Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
errores es estadísticamente imposible. Al elegir el umbral bajo (límite) y cambiar el nivel alfa
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
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
tratamiento.
Error tipo I
prueba. Este tipo de error se denomina error de tipo I (falso positivo), a veces también error de
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
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.
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
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
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
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
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
relativamente común, pero no existe una regla universal que se ajuste a todos los escenarios.
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
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
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
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
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