Đang tải bài học…

AP Statistics

beta

Beta (β) là xác suất mắc sai lầm loại II trong kiểm định giả thuyết, tức xác suất không bác bỏ giả thuyết không khi giả thuyết đó thực sự sai.

Trong kiểm định giả thuyết, người ta có thể phạm hai loại sai lầm. Sai lầm loại I xảy ra khi bác bỏ giả thuyết không dù nó đúng, và xác suất của sai lầm này được ký hiệu bằng α. Ngược lại, sai lầm loại II (type II error) xảy ra khi không bác bỏ giả thuyết không mặc dù giả thuyết đó sai — và xác suất của sai lầm này được ký hiệu bằng β.

Giá trị β không cố định mà phụ thuộc vào giá trị thực của tham số tổng thể. Cụ thể, nếu gọi $\mu_1$ là giá trị thực của trung bình tổng thể khi giả thuyết không sai, thì β là diện tích vùng không bác bỏ $H_0$ tính dưới phân phối lấy mẫu tại $\mu_1$ . Giá trị $\mu_1$ càng gần với $\mu_0$ trong $H_0$ , hai phân phối càng chồng lên nhau, do đó β càng lớn — tức kiểm định càng khó phát hiện sự khác biệt nhỏ.

Mối liên hệ giữa β và năng lực kiểm định (power) được thể hiện qua công thức

$\text{power} = 1 - \beta$

trong đó năng lực kiểm định là xác suất bác bỏ đúng một giả thuyết không sai. Vì vậy, muốn tăng năng lực kiểm định thì cần giảm β. Điều này có thể đạt được bằng cách tăng cỡ mẫu, tăng mức ý nghĩa α, hoặc chọn kiểm định một phía thay vì hai phía khi có cơ sở. Tuy nhiên, tăng α đồng thời làm tăng nguy cơ sai lầm loại I, nên trong thực tế người nghiên cứu phải cân nhắc giữa hai loại rủi ro này.

Ký hiệu

\beta

Trực giác: Giống như một bài kiểm tra ung thư cho kết quả âm tính dù bệnh nhân thực sự bị bệnh — β là xác suất bỏ sót một sự thật quan trọng.

Công thức

\htmlClass{fp-0}{\beta} = \htmlClass{fp-1}{P(\text{Type II error})} = \htmlClass{fp-2}{P(\text{fail to reject } H_0 \mid H_0 \text{ is false})}

Dùng khi cần tính hoặc diễn giải xác suất kiểm định bỏ sót một giả thuyết không sai; beta càng nhỏ thì kiểm định càng đáng tin cậy trong việc phát hiện hiệu ứng thực sự.

Trong đó

\beta

xác suất mắc lỗi loại II (probability of a Type II error)

H_0

giả thuyết không (null hypothesis)

\htmlClass{fp-0}{\text{Power}} = \htmlClass{fp-1}{1 - \beta}

Dùng để chuyển đổi giữa hai chỉ số quan trọng của kiểm định; thường gặp khi so sánh các phương pháp kiểm định hoặc thiết kế cỡ mẫu để đạt power mong muốn.

Khái niệm này sinh ra từ đâu

thế kỷ 19Leonhard EulerAdrien-Marie LegendreJacques Binet

Chữ "beta" trong thống kê mượn thẳng tên chữ cái Hy Lạp thứ hai; ký hiệu này đi vào toán học qua hàm beta (beta function) — một hàm đặc biệt do Leonhard Euler và Adrien-Marie Legendre nghiên cứu và được Jacques Binet đặt tên vào thế kỷ 19.

Ban đầu đây là câu chuyện của giải tích chứ chưa phải của thống kê. Euler và Legendre khảo sát một tích phân gắn chặt với hàm gamma (gamma function) và với hệ số nhị thức (binomial coefficients), nhưng phải đến Binet thì tích phân ấy mới có một cái tên gọn để nhắc đến. Nhờ có tên và có ký hiệu riêng, nó được dùng lại ở nhiều nơi rất khác nhau: biên độ tán xạ trong vật lý, quá trình gắn kết ưu tiên, và quan trọng với chúng ta hơn cả là thống kê. Chính hàm này đứng sau phân phối beta (beta distribution) — họ phân phối trên đoạn từ 0 đến 1 mà ngày nay hay dùng để mô tả một tỉ lệ chưa biết.

