科学家在实验启动前就能算出需要多少用户、多少天能收集完。一个没有做功效分析的实验，就像不带预算就开工的项目——做完之后才发现证据不足，既浪费了成本，又得不出结论。先算功效、再定样本量，是所有严谨实验设计的起跑线。

AI 应用场景

Python 演示

"""假设检验两类错误：模拟审判与功效分析"""import mathimport random  def norm_cdf(x):    """标准正态分布的累积分布函数（借助 math.erf 实现）"""    return 0.5 * (1 + math.erf(x / math.sqrt(2)))  def z_crit(p):    """求标准正态分位数：满足 P(Z <= z) = p 的 z 值（二分逼近）"""    lo, hi = -10.0, 10.0    for _ in range(60):        mid = (lo + hi) / 2        if norm_cdf(mid) < p:            lo = mid        else:            hi = mid    return (lo + hi) / 2  def simulate_verdict(mu0, mu1, sigma, n, alpha, trials=30000):    """模拟多次审判：统计弃真率与取伪率"""    se = sigma / math.sqrt(n)    zc = z_crit(1 - alpha / 2)    wrong1 = wrong2 = 0     # 场景一：被告无罪（H0 为真），计算弃真率    for _ in range(trials):        z = (random.gauss(mu0, se) - mu0) / se        if abs(z) > zc:            wrong1 += 1     # 场景二：被告有罪（H0 为假），计算取伪率    for _ in range(trials):        z = (random.gauss(mu1, se) - mu0) / se        if abs(z) <= zc:            wrong2 += 1     return wrong1 / trials, wrong2 / trials  def sample_size_needed(delta, sigma, alpha, power):    """功效分析：给定效应量、显著性与目标功效，反推样本量"""    beta = 1 - power    z_alpha = z_crit(1 - alpha / 2)    z_beta = z_crit(1 - beta)    n = ((z_alpha + z_beta) * sigma / delta) ** 2    return math.ceil(n)  if __name__ == "__main__":    print("=== 假设检验审判模拟 ===")    a, b = simulate_verdict(mu0=100, mu1=106, sigma=20, n=64, alpha=0.05)    print(f"设定 alpha=0.05, n=64")    print(f"实测弃真率={a:.3f}（理论值 0.050）")    print(f"实测取伪率={b:.3f}，功效={1 - b:.2f}")     n = sample_size_needed(delta=6, sigma=20, alpha=0.05, power=0.80)    print(f"要达到 80% 功效，检测 delta=6, sigma=20")    print(f"最小所需样本量 n={n}")

1. from math import erf用内置误差函数精确计算正态分布的 CDF，避免手写近似公式。
2. zc = z_crit(1 - alpha / 2)求双侧检验的临界值，相当于查标准正态表拿 $z_{\alpha/2}$。
3. random.gauss(mu0, se)模拟“无罪被告”的样本均值，se 是它围绕 $\mu_0$ 的波动幅度。
4. if abs(z) > zc判有罪（拒绝 $H_0$），在 $H_0$ 真时这一判定就是弃真错误。
5. if abs(z) <= zc判无罪（不拒绝 $H_0$），在 $H_0$ 假时这一判定就是取伪错误。
6. sample_size_needed(...)核心功效分析函数，用 $n = ((z_{\alpha/2} + z_\beta) / \text{效应量})^2$ 计算。
7. return wrong1 / trials, wrong2 / trials用大量模拟的平均频率逼近真实概率，这就是频率学派“概率=长期频率”的思想。

常见误区

面试题