在假设检验中第一类错误是指：当原假设正确时拒绝原假设。假设检验中的两类错误是指在假设检验中，由于样本信息的局限性，势必会产生错误。
概念定义：
第一类错误：又Ⅰ型错误、拒真错误，是指拒绝了实际上成立的、正确的假设，为“弃真”的错误，其概率通常用α表示。
样本中极端数值：
当样本中存在极端数值时，可能会导致研究者错误地拒绝虚无假设（H0）。这是因为极端数值在统计推断中可能被误解为真实的处理效应。
而实际上这些极端数值可能是由于偶然因素或抽样误差引起的。如果研究者基于这些极端数值作出结论并拒绝虚无假设，就会犯下第一类错误。
采用决策标准较宽松：
决策标准的选择在假设检验中非常重要。如果研究者选择了较宽松的决策标准（较高的显著性水平），就会增加拒绝虚无假设的概率，从而增加犯第一类错误的风险。
这意味着研究者可能会错误地拒绝虚无假设并得出错误的结论。合理选择样本和谨慎设置决策标准可以帮助降低第一类错误的概率，并提高结论的准确性。
两类错误的关系：
相互制约关系：
Ⅰ类错误和Ⅱ类错误存在相互制约的关系。减少Ⅰ类错误的概率（α错误）会增加Ⅱ类错误的概率（β错误），反之亦然。
这是因为在进行假设检验时，设置更严格的显著性水平（较小的α）会导致更多拒绝虚无假设，从而降低Ⅰ类错误的概率，同时也增加了接受虚无假设的风险，导致Ⅱ类错误的概率增加。
α和β之和不一定等于1：
在一般情况下，α和β之和不一定等于1。这是因为在假设检验中，可以通过控制α和β的取值来调整两类错误的概率。
当研究者希望降低Ⅰ类错误的概率时，可以选择更小的α水平，但这会导致Ⅱ类错误的概率增加。因此，研究者需要根据研究目的和实际需求来平衡两类错误的概率。
变化的相异性：
在样本容量确定的情况下，α与β不能同时增加或减少。在给定样本容量的情况下，如果研究者希望降低Ⅰ类错误的概率，即减小α，通常需要增加样本的大小，以提高统计检验的敏感性。
这样做可能会降低Ⅱ类错误的概率（增加统计检验的力量），因为更大的样本容量可以更好地检测到真实的处理效应。