Thử nghiệm tương tác

Kéo ngưỡng bác bỏ và vặn cỡ mẫu — nhìn vùng β phình ra rồi teo lại

Hay hiểu sai

$\beta$ không phải $1-\alpha$ , và năng lực kiểm định không phải $0.95$ .

Giảm $\alpha$ không làm $\beta$ giảm theo — nó làm $\beta$ tăng.

$\beta$ không phải một con số cố định gắn với kiểm định, mà phụ thuộc vào giá trị thay thế cụ thể.

$\beta$ không phải xác suất giả thuyết không đúng.

Ví dụ có lời giải

1Ví dụ 1/2

Một nhóm nghiên cứu tin rằng tỉ lệ học sinh lớp 12 của thành phố tham gia hoạt động tình nguyện đã tăng so với mức 0,40 của năm ngoái. Họ dự định lấy một mẫu ngẫu nhiên và kiểm định

H_0: p = 0.40

so với

H_a: p > 0.40

ở mức ý nghĩa

\alpha = 0.05

. Khi thiết kế nghiên cứu, họ tính được rằng nếu tỉ lệ thật đã tăng lên 0,50 thì kiểm định của họ có

\beta = 0.15

aTính năng lực (power) của kiểm định này tại giá trị thật $p = 0.50$ .
bDiễn giải ý nghĩa của $\beta = 0.15$ trong ngữ cảnh bài toán.
cTrong bốn thay đổi sau, thay đổi nào làm $\beta$ giảm và power tăng mà không làm tăng xác suất mắc sai lầm loại I? (I) Nâng $\alpha$ từ 0,05 lên 0,10; (II) Tăng cỡ mẫu từ 100 lên 400; (III) Giảm cỡ mẫu xuống 50; (IV) Đổi sang kiểm định hai phía.

Bạn nắm chắc chưa?

Quiz câu thật từ ngân hàng đề

Vài câu thật gắn đúng khái niệm này, chấm ngay kèm giải thích từng đáp án — hệ thống ghi nhớ bạn nắm tới đâu.

Tạo tài khoản miễn phí

Học tiếp từ đây

Bài học chứa thuật ngữ nàySuy luận cho tỉ lệ (dữ liệu phân loại) · bài “Sai lầm loại I & II khi kiểm định” — khoá AP Statistics

Dẫn tớikiểm định giả thuyết

Hay nhầm với

Thuật ngữKhác nhau ở đâuHay nhầm khi

sai lầm loại Itype I error

Khác nhau ở đâuSai lầm loại I là bác bỏ giả thuyết không khi nó đúng, beta là không bác bỏ khi nó sai

Hay nhầm khiđề hỏi xác suất sai lầm loại I mà chọn beta, hoặc đề cho alpha mà nhầm thành beta

Trong đó

\text{Power}

năng lực kiểm định (power of a test)

\beta

xác suất mắc lỗi loại II (probability of a Type II error)

Vì sao mang đúng cái tên này? Cái tên nghe có vẻ tùy tiện, nhưng thật ra nó chỉ đơn giản là tên chữ cái. Ký hiệu của hàm là chữ beta hoa trong bảng chữ cái Hy Lạp (Β), và Binet đặt tên hàm theo đúng ký hiệu đó, y như cách hàm gamma mang tên chữ Γ. Bản thân chữ Hy Lạp này lại đi lên từ chữ "beth" của người Phoenicia, vốn có nghĩa là "ngôi nhà". Do đó, khi truy đến tận gốc, một khái niệm toán học trừu tượng hóa ra chỉ đang đeo tên của một con chữ cổ chỉ nơi cư trú. Định nghĩa của hàm là $\mathrm{B}(z_1,z_2)=\int_0^1 t^{z_1-1}(1-t)^{z_2-1}\,dt$ với phần thực của $z_1$ và $z_2$ đều dương; biểu thức này nói rằng ta lấy tích phân của $t^{z_1-1}(1-t)^{z_2-1}$ trên đúng đoạn từ 0 đến 1, và chính miền lấy tích phân ấy giải thích vì sao phân phối beta lại là phân phối của một đại lượng nằm giữa 0 và 1. Vì vậy, trong đề thi, hễ gặp một ký hiệu Hy Lạp đứng một mình, hãy nhớ rằng nó thường chỉ là một cái nhãn được truyền lại chứ không hàm ý gì thêm về bản chất bài toán.

