La estadística es una metodología de recopilación, análisis, revisión y sacación de la conclusión de la información particular. El error estadístico es la diferencia entre el valor obtenido de los datos recopilados y el valor real de los datos recopilados. Cuanto mayor sea el valor de error, los menos serán los datos representativos de la comunidad.
En palabras simples, un error estadístico es una diferencia entre un valor medido y el valor real de los datos recopilados. Si el valor de error es más significativo, los datos se considerarán menos confiables. Por lo tanto, uno debe tener en cuenta que los datos deben tener un valor de error mínimo. Para que los datos puedan considerarse más confiables.
Hay dos tipos de errores en estadísticas que son el tipo I y el tipo II. En una prueba estadística, el error tipo I es la eliminación de las verdaderas teorías nulas. En contraste, el error de tipo II es la no eliminación de la hipótesis nula falsa.
Mucho del método estadístico gira alrededor de la reducción de uno o ambos tipos de errores, aunque el rechazo completo de cualquiera de ellos es imposible.
Pero al elegir el valor umbral bajo y cambiar el nivel alfa, las características de la prueba de hipótesis podrían maximizarse. La información sobre el error de tipo I y el error de tipo II se utiliza para bio-metrics, ciencia médica e informática.
El tipo inicial de error es eliminar una hipótesis nula válida, que se considera el resultado de un procedimiento de prueba. Este tipo de error a veces también se llama un error del tipo/tipo inicial.
¿Cuántos tipos de errores estadísticos existen?
Gire a la tabla a continuación para obtener un resumen de los dos tipos de error que pueden resultar de las pruebas de hipótesis.
Los errores de tipo I ocurren cuando rechazamos una hipótesis nula que en realidad es cierto; La probabilidad de que esto ocurra se denota por alfa (a).
Los errores de tipo II son cuando aceptamos una hipótesis nula que en realidad es falsa; Su probabilidad se llama beta (b). Como puede ver en la siguiente tabla, las otras dos opciones son aceptar una verdadera hipótesis nula o rechazar una hipótesis nula falsa. Ambos son correctos, aunque uno es mucho más emocionante que el otro (y probablemente más fácil de publicar).
Todo se ve realmente simple (espero) cuando lo pones en una mesa como esa. El problema es que no sabemos si la hipótesis nula es verdadera o no; ¡Ese es el objetivo de las estadísticas! Entonces, en cambio, dependemos de las probabilidades de cada tipo de error que ocurra. Como en la vida, nada es fácil, por lo que en estadísticas no podemos minimizar la probabilidad de ambos errores simultáneamente. Al reducir la probabilidad de errores de tipo I, aumentamos automáticamente la probabilidad de que ocurra un error de tipo II, y viceversa.
Pop Quiz: Dado el enigma, ¿qué tipo de error nos enfocamos en minimizar? Tienes los próximos tres párrafos para encontrar tu respuesta (sin mirar a tus vecinos, sin mensajes de texto, papeles boca abajo en tu escritorio cuando hayas terminado).
Para un ejemplo de trabajo, me apartaré de la biología por un momento y me mudaré a la medicina. La compañía farmacéutica Delta-Theta ha fabricado una nueva píldora que afirman que alivia los dolores de cabeza. Como todas las buenas compañías farmacéuticas, han realizado un estudio doble ciego* para probar los efectos de su píldora.
¿Cuántos tipos de errores de la estadística inferencial?
Es gracias a este enfoque que decidimos validar o invalidar una hipótesis. Es un conjunto de procedimientos, pruebas de significados. Nos permitirá estimar el riesgo de error cuando se trata de la validez de la hipótesis.
Parámetros funcionales conocidos: promedio = 50; Tipo de desviación = 10
Hipótesis operativa: el número de (o el puntaje promedio de) problemas de comportamiento es mayor para los niños cuyos padres se han divorciado que para los niños «en general».
En una muestra de 5 niños, se obtiene un promedio de 56 (> 50).
¡Pero no podemos concluir en datos descriptivos!
Siempre hay una diferencia entre la estimación de una estadística proporcionada por una muestra y el parámetro que se observaría a nivel de la población. Se llama error de muestreo.
+ La pregunta que nos hacemos a nosotros mismos: ¿habría sido una muestra promedio 56 si hubiéramos tomado nuestra muestra de una población para la cual μ = 50?
+ En otras palabras: «¿Tenemos que creer que nuestra muestra tiene algo excepcional (diferente) o es un promedio en el que podríamos haber caído fácilmente (= con posibilidades) atrayendo a 5 personas de una población en la que el promedio = 50 ? »»
+ ¿El puntaje de comportamiento promedio es específico de los niños recientemente divorciados de los niños diferentes de los medios de problemas de comportamiento calculados en los niños en general?
Artículos Relacionados:
