Un error de tipo 1 también se conoce como falso positivo y ocurre cuando un investigador rechaza incorrectamente una hipótesis nula verdadera. Esto significa que su informe de que sus hallazgos son significativos cuando, de hecho, han ocurrido por casualidad.
La probabilidad de cometer un error tipo I está representada por su nivel alfa (α), que es el valor p debajo del cual rechaza la hipótesis nula.
Un valor p de 0.05 indica que está dispuesto a aceptar un 5% de posibilidades de que esté equivocado cuando rechace la hipótesis nula.
Puede reducir su riesgo de cometer un error tipo I mediante el uso de un valor más bajo para la p. Por ejemplo, un valor p de 0.01 significaría que hay un 1% de posibilidades de cometer un error tipo I.
Sin embargo, usar un valor más bajo para alfa significa que será menos probable que detecte una verdadera diferencia si realmente existe (arriesgando así un error de tipo II).
Un error de tipo II también se conoce como falso negativo y ocurre cuando un investigador no puede rechazar una hipótesis nula que es realmente falsa. Aquí un investigador concluye que no hay un efecto significativo, cuando realmente existe.
Puede hacerlo asegurando que el tamaño de su muestra sea lo suficientemente grande como para detectar una diferencia práctica cuando realmente existe.
Las consecuencias de cometer un error tipo I significan que se realizan cambios o intervenciones que son innecesarias y, por lo tanto, pierden el tiempo, los recursos, etc.
Los errores de tipo II generalmente conducen a la preservación del status quo (es decir, las intervenciones siguen siendo las mismas) cuando se necesita cambio.
¿Qué diferencia existe entre un error tipo 1 y tipo 2?
Se realizan principalmente dos tipos de errores, mientras que se realizan pruebas de hipótesis, es decir, el investigador rechaza H0, cuando H0 es verdadero, o él/ella acepta H0 cuando en realidad H0 es falso. Por lo tanto, el primero representa el error de tipo I y el segundo es un indicador del error tipo II.
La prueba de hipótesis es un procedimiento común; que el investigador usa para probar la validez, eso determina si una hipótesis específica es correcta o no. El resultado de la prueba es una piedra angular para aceptar o rechazar la hipótesis nula (H0). La hipótesis nula es una propuesta; Eso no espera ninguna diferencia o efecto. Una hipótesis alternativa (H1) es una premisa que espera alguna diferencia o efecto.
Hay diferencias leves y sutiles entre los errores de tipo I y tipo II, que vamos a discutir en este artículo.
En las estadísticas, el error tipo I se define como un error que ocurre cuando los resultados de la muestra causan el rechazo de la hipótesis nula, a pesar del hecho de que es cierto. En términos simples, el error de aceptar la hipótesis alternativa, cuando los resultados pueden atribuirse al azar.
También conocido como el error alfa, lleva al investigador a inferir que existe una variación entre dos observancias cuando son idénticas. La probabilidad de error tipo I es igual al nivel de importancia, que el investigador establece para su prueba. Aquí el nivel de importancia se refiere a las posibilidades de cometer un error tipo I.
P.ej. Supongamos que sobre la base de los datos, el equipo de investigación de una empresa concluyó que más del 50% del total de clientes como el nuevo servicio iniciado por la compañía, que es, de hecho, menos del 50%.
¿Cuál es la diferencia entre error tipo 1 y 2?
Antes de intentar recordar los errores Tipo 1 y Tipo 2, primero es bueno comprender el concepto.
En estadísticas (y en la vida), a menudo comenzamos con una hipótesis nula (una creencia que tenemos) y lo probamos usando datos (o evidencia). Luego, evaluamos los datos de la muestra (o evidencia recopilada) para concluir si continuamos con la hipótesis nula (o el cambio de creencia que tenemos). Siempre es posible que lleguemos a la conclusión incorrecta porque los datos son solo una muestra, o la evidencia puede ser insuficiente. Hay dos formas de cometer este error. Las dos formas se nombraron error tipo 1 y error de tipo 2.
- Se produce un error tipo I cuando rechazamos una hipótesis nula que en realidad es cierta en la población.
- Esto también se conoce como un falso positivo.
- Medido por alfa.
- Un error de tipo II es cuando no rechazamos una hipótesis nula que en realidad es falsa en la población.
¡Los estudiantes generalmente preguntan por qué no eliminamos la terminología de error Tipo 1 y Tipo 2 y lo llamamos falso positivo y falso negativo! Técnicamente, utilizamos la terminología de error Tipo 1 y Tipo 2 para las pruebas de hipótesis en estadísticas. Claramente, ¡podría haber sido mejores formas de nombrar estos errores!