Kéo ngưỡng bác bỏ và vặn cỡ mẫu — nhìn vùng β phình ra rồi teo lại

Kéo tham số, thấy khái niệm chuyển động — mở khoá bằng tài khoản 0đ.

Tạo tài khoản miễn phí

Mẹo phòng thi

Gặp số $\beta$ cho sẵn, viết ngay $\text{power}=1-\beta$ trước khi nhìn các phương án.

Muốn tăng năng lực kiểm định mà không đụng đến xác suất sai lầm loại I, hãy tăng cỡ mẫu.

Diễn giải sai lầm loại II phải gắn với bối cảnh, không được viết chung chung.

Tần suất trong đề AP StatisticsHay gặp

Bước 1: Với một giá trị cụ thể của giả thuyết đối, hai khả năng duy nhất khi số liệu đã có là bác bỏ

H_0

hoặc không bác bỏ

H_0

. Xác suất của hai biến cố đó cộng lại bằng 1, nên

\text{power} = 1 - \beta

. Thay số ta được

1 - 0.15 = 0.85

, tức kiểm định có 85% cơ hội phát hiện được mức tăng từ 0,40 lên 0,50 nếu mức tăng đó là thật.

2Bước 2: Giá trị

\beta

là xác suất của sai lầm loại II (Type II error), tức xác suất KHÔNG bác bỏ

H_0

trong khi

H_0

thực ra sai. Diễn giải trong ngữ cảnh: nếu tỉ lệ tình nguyện thật sự đã tăng lên 0,50, thì có khoảng 15% khả năng mẫu thu được không đủ mạnh để kết luận, và nhóm nghiên cứu sẽ kết luận nhầm rằng chưa có bằng chứng cho thấy tỉ lệ tăng. Lưu ý

\beta

luôn gắn với một giá trị cụ thể của giả thuyết đối; đổi sang

p = 0.45

thì

\beta

sẽ khác.

3Bước 3: Xét từng lựa chọn. Nâng

\alpha

lên 0,10 đúng là làm

\beta

giảm, nhưng

\alpha

chính là xác suất mắc sai lầm loại I (Type I error) nên phương án (I) vi phạm điều kiện đề bài. Giảm cỡ mẫu làm sai số chuẩn lớn hơn, hai phân phối chồng lên nhau nhiều hơn, nên

\beta

tăng chứ không giảm — loại (III). Đổi sang kiểm định hai phía đẩy giá trị tới hạn ra xa hơn về phía phải nên càng khó bác bỏ,

\beta

cũng tăng — loại (IV). Chỉ còn (II): tăng cỡ mẫu lên 400 làm sai số chuẩn giảm một nửa, hai phân phối tách xa nhau trong khi

\alpha

vẫn giữ nguyên 0,05.

Power của kiểm định bằng $1 - 0.15 = 0.85$ . Con số $\beta = 0.15$ nói rằng nếu tỉ lệ học sinh tình nguyện thật sự là 0,50 thì có 15% khả năng nghiên cứu này kết luận không đủ bằng chứng về mức tăng. Trong bốn thay đổi, chỉ có (II) tăng cỡ mẫu từ 100 lên 400 vừa làm $\beta$ giảm và power tăng, vừa giữ nguyên xác suất mắc sai lầm loại I ở mức 0,05.

