5.3 Feiltyper og teststyrke

Type I og type II feil, teststyrke.

45 min

17 oppgaver

Type I feilType II feilTeststyrkeUtvalgsstørrelse

Du leser den tradisjonelle versjonen

Din fremgang i kapitlet

0 / 17 oppgaver

Kapitlets plass i kurset

Bygger på

5.2Hypotesetesting

Brukes videre i

5.4Estimering og konfidensintervall

To typer feil i hypotesetesting

Når vi tar en beslutning basert på en hypotesetest, kan vi gjøre feil. Siden vi baserer oss på et utvalg (ikke hele populasjonen), er det alltid en risiko for å trekke feil konklusjon.

Det finnes to typer feil:

$H_0$ er sann	$H_0$ er usann
Forkaster $H_0$	Type I feil	Riktig beslutning
Forkaster ikke $H_0$	Riktig beslutning	Type II feil

Type I feil (falsk positiv)

P(\text{Type I feil}) = \alpha

Type II feil (falsk negativ)

P(\text{Type II feil}) = \beta

Teststyrke (power)

Teststyrken er sannsynligheten for å forkaste $H_0$ når $H_0$ faktisk er usann:

$\text{Teststyrke} = 1 - \beta = P(\text{forkaste } H_0 \mid H_0 \text{ er usann})$

En høy teststyrke betyr at testen er god til å oppdage virkelige effekter.

Tommelfingerregel: Teststyrken bør være minst 0,80 (80 %). Det betyr at vi oppdager en virkelig effekt i minst 80 % av tilfellene.

📜Teststyrke for z-test

For en ensidig test

H_0: \mu = \mu_0

mot

H_1: \mu > \mu_0

med signifikansnivå

\alpha

$\text{Styrke} = P\left(Z > z_\alpha - \frac{\mu_1 - \mu_0}{\sigma/\sqrt{n}}\right)$

der $\mu_1$ er den sanne verdien av $\mu$ under $H_1$ .

For en tosidig test er formelen mer kompleks, men prinsippet er det samme.

✏️Beregning av teststyrke

Vi tester $H_0: \mu = 100$ mot $H_1: \mu > 100$ med $\alpha = 0{,}05$ , $n = 36$ , og $\sigma = 12$ . Hva er teststyrken hvis den sanne verdien er $\mu_1 = 104$ ?

Kritisk verdi:

z_{0{,}05} = 1{,}645

Beregning:
$\text{Styrke} = P\left(Z > 1{,}645 - \frac{104 - 100}{12/\sqrt{36}}\right) = P\left(Z > 1{,}645 - \frac{4}{2}\right) = P(Z > -0{,}355)$

$= 1 - P(Z < -0{,}355) = 1 - 0{,}361 = 0{,}639$

Teststyrken er 63,9 %. Det betyr at vi bare oppdager effekten i omtrent 64 % av tilfellene - noe lavt!

Sammenheng mellom $\alpha$ , $\beta$ og $n$

De tre faktorene påvirker hverandre:

1. Øke $\alpha$ (signifikansnivå):
- Lettere å forkaste $H_0$
- $\beta$ reduseres → styrken øker
- Men risikoen for Type I feil øker

2. Øke $n$ (utvalgsstørrelse):
- Både $\alpha$ og $\beta$ kan holdes lave
- Styrken øker
- Men koster mer (tid, penger)

3. Stor effektstørrelse (avvik fra $H_0$ ):
- Lettere å oppdage → styrken øker
- Men vi kontrollerer ikke effektstørrelsen

Oppsummering:
- $\alpha$ og $\beta$ er i «konflikt»: å redusere den ene øker den andre (for fast $n$ )
- Den eneste måten å redusere begge samtidig er å øke $n$

✏️Nødvendig utvalgsstørrelse for gitt styrke

Vi ønsker å teste $H_0: \mu = 100$ mot $H_1: \mu > 100$ med $\alpha = 0{,}05$ og styrke $= 0{,}80$ . Vi antar at den sanne verdien er $\mu_1 = 105$ og $\sigma = 15$ . Finn nødvendig utvalgsstørrelse.

For ensidig test med styrke

1 - \beta

$n = \left(\frac{(z_\alpha + z_\beta) \cdot \sigma}{\mu_1 - \mu_0}\right)^2$

Innsetting: $z_{0{,}05} = 1{,}645$ og $z_{0{,}20} = 0{,}842$ (fra $\beta = 0{,}20$ )

$n = \left(\frac{(1{,}645 + 0{,}842) \cdot 15}{105 - 100}\right)^2 = \left(\frac{2{,}487 \cdot 15}{5}\right)^2 = \left(7{,}461\right)^2 = 55{,}7$

Vi trenger $n \geq 56$ observasjoner.

Praktisk vs. statistisk signifikans

Et resultat kan være statistisk signifikant uten å være praktisk viktig, og omvendt.

