1. alpha错误
原假设H0为真时，我们拒绝的概率。换句话说，我们选择H1作为结论，犯错的概率。（或者拒绝为真的原假设）
2. beta错误
原假设为假，我们接受的概率。换句话说，我们选择H0作为结论，犯错的概率。（或者接受为假的原假设）
例子
H0： Drug A = Placebo
H1：Durg A > Placebo
从结论角度：
alpha错误，我们接受H1作为结论，即A的疗效好，实际上这是一个错误的结论(即A的疗效一般)，也就是实际A无效我们认为有效，我们犯这种错的概率是alpha。再通俗点就是，我们结论认为有效，实际无效，犯错概率是alpha
beta错误，我们拒绝H1，接受H0作为结论，认为A的疗效一般，实际上这是一个错误的结论(即A的疗效较好)，也就是实际A有效我们认为无效，我们犯这种错的概率是beta。再通俗点就是，我们结论认为无效，实际有效，犯错概率是beta。
3. 效能
1-beta：原假设为假，我们拒绝的的概率。结合上述例子，就是A实际有效，我们认为有效的概率。
alpha H0为真，拒绝 beta H0为假，接受
1-alpha H0为真，接受 1-beta H0为假，拒绝
原文：https://www.cnblogs.com/Python-T/p/13661182.html