2Ví dụ 2/2

Vẫn với bài toán trên, giả sử nhóm nghiên cứu lấy mẫu ngẫu nhiên

n = 100

học sinh và kiểm định

H_0: p = 0.40

so với

H_a: p > 0.40

ở mức

\alpha = 0.05

, dùng xấp xỉ chuẩn cho phân phối mẫu của

\hat{p}

. Ta muốn biết kiểm định này hoạt động ra sao khi tỉ lệ thật là

p = 0.50

aTìm quy tắc bác bỏ theo $\hat{p}$ , rồi tính $\beta$ và power tại $p = 0.50$ .
bLặp lại tính toán với $n = 400$ và nhận xét về ảnh hưởng của cỡ mẫu tới $\beta$ .

1Bước 1: Dưới

H_0

, phân phối mẫu của

\hat{p}

có tâm 0,40 và sai số chuẩn

\sqrt{(0.40)(0.60)/100} = \sqrt{0.0024} \approx 0.0490

. Vì kiểm định một phía bên phải với

\alpha = 0.05

, giá trị tới hạn là

z^* = 1.645

, nên ta bác bỏ

H_0

khi

\hat{p} \ge 0.40 + 1.645(0.0490) \approx 0.4806

. Đây là ngưỡng cố định, được xác định hoàn toàn bởi

H_0

và

\alpha

2Bước 2: Bây giờ giả sử sự thật là

p = 0.50

. Khi đó

\hat{p}

có tâm 0,50 và sai số chuẩn

\sqrt{(0.50)(0.50)/100} = 0.05

. Giá trị

\beta

là xác suất rơi vào vùng không bác bỏ, tức

P(\hat{p} < 0.4806)

z = \frac{0.4806 - 0.50}{0.05} \approx -0.39

Tra bảng chuẩn,

P(Z < -0.39) \approx 0.349

, vậy

\beta \approx 0.35

và

\text{power} = 1 - 0.35 = 0.65

3Bước 3: Với

n = 400

, sai số chuẩn dưới

H_0

chỉ còn

\sqrt{0.24/400} \approx 0.0245

, nên ngưỡng bác bỏ hạ xuống

0.40 + 1.645(0.0245) \approx 0.4403

. Dưới

p = 0.50

, sai số chuẩn là

\sqrt{0.25/400} = 0.025

và

z = \frac{0.4403 - 0.50}{0.025} \approx -2.39

cho

\beta = P(Z < -2.39) \approx 0.008

. Cỡ mẫu gấp bốn lần đã kéo

\beta

từ 0,35 xuống dưới 0,01 trong khi

\alpha

vẫn là 0,05.

4Bước 4: Ba yếu tố chi phối

\beta

đều lộ ra qua phép tính vừa rồi. Sai số chuẩn nhỏ đi (do

n

lớn) đẩy hai phân phối tách nhau; khoảng cách giữa 0,40 và giá trị thật, gọi là độ lớn hiệu ứng (effect size), càng lớn thì

\beta

càng nhỏ; và ngưỡng bác bỏ do

\alpha

quy định. Tăng

n

là cách duy nhất trong ba yếu tố mà người nghiên cứu chủ động điều chỉnh được, vì độ lớn hiệu ứng do tự nhiên quyết định còn hạ

\beta

bằng cách nới

\alpha

thì phải trả giá bằng sai lầm loại I.

Với $n = 100$ , kiểm định bác bỏ $H_0$ khi $\hat{p} \ge 0.4806$ ; nếu tỉ lệ tình nguyện thật là 0,50 thì $\beta \approx 0.35$ và power $\approx 0.65$ , nghĩa là hơn một phần ba số nghiên cứu như vậy sẽ bỏ sót mức tăng có thật. Khi tăng lên $n = 400$ , cùng mức $\alpha = 0.05$ , ta có $\beta \approx 0.008$ và power $\approx 0.99$ : mẫu lớn hơn giúp nhóm nghiên cứu gần như chắc chắn phát hiện được mức tăng từ 0,40 lên 0,50.

Mục tiêu và lộ trình unit xem miễn phí — làm bài tập và lưu tiến độ cần tài khoản 0đ.