假设检验的两类错误Python代码

假设检验是一种统计学方法，用于判断样本数据是否支持或反驳关于总体的某种假设。在假设检验中，有两种类型的错误：类型I错误和类型II错误。

类型I错误是拒绝了一个真实的假设，也称为误报。在统计学中，通常将其表示为α错误。 α错误率表示当原假设为真时，我们错误地拒绝了原假设的概率。

类型II错误是接受了一个错误的假设，也称为漏报。在统计学中，通常将其表示为β错误。 β错误率表示当原假设为假时，我们没有拒绝原假设的概率。

下面是一些示例代码：

import numpy as np
from scipy.stats import ttest_ind

# 生成两组服从正态分布的随机数
group1 = np.random.normal(5, 1, 100)
group2 = np.random.normal(6, 1, 100)

# 进行两独立样本t检验
t_statistic, p_value = ttest_ind(group1, group2)

# 显示结果
print("t统计量：", t_statistic)
print("p值：", p_value)

# 判断是否拒绝原假设
alpha = 0.05
if p_value < alpha:
    print("拒绝原假设，存在显著差异")
else:
    print("接受原假设，不存在显著差异")

上述代码生成两组服从正态分布的随机数，并使用两独立样本t检验来比较它们之间是否存在显著差异。在判断是否拒绝原假设时，设置了α错误率为0.05。

相关问题：
1. 假设检验的步骤是什么？
2. 什么是类型I错误？
3. 什么是类型II错误？
4. 如何降低类型I错误的发生率？