ERRORES TIPO I Y II

En las pruebas de hipótesis estadísticas, un error de Tipo I es el rechazo incorrecto de una

hipótesis nula verdaderamente verdadera (también llamada conclusión o conclusión "falso

positivo"; por ejemplo, "el inocente fue condenado"), mientras que un error de Tipo II es el error

incorrecto. aceptación. Una hipótesis nula verdadera falsa (también llamada inferencia o

conclusión "falso negativo"; por ejemplo: "el culpable no fue condenado"). Gran parte de la

teoría estadística se ocupa de minimizar uno o ambos errores, aunque si el resultado no está

determinado por un proceso causal conocido y observable, la eliminación completa de ambos

errores es estadísticamente imposible. Al elegir el umbral bajo (límite) y cambiar el nivel alfa

(p), el conocimiento de los errores de tipo I y tipo II se utiliza ampliamente en medicina,

biometría e informática.

Intuitivamente, los errores de tipo 1 pueden considerarse errores de orden, en los que el

investigador lamentablemente concluye que algo es cierto. Por ejemplo, consideremos un estudio

en el que los investigadores comparan un fármaco con un placebo. Si los pacientes que toman el

fármaco obtienen mejores resultados que los que toman un placebo, el fármaco puede parecer

eficaz, pero en realidad la conclusión es errónea. Por el contrario, los errores de tipo 2 son

errores de omisión. En el ejemplo anterior, si los pacientes que recibieron el fármaco no

mejoraron más rápido que los que recibieron el placebo, pero se trataba de una posibilidad
aleatoria, entonces se trataría de un error de tipo II. Las consecuencias de un error de tipo II

dependen de la magnitud y dirección de la decisión perdida y de las circunstancias. Para uno

entre un millón de pacientes, un tratamiento costoso puede no importar, incluso si es un

tratamiento.

Error tipo I

El primer tipo de error es rechazar incorrectamente la hipótesis nula debido al procedimiento de

prueba. Este tipo de error se denomina error de tipo I (falso positivo), a veces también error de

tipo I. En el caso de un tribunal, un error de Tipo I corresponde a la condena de un acusado

inocente.

Error tipo II

El segundo tipo de error es la aceptación incorrecta de la hipótesis nula como resultado del

proceso de prueba. Este tipo de error se denomina error de tipo II (falso negativo), también

llamado error de tipo II.

En el caso de un tribunal, un error de tipo II equivale a absolver a un criminal. tasa de error

cruzado
La tasa de error cruzado (CER) es el punto en el que los errores de tipo I y tipo II son iguales y

es la mejor medida de la eficiencia biométrica. Los sistemas con valores de CER más bajos

proporcionan una mayor precisión que los sistemas con valores de CER más altos.

Falsos positivos y falsos negativos

Falsos positivos y falsos negativos

Para falsos positivos y falsos negativos, un resultado positivo corresponde a rechazar la hipótesis

nula y un resultado negativo corresponde a no rechazar la hipótesis nula; "falso" significa que la

conclusión es incorrecta. Por tanto, un error de Tipo I equivale a un falso positivo y un error de

Tipo II equivale a un falso positivo.

TASA DE ERRORES
Una prueba perfecta debe tener cero falsos positivos y cero falsos negativos. Pero los métodos

estadísticos son probabilísticos y la gente no puede estar segura de que las conclusiones

estadísticas sean correctas. Cuando hay incertidumbre, existe la posibilidad de error. Dada la

naturaleza de esta ciencia estadística, todas las pruebas de hipótesis estadísticas están sujetas a

errores de Tipo I y Tipo II. La tasa de error tipo I o nivel de significancia es la capacidad de

rechazar la hipótesis nula si es cierta. Se denota con la letra griega α (alfa) y también se le llama

nivel de energía alfa. Normalmente, el nivel de significancia se establece en 0,05 (5%), lo que

significa que existe una probabilidad aceptable del 5% de rechazar falsamente la hipótesis nula

verdadera. La tasa de error tipo II, denotada con la letra griega β (beta), está relacionada con la

potencia de la prueba y es igual a 1-β. Las tasas de estos dos tipos de error se equilibran entre sí:

para cualquier conjunto dado de muestras, los esfuerzos por reducir un tipo de error

generalmente conducen a un aumento en el otro tipo de error.