Ahora tiene al menos siete formas de recordar y distinguir entre errores tipo 1 y tipo 2. Elige lo que sea mejor que te adapte
A menos que sea un presidente en sentirse. Mira la respuesta de Trump en sus pruebas Covid-19
Trump en su última prueba de Coronavirus: “Probé muy positivamente en otro sentido, así que, esta mañana, sí. Probé positivamente hacia negativo, ¿verdad? Entonces, no. Probé perfectamente esta mañana, lo que significa que probé negativo. Pero esa es una forma de decirlo. Positivamente hacia lo negativo «
¿Qué significa error tipo 1?
El error de tipo 1 está vinculado a la significativa del contraste o el alfa, el error al estimar los coeficientes y puede ocurrir debido a 2 violaciones típicas de las hipótesis iniciales de una regresión. Estos son:
- Heteroscedasticidad condicional.
- Correlación en serie.
Una regresión que presenta una de las violaciones anteriores subestimaría el error de los coeficientes. Si esto sucede, nuestra estimación de estadística t sería mayor que la estadística real real. Estos valores más altos de la estadística t aumentarían la probabilidad de que el valor caiga en el área de rechazo.
- Heteroscedasticidad condicional.
- Correlación en serie.
De esta manera, el valor caería en la zona de rechazo y rechazaríamos la hipótesis nula.
- Heteroscedasticidad condicional.
- Correlación en serie.
De esta manera, el valor caería en el área de no rechazo y no rechazaríamos la hipótesis.
Sobre la base de los ejemplos anteriores, la situación 1 en la que se subestima el error, nos llevaría a rechazar la hipótesis nula cuando en realidad es cierto, porque como vemos en la situación 2 con el error correctamente estimado, no lo haríamos Rechazar la hipótesis es verdadera.
¿Qué es más grave error tipo 1 o tipo 2?
Los errores de tipo I y tipo II presentan problemas únicos a un investigador. Desafortunadamente, no existe una solución de cura para prevenir ninguno de los errores; Además, reducir la probabilidad de uno de los errores aumenta la probabilidad de cometer el otro tipo de error. Aunque un investigador puede tomar varias medidas para un error de tipo I más bajo, o alternativamente, un error de tipo II, la investigación empírica siempre contiene un elemento de incertidumbre, lo que significa que ninguno de los tipos de error puede evitarse por completo.
El error tipo I ha sido históricamente la principal preocupación para los investigadores. En presencia de un error tipo I, la significación estadística se atribuye a los hallazgos cuando en realidad no existe ningún efecto. Los investigadores generalmente son adversos a cometer este tipo de error; En consecuencia, tienden a adoptar un enfoque conservador, prefiriendo errar al lado de cometer un error tipo II. El principal inconveniente para enfatizar exclusivamente el error de tipo I sobre el error de tipo II es simplemente pasar por alto los hallazgos interesantes. Por lo general, una vez que se descubren relaciones estadísticas, siguen más estudios que confirman, construyen o desafían los hallazgos originales. En otras palabras, la investigación científica es acumulativa; Por lo tanto, los falsos positivos se revelan en estudios posteriores. Desafortunadamente, en presencia de un error tipo II, la línea de investigación a menudo se descartan, porque en la mayoría de los campos de investigación, una prima se otorga a resultados estadísticamente significativos. Si se ha cometido un error tipo II y esa línea particular de investigación no se lleva a cabo más a fondo, la comunidad científica puede perder información valiosa.
En última instancia, el científico debe decidir qué tipo de error es más problemático para su investigación. Esencialmente, el investigador se enfrenta a la cuestión de qué tipo de error es más costoso. La respuesta a esta pregunta depende del propósito de la investigación, así como de las posibles implicaciones en la presencia de un falso positivo (error tipo I) o falsos negativos (error tipo II).
¿Cuándo se comete el tipo de error 1 en estadistica inferencial?
Rechazando al nulo
hipótesis cuando en realidad es cierto se llama
un error tipo I.
Muchas personas deciden, antes de hacer una prueba de hipótesis, en un máximo
Valor p por el cual rechazarán la hipótesis nula. Este valor es
a menudo denotado α (alfa) y también se llama la importancia
nivel.
Precaución:
Cuanto más grande es la muestra
tamaño, cuanto más probable
La prueba de hipótesis detectará una pequeña diferencia. Así es especialmente
importante para considerar
práctico
Importancia cuando el tamaño de la muestra es grande.
