diff --git a/docs/10.md b/docs/10.md
index 6c3306779504a0e673cfa38bd972bab165b2d878..95902dfe62e59ac56f3f48b81f78c0f752c97b2d 100644
--- a/docs/10.md
+++ b/docs/10.md
@@ -2,9 +2,9 @@
 
 # 10 量化效果和设计研究
 
-在前一章中，我们讨论了如何利用数据来检验假设。这些方法提供了一个二元答案:我们要么拒绝，要么不能拒绝零假设。然而，这种决定忽略了几个重要的问题。首先，我们想知道我们对答案有多少不确定性(不管它往哪个方向发展)。此外，有时我们没有明确的零假设，所以我们希望看到什么范围的估计与数据一致。第二，我们想知道这种影响实际上有多大，因为正如我们在前一章的减肥例子中所看到的，统计上显著的影响不一定是实际上重要的影响。
+在前一章中，我们讨论了如何利用数据来检验假设。这些方法让我们在两个答案中二选一:我们要么拒绝零假设，要么同意零假设。然而，这种策略忽略了几个重要的问题。首先，我们想知道我们对答案有多不确定(不管最终是哪个答案)。此外，有时我们没有明确的零假设，所以我们希望看到什么范围的估计与数据一致。第二，我们想知道这种影响实际上有多大，因为正如我们在前一章的减肥例子中所看到的，在统计上效果明显的在实际情况中效果不一定明显。
 
-在这一章中，我们将讨论解决这两个问题的方法:置信区间提供了对我们估计的不确定性的一种度量，效应大小提供了一种理解效应有多大的标准化方法。我们还将讨论统计功效的概念，它告诉我们有多大可能找到任何真实存在的效应。
+在这一章中，我们将讨论解决这两个问题的方法:置信区间为我们提供了对不确定性的一种度量，效应大小提供了一种理解效应有多大的标准化方法。我们还将讨论统计功效的概念，它告诉我们有多大可能找到真实存在的效应。