Академический Документы
Профессиональный Документы
Культура Документы
La gente puede cometer errores cuando realiza un test de hipótesis con análisis estadísticos.
A medida que se analizan los propios datos y se hacen test de las hipótesis, la comprensión de la
diferencia entre los errores de Tipo I y Tipo II se convierte en algo extremadamente importante,
porque existe un riesgo de cometer cada tipo de error en cada análisis, y la cantidad del riesgo
Así que si se está testeando una hipótesis sobre un asunto de seguridad o calidad que podría
afectar a la vida de las personas, o un proyecto que podría ahorrar millones de dólares a su
negocio, ¿qué tipo de error tendría consecuencias más serias o más costosas? ¿Existe un tipo de
Antes de que intentemos contestar a esta pregunta, revisemos qué son estos errores.
Cuando los estadísticos se refieren a errores de Tipo I y Tipo II, nos referimos a las dos maneras
en que se pueden realizar errores respecto a la hipótesis nula (Ho). La hipótesis nula es la
posición por defecto, semejante a la idea de “inocencia hasta que se pruebe la culpabilidad”.
Cualquier test de hipótesis se empieza con la asunción de que la hipótesis nula es correcta.
Cometemos un error de Tipo I si rechazamos la hipótesis nula cuando ésta es cierta. Se trata de
un falso positivo, como una alarma de fuego que suena cuando no existe tal fuego.
Nombre: Carlos Limaico
Un error de Tipo II ocurre si nos equivocamos al rechazar el nulo cuando no es cierto. Es el caso
de un falso negativo—como una alarma que falla y no suena cuando existe un fuego.
Es más fácil de comprenderlo en la tabla siguiente, semejante a la que se puede encontrar en cada
Estos errores están relacionados con los conceptos estadísticos de riesgo, significancia y
potencia.
Los estadísticos llaman al riesgo, o probabilidad, de cometer un error de Tipo I “alfa,” igual que
hipótesis nula cuando es cierta. Alfa normalmente se pone a 0.05, que es una posibilidad del 5
por ciento de rechazar la hipótesis nula cuando es cierta. Cuanto más pequeña sea alfa, menor es
ejemplo, una alfa de 0.01 reduce la probabilidad de un error Tipo I a justo un 1 por ciento.
este error se refiere como “beta”. Podemos reducir nuestro riesgo de cometer un error Tipo II
asegurando que nuestro test tiene suficiente potencia—lo que depende de si el tamaño de la
muestra es suficientemente grande para detectar una diferencia cuando ésta existe.
Nombre: Carlos Limaico
Volvamos a la cuestión de qué error, Tipo I o Tipo II, es peor. El ejemplo de referencia para
ayudar a la gente a pensar sobre el tema es un acusado de un crimen que exige una sentencia
muy dura.
La hipótesis nula es que el acusado es inocente. Por supuesto no se querrá librar a una persona
culpable de la cárcel, pero la mayoría de la gente diría que sentenciar a una persona inocente a
Por lo tanto, muchos textos e instructores dirán que el Tipo I (falso positivo) es peor que un error
Tipo II (falso negativo). La razón se reduce a la idea que si se mantiene el status quo o asunción
Y en muchos casos, eso es cierto. Pero como pasa tanto en estadística, en la aplicación nada es
realmente tan blanco o negro. La analogía del acusado es muy Buena para enseñar el concepto,
pero cuando se intenta hacer una regla de oro sobre qué tipo de error es peor en la práctica, se
desmorona.
Siento decepcionar, pero como en tantas cosas de la vida y la estadística, la respuesta más
En alguna situación, el error de Tipo I puede tener consecuencias menos aceptables que las que
tendría un error de Tipo II. En otras, el error Tipo II podría ser menos costosos que un error Tipo
Nombre: Carlos Limaico
I. Y, a veces, como Dan Smith indicó en Significance hace unos años, respecto a Seis Sigma y
La mayoría de estudiantes de Seis Sigma van a utilizar los conceptos que aprenden en el
dólares por sugerirle un proceso alternativo cuando no hay nada de malo con el proceso actual
Como no existe una regla de oro clara sobre qué tipos de errores, Tipo I o Tipo II, son peores,
nuestra mejor opción al utilizar datos para verificar una hipótesis es mirar cuidadosamente a las
consecuencias que podrían seguir a ambos tipos de errores. Varios expertos sugieren utilizar una
tabla como la siguiente para detallar las consecuencias para un error del Tipo I y del Tipo II, en
el análisis particular.
eliminado.
Sea lo que sea lo que involucre el análisis, comprender la diferencia entre los errores de Tipo I y
Tipo II, y considerar y mitigar sus respectivos riesgos como apropiados, siempre es inteligente.
Para cada tipo de error, hay que asegurarse de que se responde esta pregunta: "¿Qué es lo peor
Para explorar este tema más extensamente, compruebe este artículo sobre el uso de cálculo de
potencia y tamaño de la muestra para equilibrar el riesgo de un error de tipo II y los costes de la
comprobación, o esta entrada del blog sobre considerar el alfa apropiado para su test particular.