Erreur de type II (définition, exemple) - Comment cela se produit-il?

Qu'est-ce qu'une erreur de type II?

L'erreur de type II, communément appelée erreur β, est la probabilité de conserver l'énoncé factuel qui est intrinsèquement incorrect. Il s'agit d'une erreur de faux positif, c'est-à-dire que la déclaration est fausse factuellement et nous sommes positifs à ce sujet.

Explication

Les erreurs de type sont très couramment utilisées pour créer l'hypothèse et pour identifier la solution en fonction de la probabilité de leur occurrence et pour identifier la correction factuelle des données sur lesquelles l'hypothèse a été structurée.

Voici le diagramme montrant la création de l'hypothèse nulle, l'hypothèse alternative, la moyenne de l'échantillon et la probabilité d'erreur.

Avec chaque test que nous avons entrepris, il existe toujours une probabilité d'erreur dans la prise de décision, et une telle décision peut être une sorte d'erreur de type I ou de type II. En termes simples, disons-nous, lors de la prise de décision, nous pouvons rejeter les faits corrects ou accepter les mauvais faits. Le rejet d'un fait correct est une erreur de type I et l'acceptation de faits incorrects est une erreur de type II. Dans le monde du travail, cette erreur s'avère très dangereuse car toute l'analyse et l'expérience se révèlent fausses car la base elle-même est fausse.

Voici la matrice du type d'erreur que l'on pourrait commettre si les faits sont mal acceptés:

		Il a été décidé de conserver		Une décision a été prise de rejeter
		( Positif)		( Négatif)
L'hypothèse nulle est vraie		Vrai positif		Vrai négatif
		(1- a)		(a) = Erreur de type I
L'hypothèse nulle est fausse		Faux positif		Faux négatif
		(β) = Erreur de type II		(1 - β)

À partir de la matrice ci-dessus, nous pouvons dire que:

1. L'hypothèse nulle correcte et la décision correcte de retenir font partie d'une décision positive réelle qui prouvera que l'analyse est vraie. Telle est la conclusion attendue de l'étude.
2. L'hypothèse nulle correcte et la prise de décision incorrecte pour la retenir ne s'avéreront pas fructueuses. Une telle décision True Negative est appelée erreur de type 1 ou erreur.
3. Une hypothèse nulle incorrecte et une prise de décision inexacte pour la conserver compromettra l'analyse complète. On ne pourra jamais arriver à une conclusion où la base elle-même de l'interprétation est erronée. Une telle décision faussement positive est appelée erreur de type II ou β.
4. L'hypothèse nulle incorrecte et la prise de décision incorrecte à rejeter sont les attentes réelles de toute l'analyse. Les décisions fausses négatives doivent être rejetées sans aucune réflexion.

Exemple d'erreur de type II

• Chez les êtres humains, les femmes ont tendance à tomber enceintes. Cependant, lors de la vérification, le médecin diagnostique par erreur un homme comme enceinte. Ceci est appelé erreur de type II, où la base elle-même est fausse.
• En outre, les médecins diagnostiquent les femmes comme non enceintes; cependant, en réalité, elle est enceinte. Ceci est appelé erreur de type I, où les faits sont corrects, mais on rejette la même chose.

Comment l'erreur de type II se produit-elle?

Divers facteurs peuvent entraîner une telle erreur

# 1 - Tout changement dans la population est comparativement très petit à détecter

Si dans la population elle-même, la tendance au changement n'est pas visible, alors tout test d'hypothèse ne sera pas en mesure de répondre aux faits corrects. Un tel scénario conduira à l'acceptation de faits incorrects, ce qui entraînera une erreur de type II.

# 2 - La taille de l'échantillon couvre une très petite partie de la population

L'échantillon doit représenter la population complète. Ainsi, si l'échantillon n'est pas une représentation idéale de la population, il est très improbable qu'il donne une image correcte pour l'analyse. L'analyste ne pourra pas identifier les faits corrects. En conséquence, un analyste s'appuiera sur des faits erronés et entraînera une erreur de type II.

