H0: c=0. H1: c!=0
第一类错误：原假设为真的时候，拒绝原假设的概率 alpha。
第二类错误：原假设为假的时候，接受原假设的概率 beta。
（1）为什么会有第一类错误？
当我们拿到一个样本，对该样本所代表的总体进行假设检验的时候，根据中心极限定理，样本的均值服从 【总体均值为均值、标准误为方差】 的正态分布。即我们当前拿到的样本的均值，本身就有的alpha概率落入拒绝域，这种情况就是所谓的原假设为真，但是拒绝了原假设的情况。这个第一类错误=alpha，也就是平时说的置信度。通过调整置信度，我们可以控制第一类错误的概率。
（2）为什么会有第二类错误？
假设备择假设是真实的，那么同样，一个样本的均值，有一定几率落入备择假设分布某区域且在原假设分布的接受域内，这种情况下，我们尽管接受了原假设，但是我们犯错的概率是
如果计算第二类错误，必须知道备择假设的真实分布，否者第二类错误就是一个无法计算的东西，只是一个概念，并不知道具体的值，这个也是混淆了半天的一个问题。
第一类错误和第二类错误是 “此消彼长”的关系，并不是两者加和为固定的值。
同时减少这两类错误的方法 只有 增加样本；不知道降低实验误差算不算。
当原假设和备择假设均值接近的时候，一旦接受了原假设，很容易犯第二类错误，但是就算犯了第二类错误，原假设这个错误的假设和真正的备择假设相差也不远，所以影响没有那么大；反之，当原假设和备择假设离得很远的时候，一旦接受了原假设，其实犯二类错误的概率也会非常小。但是我们并不知道备择假设应该是什么，所以这个看起来正确的逻辑其实是没有根据的。
（3）怎么使用两类错误？
一般情况下，我们想要依靠“小概率事件”发生的原理，来拒绝原假设，从而证明备择假设，这种情况下我们在可控制的alpha错误率下给出结论。
所以当我们不拒绝原假设的时候，是否就是接受了原假设？接受的话要承担我们不知道的分风险，所以尽量不要给出这样的结论。
所以，一般情况，一般都控制 alpha = 0.05 尽可能的拒绝原假设。但是部分情况下，是要通过减少第一类错误，增大第二类错误来实现的，比如原假设是这个人是坏人，备择假设这个人不是坏人，当我们犯第二类错误越大的时候，把好人判别为坏人的概率越大，如果我们的目标是“宁可错杀一千，也不放过一个”，那这个时候就是成立的。
第一类错误是，把坏人当成好人的概率。
第二类错误是，把好人当成坏人的概率。
进行假设检验的时候，希望拒绝H0，也就是希望p值是显著的。拒绝原假设之后，得想想多大程度上这个结果是可信的，万一原假设是正确的，也就是说，结果其实是不显著的，而我认为是显著的说自己的假设得到了支持，我犯错误的概率有多大。一般情况可接受的是，5%的可能性我错了。第一类错误最大可容忍的概率是5%。如果第一类错误的概率达到了10%，那实证上不能被接受。