La calidad de la prueba de hipótesis

La misma idea se puede expresar con el número correcto de resultados y, por lo tanto, se puede

utilizar para reducir la tasa de error y mejorar la calidad de las pruebas de hipótesis. Para reducir

el riesgo de error de tipo I, es muy sencillo y eficaz ajustar el valor alfa (p). Para reducir la

probabilidad de error tipo II, que está estrechamente relacionado con la potencia analítica,

aumentar el tamaño de la muestra de prueba o relajar el nivel alfa puede mejorar la potencia
analítica. La estadística de prueba es robusta cuando se controla la tasa de error tipo I. También

se pueden utilizar diferentes umbrales (valores de corte) para hacer que la prueba sea más

específica o sensible y así mejorar la calidad de la prueba. Consideremos, por ejemplo, una

prueba médica en la que un experimentador puede medir la concentración de una proteína

particular en una muestra de sangre. El experimentador puede ajustar el umbral (línea vertical

negra en la figura) y, si se detecta un número por encima del umbral dado, se diagnostica la

enfermedad a las personas. Dependiendo de la imagen, cambiar el umbral cambiará los falsos

positivos y falsos negativos correspondientes al cambio en la curva.

Ejemplo

Dado que, en un experimento real, no se pueden evitar todos los tipos de tipo I y II, es importante

considerar el riesgo de rechazar H 0 o adoptar por error H. La solución para resolver este

problema es P o esencial para informar estadísticas. Por ejemplo, si se estima que el valor p del

estadístico de prueba es 0,0596, entonces tenemos un 5,96% de posibilidades de rechazar H 0

incorrectamente. Alternativamente, si decimos que el estadístico se realiza a un nivel α de 0,05,

entonces permitir un falso rechazo H 0 5% del tiempo. Un nivel de significancia de α 0,05 es

relativamente común, pero no existe una regla universal que se ajuste a todos los escenarios.

Medición de velocidad del vehículo

El límite de velocidad en las autopistas de Estados Unidos es de 120 kilómetros por hora. Se ha

instalado un dispositivo para medir la velocidad de los vehículos que pasan. Supongamos que el

dispositivo tomará tres mediciones de la velocidad de los vehículos que pasan, registradas como

muestras aleatorias X 1, X 2, X 3. La policía de tránsito multará o no al conductor en función de

la velocidad promedio {\bar {X}}. Entonces las estadísticas de la prueba.

Aquí está el área crítica. Es decir, si la velocidad registrada del vehículo es superior al valor

crítico de 121,9, el conductor será sancionado. Pero todavía hay un 5% de conductores que

reciben multas erróneas porque la velocidad promedio registrada es superior a 121,9 pero la

velocidad real es inferior a 120, lo que llamamos error de tipo I.

Las faltas de tipo II corresponden a situaciones en las que la velocidad real del vehículo supera

los 120 km/h y no se impone ninguna sanción de conducción. Por ejemplo, si la velocidad real

del vehículo μ = 125, la probabilidad de que el conductor no reciba una multa se puede calcular

como

{\displaystyle <b style=P=(T<121.9T {c\T {fra) ) frac { 2}{\sqrt{3}}}}

Esto significa que, si la velocidad real del vehículo es 125, tomando la estadística en el nivel 125,

el conductor tiene un 0,36% de posibilidades de evitar una multa porque la velocidad promedio

registrada es inferior a 121,9. Si su velocidad real está más cerca de 121,9 que de 125, sus

posibilidades de evitar una penalización también serán mayores. También debe considerarse el

equilibrio entre los errores de tipo I y tipo II. Es decir, en este caso, si la policía de tránsito no

quiere castigar injustamente a conductores inocentes, el nivel de α se puede establecer en un

valor menor, por ejemplo, 0,01. Sin embargo, si este es el caso, más conductores que conduzcan

a más de 120 kilómetros por hora (por ejemplo, 125 kilómetros por hora) tendrán más

probabilidades de evitar una multa.