# 3 - Sélection d'échantillon incorrecte

En général, l'échantillonnage aléatoire est utilisé à l'échelle mondiale, car il est considéré comme l'une des méthodes les plus impartiales de sélection de l'échantillon. Cependant, à plusieurs reprises, cela entraîne un prélèvement d'échantillons inapproprié. Cela conduit à une couverture incorrecte de la population et entraîne une erreur de type II.

Les erreurs de type II peuvent-elles être évitées?

# 1 - Répétez l'analyse jusqu'à ce que l'on atteigne la signification requise

La signification spécifie à quelle probabilité l'hypothèse nulle est factuellement correcte ou non. À la fin de toute analyse, on s'attend à accepter l'hypothèse nulle et à s'assurer que les faits donnés sont corrects. Cependant, plusieurs fois par une seule analyse, une telle importance ne peut être atteinte. Une telle analyse unique peut entraîner une erreur de type I ou de type II. Si dans l'analyse répétitive, le même type de sortie arrive, alors on sera en mesure de s'assurer qu'aucune erreur ne se produit.

# 2 - Chaque répétition d'analyse, change la taille du test de signification

Comme discuté au point 1). La signification montre la pertinence de l'hypothèse nulle. Si à la fin de la première coupe, on constate que l'échantillon n'est pas correctement couvert, alors augmentez la taille de signification et essayez de réitérer la même chose. Cela aidera à comprendre le comportement et on pourra éviter une erreur de type II.

# 3 - Le niveau alpha d'environ 0,1 est le niveau idéal

Généralement, un alpha autour de 0,1 entraînera le rejet de l'hypothèse. Tout rejet autorisera plusieurs vérifications. En conséquence, les chances d'occurrence d'erreur seront réduites. Une erreur de type II se produit lorsque quelque chose est mal accepté. S'il n'y a pas de portée d'acceptation, une telle erreur ne se produira pas.

Importance

• C'est plus dangereux que l'erreur de type I.
• Toute analyse est en cours d'élaboration sur quelques détails nécessaires et quelques hypothèses sous-jacentes. Dans l'hypothèse aussi, à la fin, on déterminera si la statistique du test est conforme ou non au fait donné. Un tel test spécifique affichera si la moyenne de l'échantillon est équivalente à la moyenne de la population ou non.
• En raison d'une sorte d'erreur d'analyse, l'hypothèse nulle semble atteindre une signification; alors, on acceptera le fait donné dans l'hypothèse nulle.
• Cependant, en réalité, une telle hypothèse nulle ne doit pas être acceptée. En conséquence, il faut être très sûr tout en acceptant la déclaration d'hypothèse nulle. En le revérifiant, on obtiendra une meilleure signification augmentera l'exactitude des faits.

Erreur de type I vs erreur de type II

Voici la différence fondamentale entre les deux types d'erreur

Sr Non		Erreur de type I		Erreur de type II
1		Cela se produit lorsque l'hypothèse nulle correcte n'est pas acceptée.		Cela se produit lorsqu'une hypothèse nulle incorrecte est acceptée
2		De telles erreurs sont vraiment négatives.		De telles erreurs sont des faux positifs
3		Il est noté alpha.		Il est noté Beta
4		Hypothèse nulle et erreur de type 1		Hypothèse alternative et erreur de type 2
5		Si l'effet résultant de cette erreur est pire qu'une erreur de type I, il faut considérer alpha avec une valeur supérieure à 0,10		Si la résultante d'une erreur de type I est pire, il faut définir alpha avec une valeur inférieure à 0,01.

Conclusion

L'erreur de type II est un faux négatif, l'effet résultant de l'acceptation de l'hypothèse nulle incorrecte. Dans le monde pratique, une telle erreur entraîne l'échec du projet complet car la base est inexacte. Une telle base peut être comme des détails, des faits ou des hypothèses, ce qui mettra en péril une analyse complète.