对于单次判别来说，不可能。因为如果你判别的是接受原假设，那就只能犯存伪的错误，不可能出现弃真；反之如果你的判别是拒绝原假设，那就只可能是弃真。
当然如果你是做了多次判别，那其中就有可能一些是存伪，一些是弃真了。
假设检验的目的是要根据样本信息作出决策。显然，研究者总是希望能作出正确的决定，也就是当原假设正确时没有拒绝他。但是由于决策是建立在样本信息的基础之上，而样本又是随机的，因而就有可能犯错误。假设检验过程中可能发生以下两类错误：
当原假设为真时拒绝原假设，所犯的就称为第一类错误，又称弃真错误，即α错误；
当原假设为假时没有拒绝原假设，所犯的就是第二类错误，又称取伪错误，即β错误。
扩展资料
假设检验利用反证法，依据样本统计量做出的统计推断，其推断结论有可能发生I型错误(第一类错误)和Ⅱ型错误(第二类错误)两种错误，如表所示。
I型错误指拒绝了实际上成立的H0，为“弃真”的错误，其概率通常用α表示，这称为显著性水平(significance level)。α可取单侧也可取双侧，可以根据需要确定α的大小，一般规定α=0.05或α=0.01。
其意义为：如果假设检验结论拒绝H0，发生I型错误的概率为5%或1%，即100次拒绝H0的结论中，平均有5次或1次是错误的。
Ⅱ型错误指不拒绝实际上不成立的H0，为“存伪”的错误，其概率通常用β表示。β只能取单尾，假设检验时一般不知道β的值，在一定条件下(如已知两总体的差值δ、样本含量n和检验水准α)可以测算出来。在假设检验中同时减少两类错误的最好方法是适当增加样本含量。
参考资料来源：百度百科-第一类错误
参考资料来源：百度百科-弃真错误
统计假设检验中有两类错误，它们分别是：第一类错误， 在原假设实际为真的情况下根据统计结果拒绝了原假设，也称弃真；第二类错误，在原假设实际为假的情况下根据统计结果接受了原假设，也称纳伪。以上第一类与第二类称谓的排序是固定不变的，在提到“第一类错误”时，指的就是弃真，“第二类错误”指的就是纳伪。
犯第一类错误的概率，就是假设检验时给定的显著度α，通常为0.05。在这种情况下，原假设H0为真，但是由于抽样时出现了小概率事件，研究者根据检验结果拒绝了原假设。这是任何假设检验都避免不了的风险。
对于犯第二类错误的概率，很多人想当然的认为是β＝1－α。出现这种错误认识，主要是因为误解了“纳伪”这个概念的含义。在一次假设检验中，弃真和纳伪的错误是不可能同时出现的。根据计算出的统计结果，研究者必须做出相应的拒绝或接受原假设的选择。当统计结果为显著时，研究者必须要拒绝原假设。如果这时候研究者因为粗心大意看错了结果，做出了接受原假设的决定，那么此时他犯错误的概率就是1－α。但是， 这个错误根本不是第二类错误(纳伪)。所谓的纳伪错误，指的是当统计结果为不显著，研究者必须接受原假设时，其犯错的可能性。实际上，由于μ真实值的不确定性，真实分布是不可知的，因此犯纳伪错误的概率，即β值也是不确定的。
弃真和纳伪的错误，都是假设检验这种研究方法自身的缺陷，也就是所谓的系统误差，它们都是不可消除的。而上文所举的概率为1－α的那种错误，完全是由于研究者粗心所导致，属于人为误差，完全可以消除。
在理解弃真和纳伪两类错误时，我们必须认识到，它们应当是在抽样之前讨论的问题。所谓的概率，针对的是理论上无数次的抽样，而不是我们实际进行的那唯一一次抽样。
- 上一篇：什么坐什么乘的成语成语
- 下一篇：什么什么道什么的成语有哪些？_1