Error tipo I y nivel de significancia:Pros y contras de
Establecer un nivel de significancia:
- Establecer un nivel de significancia (antes
haciendo inferencia) tiene la ventaja
que el analista es
no se siente tentado a elegir un límite en función de lo que él o ella espera que sea
verdadero. - Tiene la desventaja
que descuida que algunos valores p podrían
mejor se considere límite. Este
es una razón 2 por la que es importante informar los valores p cuando
informes
Resultados de pruebas de hipótesis. También es una buena práctica incluir
confianza
intervalos correspondientes a la prueba de hipótesis. (Para
Ejemplo, si una prueba de hipótesis para la diferencia de dos medios es
realizado, también dar un intervalo de confianza para la diferencia de aquellos
medio. Si el nivel de significancia para la prueba de hipótesis es .05, entonces
Use el nivel de confianza del 95% para el intervalo de confianza).
II Error no rechazar la hipótesis nula cuando en realidad la alternativa
La hipótesis es verdadera se llama tipo
II Error. (El segundo ejemplo a continuación proporciona una situación
dónde
El concepto de error tipo II es importante).
¿Cómo se disminuyen los errores tipo Iy II?
El resultado de una prueba estadística es una decisión de aceptar o rechazar H0 (la hipótesis nula) a favor de la detención (la hipótesis alternativa). Debido a que H0 se refiere a la población, es verdadero o falso para la población de la que está probando. Es posible que nunca sepa cuál es esa verdad, pero no obstante, una verdad objetiva.
La verdad puede ser una de dos cosas, y su conclusión es una de dos cosas, por lo que son posibles cuatro situaciones diferentes; Estos a menudo se retratan en una mesa cuádruple.
Estas son las cuatro cosas que pueden suceder cuando ejecuta una prueba de significación estadística en sus datos (utilizando un ejemplo de prueba de un medicamento para la eficacia):
Puede obtener un resultado no significativo cuando realmente no hay ningún efecto presente. Esto es correcto: no desea afirmar que una droga funciona si realmente no lo hace. (Vea la esquina superior izquierda de la caja delineada en la figura).
Puede obtener un resultado significativo cuando realmente hay algún efecto presente. Esto es correcto: desea afirmar que una droga funciona cuando realmente lo hace. (Vea la esquina inferior derecha de la caja delineada en la figura).
Puede obtener un resultado significativo cuando realmente no hay ningún efecto presente. Este es un error tipo I: te ha engañado fluctuaciones aleatorias que hicieron que una droga verdaderamente inútil parezca ser efectiva. (Vea la esquina inferior izquierda de la caja delineada en la figura).
Su empresa invertirá millones de dólares en el desarrollo adicional de un medicamento que eventualmente se demostrará que no tiene valor. Los estadísticos usan la carta griega alfa para representar la probabilidad de cometer un error tipo I.
¿Dónde se aplica el error tipo II?
En las pruebas de hipótesis estadística, un error de tipo II es una situación en la que una prueba de hipótesis no puede rechazar la hipótesis nula que es falsa. En otras palabras, hace que el usuario no rechace erróneamente la hipótesis nula falsa porque la prueba carece del poder estadístico para detectar evidencia suficiente para la hipótesis alternativa. El error tipo II también se conoce como falso negativo.
El error tipo II tiene una relación inversa con el poder de una prueba estadística. Esto significa que el poder más alto de una prueba estadística, menor es la probabilidad de cometer un error de tipo II. La tasa de un error tipo II (es decir, la probabilidad de un error de tipo II) se mide por beta (β), mientras que el poder estadístico se mide por 1- β.
Similar al error tipo I, no es posible eliminar completamente el error de tipo II de una prueba de hipótesis. La única opción disponible es minimizar la probabilidad de cometer este tipo de error estadístico. Dado que un error de tipo II está estrechamente relacionado con la potencia de una prueba estadística, la probabilidad de la ocurrencia del error puede minimizarse aumentando la potencia de la prueba.
Uno de los métodos más simples para aumentar la potencia de la prueba es aumentar el tamaño de la muestra utilizado en una prueba. El tamaño de la muestra determina principalmente la cantidad de error de muestreo, que se traduce en la capacidad de detectar las diferencias en una prueba de hipótesis. Un tamaño de muestra mayor aumenta las posibilidades de capturar las diferencias en las pruebas estadísticas, así como aumenta el poder de una prueba.
¿Dónde se aplica el error tipo II o beta?