Eksempel: En studie med $n = 10\,000$ finner at en ny medisin senker blodtrykket med 0,5 mmHg (p-verdi < 0,001). Resultatet er statistisk signifikant, men en forskjell på 0,5 mmHg har neppe noen klinisk betydning.

Omvendt: En liten studie med $n = 20$ finner at en behandling reduserer smerter med 40 % (p-verdi = 0,08). Resultatet er ikke statistisk signifikant, men effekten er potensielt klinisk viktig - problemet er for lite utvalg.

Konfidensintervall hjelper: De viser både estimert effekt (praktisk størrelse) og usikkerhet (statistisk). Rapporter alltid konfidensintervall i tillegg til p-verdier.

📝Oppgave 1

Løs oppgavene:

Forklar med egne ord hva en Type I feil er.

Forklar med egne ord hva en Type II feil er.

📝Oppgave 2

Løs oppgavene:

En brannalarm kan gi falsk alarm eller ikke varsle ved en ekte brann. Hvilken er Type I feil, og hvilken er Type II feil?

📝Oppgave 3

Løs oppgavene:

Hva er teststyrken, og hva er en god tommelfingerregel for styrke?

📝Oppgave 4

Løs oppgavene:

Et rettssystem kan gjøre to typer feil: dømme en uskyldig (Type I) eller frikjenne en skyldig (Type II). Forklar hvorfor rettssystemet har lavt $\alpha$ («hevet over enhver rimelig tvil»).

📝Oppgave 5

Løs oppgavene:

Hva skjer med teststyrken dersom vi øker utvalgsstørrelsen $n$ ? Forklar intuitivt.

📝Oppgave 6

Løs oppgavene:

Vi tester $H_0: \mu = 50$ mot $H_1: \mu > 50$ med $\alpha = 0{,}05$ , $n = 25$ , $\sigma = 10$ . Finn teststyrken dersom $\mu_1 = 54$ .

Løs oppgaven Tren

📝Oppgave 7

Løs oppgavene:

Med samme parametre som oppgave 6, men $n = 100$ , finn teststyrken.

Løs oppgaven Tren

📝Oppgave 8

Løs oppgavene:

Forklar hvorfor man ikke kan redusere både $\alpha$ og $\beta$ uten å endre noe annet.

📝Oppgave 9

Løs oppgavene:

Finn nødvendig $n$ for å teste $H_0: \mu = 200$ mot $H_1: \mu > 200$ med $\alpha = 0{,}05$ , styrke $= 0{,}90$ og $\sigma = 30$ dersom vi ønsker å oppdage $\mu_1 = 210$ .

Løs oppgaven Tren

📝Oppgave 10

Løs oppgavene:

En studie med $n = 50\,000$ finner at en medisin senker kolesterolet med 0,1 mg/dL (p-verdi $< 0{,}001$ ). Klinisk relevant forskjell er minst 5 mg/dL. Diskuter statistisk vs. praktisk signifikans.

📝Oppgave 11

Løs oppgavene:

I en medisinsk studie er konsekvensene av Type I og Type II feil ulike. Forklar hva som er konsekvensene av hver feiltype når man tester en ny behandling, og diskuter hvordan man bør velge $\alpha$ .

📝Oppgave 12

Løs oppgavene:

Forklar hva som menes med «effektstørrelse» og hvorfor denne er viktig i tillegg til p-verdien. Gi et eksempel.

Oppsummering

Læringspunkter:
- Type I-feil: å forkaste en sann $H_0$ (falsk positiv). Sannsynligheten er signifikansnivået $\alpha$ .
- Type II-feil: å beholde en gal $H_0$ (falsk negativ). Sannsynligheten kalles $\beta$ .
- Teststyrken er $1 - \beta$ : sannsynligheten for å avsløre en reell effekt. Tommelfingerregel: styrke $\geq 0{,}8$ .
- Styrken øker med større utvalg, større reell effekt, større $\alpha$ og mindre spredning.
- $\alpha$ og $\beta$ trekker i hver sin retning: senkes $\alpha$ (strengere test), øker $\beta$ — med mindre $n$ økes.

Nøkkelbegrep	Forklaring
Type I-feil	Forkaste sann $H_0$ — sannsynlighet $\alpha$
Type II-feil	Beholde gal $H_0$ — sannsynlighet $\beta$
Teststyrke	$1 - \beta$ : sjansen for å oppdage en reell effekt
Effektstørrelse	Hvor stort det reelle avviket fra $H_0$ er

Viktige formler:

P(\text{Type I}) = \alpha, \qquad \text{Styrke} = 1 - \beta

n \approx \left(\frac{(z_{\alpha} + z_{\beta})\,\sigma}{\delta}\right)^2 \quad (\text{ensidig test, effekt } \delta)

Repetisjonsoppgaver

Din fremgang

0deloppgaver0 / 5 oppgaver

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.

To typer feil i hypotesetesting

Teststyrke (power)

Sammenheng mellom α\alphaα, β\betaβ og nnn

Praktisk vs. statistisk signifikans

Oppsummering

Sammenheng mellom $\alpha$ , $\beta$ og $n$