Kiểm định nhị thức chính xác là gì?
Kiểm định nhị thức chính xác giúp đánh giá xem số lần thành công quan sát được trong một số phép thử độc lập kiểu có/không (cố định) có phù hợp với một xác suất thành công giả định hay không. Khác với phép xấp xỉ chuẩn, phương pháp này tính giá trị p trực tiếp từ phân phối nhị thức, nên vẫn cho kết quả chính xác ngay cả khi mẫu nhỏ. Công cụ này mang tính phổ quát — áp dụng được cho mọi thí nghiệm nhị phân như tung đồng xu, tỷ lệ chuyển đổi, đếm số sản phẩm lỗi, hay dữ liệu đạt/không đạt.
Cách sử dụng máy tính
Nhập số lần thành công k, tổng số phép thử n, và xác suất thành công giả định p (nằm trong khoảng từ 0 đến 1). Máy tính sẽ trả về giá trị p hai phía, xác suất của số lần quan sát được, số lần thành công kỳ vọng, cùng cả hai giá trị p một phía.
Giải thích công thức
Mỗi kết quả x có xác suất
$$P(X = x) = \binom{\text{n}}{x}\, \text{p}^{\,x}\,\bigl(1-\text{p}\bigr)^{\text{n}-x}$$Giá trị p hai phía là tổng xác suất của tất cả các kết quả có khả năng xảy ra bằng hoặc thấp hơn so với kết quả thực tế quan sát được (\(P(x) \le P(k)\)).
$$p\text{-value} = \sum_{x\,:\,P(X=x)\,\le\,P\left(X=\text{k}\right)} P(X = x)$$Giá trị p một phía dưới là
$$P\!\left(X \le \text{k}\right) = \sum_{x=0}^{\text{k}} \binom{\text{n}}{x}\, \text{p}^{\,x}\,\bigl(1-\text{p}\bigr)^{\text{n}-x}$$và một phía trên là
$$P\!\left(X \ge \text{k}\right) = \sum_{x=\text{k}}^{\text{n}} \binom{\text{n}}{x}\, \text{p}^{\,x}\,\bigl(1-\text{p}\bigr)^{\text{n}-x}$$
Ví dụ minh họa
Giả sử bạn tung một đồng xu 10 lần và nhận được 8 lần mặt ngửa, nhằm kiểm tra xem đồng xu có cân bằng hay không (\(p = 0{,}5\)). Xác suất nhận được đúng 8 lần ngửa là \(\binom{10}{8}\cdot 0{,}5^{10} = 45/1024 \approx 0{,}043945\). Theo tính đối xứng, các kết quả có khả năng xảy ra bằng hoặc thấp hơn là 0, 1, 2, 8, 9, 10 lần ngửa. Tổng xác suất của chúng là \(2\cdot(1+10+45)/1024 = 112/1024 \approx 0{,}109375\), chính là giá trị p hai phía. Vì giá trị này lớn hơn 0,05, bạn sẽ không bác bỏ giả thuyết rằng đồng xu cân bằng.
Giải Thích Kết Quả Của Bạn
Kiểm định nhị thức chính xác so sánh số lần thành công \(k\) quan sát được trong \(n\) lần thử độc lập với một xác suất thành công giả thuyết \(p\). Giá trị p trả lời một câu hỏi duy nhất: nếu giả thuyết không có hiệu lực đúng, thì kết quả ít nhất cực đoan bằng kết quả bạn quan sát được có khả năng xảy ra bao nhiêu?
Hai phía so với một phía
Giá trị p hai phía kiểm định xem liệu xác suất thực sự có khác \(p\) theo cả hai hướng hay không. Nó tính tổng xác suất của tất cả các kết quả có khả năng xảy ra nhỏ hơn hoặc bằng khả năng xảy ra của \(k\) quan sát được (phương pháp được sử dụng bởi máy tính này và bởi binom.test của R). Sử dụng nó khi bạn không có lý do tiên nghiệm để mong đợi một kết quả cao hoặc thấp.
Giá trị p một phía kiểm định một khẳng định có hướng — ví dụ "xác suất thực sự lớn hơn \(p\)." Nó chỉ tính tổng xác suất trong phần đuôi bạn chỉ định. Giá trị p một phía xấp xỉ bằng nửa giá trị hai phía, vì vậy hãy chọn hướng trước khi xem dữ liệu, không bao giờ sau.