Comenzaremos usando un tamaño de muestra de 100 y .4 a .6 líneas límite para hacer un intervalo de confianza del 95% para probar monedas. Cualquier moneda cuya proporción de cabezas se encuentra fuera del intervalo que declararemos injusto. Solo el 5% del tiempo una moneda justa nos engañará y se acostará fuera del intervalo, lo que nos lleva a declararlo erróneamente injusto. Este es un error tipo I. ¿Qué pasa con las monedas injustas que nos engañan y se encuentran dentro del intervalo? Eso nos llevará a declararlos erróneamente justos. Este es un error tipo II.
Exploremos estos dos tipos de errores potenciales con algunos ejemplos.
Imagina que te presento una canasta llena de monedas. La canasta tiene un número desconocido de monedas justas y un número desconocido de monedas injustas. Su tarea es probar dos monedas arbitrarias volteando cada una 100 veces. Utilizará el intervalo del 95% para hacer su juicio: si el número de cabezas está dentro del intervalo .4 a. El intervalo .4 a.
La Figura 4.1 destaca las cuatro cosas que pueden suceder con monedas justas/injustas que están dentro/fuera del intervalo del 95% para la hipótesis de que la moneda es justa.
La Tabla 4.1 presenta la información en un formato tabular. (Algunos lectores prefieren la figura y otros prefieren la tabla, por lo que incluyo a ambos).
Supongamos que selecciona una moneda, voltea 100 veces y obtiene un resultado de 55 cabezas. Eso está dentro del intervalo, por lo que juzga la moneda para ser justa. Si, de hecho, la moneda es justa, el resultado es verídico (verdadero) y lo lleva a hacer un juicio correcto. Si, de hecho, la moneda es injusta, el resultado es engañoso y lo lleva a cometer un error tipo II.
¿Cuándo se comenté un error tipo Iy tipo II?
En el caso del ejemplo de Covid-19, si la persona que tiene un problema de respiración no puede rechazar la hipótesis nula, y no opta por las pruebas de diagnóstico Covid-19 cuando él/ella debería haberla rechazado. Esto puede resultar fatal para la vida en caso de que la persona realmente esté sufriendo de Covid-19. Los errores de tipo II pueden ser muy fatales y caros.
Dado el diagrama anterior, se puede observar los siguientes dos escenarios:
- Error tipo I: cuando uno rechaza la hipótesis nula (H0 – estado predeterminado del ser) dado que H0 es verdadero, uno comete un error de tipo I. También se puede denominar como falso positivo.
- Error de tipo II: cuando uno no puede rechazar la hipótesis nula cuando en realidad es falso o no se mantiene bien, uno comete un error tipo II. También se puede denominar como un falso negativo.
- En otros casos, cuando uno rechaza la hipótesis nula cuando es falsa o no cierto, y cuando no puede rechazar la hipótesis nula cuando es verdadera es la decisión correcta.
Idealmente, se desea que tanto las tasas de error de tipo I y tipo II sigan siendo pequeñas. Pero en la práctica, esto es externo de lograr. Por lo general, hay una compensación. El error tipo I se puede hacer pequeño al rechazar solo H0 si estamos seguros de que no se mantiene. Esto significaría un valor muy pequeño de nivel de significancia, como 0.01. Sin embargo, esto dará como resultado un aumento en el error tipo II. Alternativamente, el error de tipo II se puede hacer pequeño rechazando H0 en presencia de evidencia aún modesta de que no se mantiene. Esto se puede obtener teniendo un valor ligeramente mayor de nivel de significancia ssuch como 0.1. Sin embargo, esto hará que el error tipo I sea grande. En la práctica, generalmente vemos los errores de tipo I como «malos» o «no buenos» que los errores de tipo II, porque el primero implica declarar un hallazgo científico que no es correcto. Por lo tanto, cuando se realiza la prueba de hipótesis, lo que se desea típicamente es una tasa de error de tipo I baja, por ejemplo, como máximo α = 0.05, al intentar hacer que el error tipo II sea pequeño (o, de manera equivalente, la potencia grande).
Artículos Relacionados:
- ¿Qué son los errores tipo 1 y tipo 2? Y ¿cuál es la diferencia entre ellos?
- 5 tipos de errores que pueden costarte tu trabajo
- Reduce el % de error en tus procesos para mejorar la eficiencia
- Reduce el porcentaje de error en tus cálculos matemáticos
- ¿Qué es el error de procesamiento 4? ¿Cómo se soluciona?
- Ronda: ¿Cómo detectar y corregir errores en tu página web?