Mức ý nghĩa (alpha)
Ngưỡng \(\alpha\) là tỷ lệ dương tính giả mà bạn sẵn sàng chấp nhận. Những lựa chọn phổ biến là \(\alpha = 0,05\) và \(\alpha = 0,01\) nghiêm ngặt hơn. Bạn so sánh giá trị p với \(\alpha\):
- Nếu giá trị p \(\le \alpha\): bác bỏ giả thuyết không — dữ liệu không phù hợp đủ với \(p\) để được gọi là có ý nghĩa thống kê.
- Nếu giá trị p \(> \alpha\): không bác bỏ giả thuyết không — dữ liệu tương thích với \(p\).
Ý nghĩa của "không bác bỏ"
"Không bác bỏ" có nghĩa chỉ là bạn thiếu bằng chứng đủ để chống lại giả thuyết không. Nó không chứng minh rằng giả thuyết không là đúng. Một mẫu nhỏ có thể dễ dàng tạo ra một kết quả không có ý nghĩa ngay cả khi xác suất thực sự khác với \(p\); sự vắng mặt của bằng chứng không phải là bằng chứng của sự vắng mặt. Để đánh giá những gì dữ liệu hỗ trợ, hãy kết hợp kiểm định với ước tính hiệu ứng và khoảng tin cậy cho tỷ lệ.
Định Nghĩa & Thuật Ngữ
- Số lần thành công (k)
- Số lần quan sát được trong các lần thử có kết quả mong muốn. Một số nguyên với \(0 \le k \le n\).
- Số lần thử (n)
- Tổng số các lần thử Bernoulli độc lập, mỗi lần có cùng xác suất thành công.
- Xác suất giả thuyết (p)
- Xác suất thành công giả sử theo giả thuyết không, \(0 \le p \le 1\). Ví dụ, tính công bằng của một đồng xu tương ứng với \(p = 0,5\).
- Giả thuyết không (H₀)
- Khẳng định mặc định đang được kiểm định: xác suất thành công thực sự bằng \(p\), tức là \(H_0:\, \pi = p\).
- Giả thuyết thay thế (H₁)
- Khẳng định được chấp nhận nếu H₀ bị bác bỏ: \(\pi \ne p\) (hai phía), hoặc \(\pi > p\) / \(\pi < p\) (một phía).
- Giá trị p
- Xác suất, được tính dưới H₀, của việc nhận được một kết quả ít nhất cực đoan bằng \(k\) quan sát được. Những giá trị nhỏ hơn cung cấp bằng chứng mạnh hơn chống lại H₀.
- Kiểm định hai phía
- Phát hiện sự khác biệt so với \(p\) theo cả hai hướng bằng cách tính tổng tất cả các kết quả không có khả năng xảy ra hơn kết quả quan sát được.
- Kiểm định một phía
- Phát hiện sự khác biệt theo một hướng duy nhất được chỉ định trước.
- Số lần thành công dự kiến (np)
- Số lần thành công dự kiến theo H₀, \(np\). So sánh \(k\) với \(np\) cho thấy hướng và kích thước xấp xỉ của sự lệch.
- Mức ý nghĩa (alpha)
- Ngưỡng được chọn trước \(\alpha\) (thường là 0,05 hoặc 0,01) mà giá trị p được so sánh; đó là xác suất tối đa chấp nhận được của lỗi Loại I.
Câu hỏi thường gặp
Khi nào nên dùng kiểm định chính xác thay vì kiểm định z? Hãy dùng kiểm định nhị thức chính xác mỗi khi n nhỏ hoặc số lần kỳ vọng thấp, vì khi đó phép xấp xỉ chuẩn không còn đáng tin cậy.
Giá trị p nhỏ có ý nghĩa gì? Giá trị p nhỏ (ví dụ dưới 0,05) cho thấy số lần quan sát được khó có thể xảy ra dưới xác suất giả định, qua đó cung cấp bằng chứng phản bác giả thuyết.
Vì sao giá trị p hai phía có thể khác với việc nhân đôi giá trị một phía? Kiểm định hai phía chính xác cộng dồn xác suất của tất cả các kết quả ít nhất cũng cực đoan theo xác suất, và con số này không phải lúc nào cũng bằng gấp đôi đuôi nhỏ hơn khi phân phối bị lệch.
