Skip to content

Errores y nivel de significación

🎯 Objetivo

Entender los dos tipos de error que pueden ocurrir en un contraste de hipótesis, cómo controlarlos y qué es la potencia del contraste.

Matriz de Decisión: Los Cuatro Escenarios Posibles

En cualquier contraste, nos enfrentamos a dos realidades (H₀ es verdadera o falsa) y dos decisiones (rechazamos o no rechazamos H₀). Esto genera cuatro combinaciones:

H₀ es verdadera H₀ es falsa
Rechazamos H₀ ❌ Error Tipo I (α) ✅ Decisión correcta (Potencia = 1 - β)
No rechazamos H₀ ✅ Decisión correcta (1 - α) ❌ Error Tipo II (β)

Error Tipo I: Falso Positivo

Definición

Error Tipo I (α): Rechazar la hipótesis nula cuando esta es verdadera.

En otras palabras, detectamos un efecto que en realidad no existe.

Ejemplo

  • H₀: El nuevo algoritmo tiene la misma precisión que el actual (0.85).
  • Realidad: H₀ es cierta (el nuevo algoritmo realmente tiene precisión 0.85).
  • Error Tipo I: Nuestros datos nos llevan a rechazar H₀ (concluimos que el nuevo algoritmo es mejor) cuando en realidad no lo es.

Impacto

Puede llevar a decisiones costosas o perjudiciales: invertir en un método que no funciona, implementar cambios innecesarios, etc.

⚠️ Es grave cuando...

Los falsos positivos son especialmente peligrosos en medicina (dar un tratamiento innecesario) o seguridad crítica.

Error Tipo II: Falso Negativo

Definición

Error Tipo II (β): NO rechazar la hipótesis nula cuando esta es falsa.

En otras palabras, no detectamos un efecto que realmente existe.

Ejemplo

  • H₀: El nuevo algoritmo tiene la misma precisión que el actual (0.85).
  • Realidad: H₀ es falsa (el nuevo algoritmo realmente tiene precisión 0.90).
  • Error Tipo II: Nuestros datos no nos permiten rechazar H₀ (concluimos que no hay diferencia) cuando en realidad sí la hay.

Impacto

Puede significar perder oportunidades: descartar un método que sí funciona, no implementar cambios beneficiosos, etc.

⚠️ Es grave cuando...

Los falsos negativos son especialmente peligrosos cuando buscamos detectar enfermedades (diagnóstico errado) o problemas de calidad.

Nivel de Significación (α)

Definición

El nivel de significación (α) es la probabilidad máxima de cometer Error Tipo I que estamos dispuestos a tolerar.

En otras palabras, es el umbral que fijamos antes de realizar el contraste para controlar la tasa de falsos positivos.

\[\text{α} = P(\text{Rechazar } H_0 \mid H_0 \text{ es verdadera})\]

Valores Típicos

Nivel Tolerancia Uso
α = 0.05 5% Estándar en muchos campos
α = 0.01 1% Cuando queremos ser más estrictos
α = 0.10 10% Exploratorio, menos riguroso

✅ Decisión en el proyecto

Por defecto, usaremos α = 0.05, lo que significa que toleramos un 5% de falsos positivos a largo plazo.

Potencia del Contraste

Definición

La potencia es la probabilidad de rechazar H₀ cuando esta es falsa, es decir, de detectar un efecto que realmente existe.

\[\text{Potencia} = P(\text{Rechazar } H_0 \mid H_0 \text{ es falsa}) = 1 - \beta\]

Donde β = P(Error Tipo II).

Interpretación

  • Potencia alta (p. ej., 0.80 o 0.90): Tenemos buena probabilidad de detectar efectos reales.
  • Potencia baja (p. ej., 0.50): Es probable que nos perdamos efectos reales.

Factores que Aumentan la Potencia

  1. Mayor tamaño muestral (n): Más datos = más precisión
  2. Mayor α: Si toleramos más falsos positivos, es más fácil rechazar H₀ (pero aumentamos Error Tipo I)
  3. Mayor tamaño del efecto: Si el efecto es grande, es más fácil detectarlo
  4. Menor variabilidad: Si los datos son menos dispersos, es más fácil detectar patrones

💡 Balance

Existe un trade-off entre α y β: si reducimos α (menos falsos positivos), típicamente aumenta β (más falsos negativos). El tamaño muestral y el tamaño del efecto son cruciales para mantener una buena potencia.

Tabla Comparativa: Errores y Potencia

Término Símbolo Definición Control
Error Tipo I α Rechazar H₀ siendo verdadera Fijar α antes del contraste
Error Tipo II β No rechazar H₀ siendo falsa Aumentar n, tamaño del efecto
Potencia 1 - β Detectar cuando H₀ es falsa Aumentar n, disminuir β

Ejemplo Práctico: Decisiones Múltiples

Supongamos que repetimos el siguiente contraste 100 veces:

  • H₀: Precisión = 0.85
  • α = 0.05
  • Realidad: H₀ es verdadera (precisión real = 0.85)

Esperado:

  • En aproximadamente 95 casos, NO rechazaremos H₀ (decisión correcta)
  • En aproximadamente 5 casos, rechazaremos H₀ falsamente (Error Tipo I)

Este es el significado de "control a largo plazo": si repetimos muchas veces, el α controla la fracción de falsas alarmas.

Ejemplo Práctico: Detectabilidad

Ahora supongamos que la realidad es que H₀ es falsa (precisión real = 0.90) y potencia = 0.80:

  • En aproximadamente 80 casos, rechazaremos H₀ correctamente (detectamos el efecto)
  • En aproximadamente 20 casos, no rechazaremos H₀ falsamente (Error Tipo II)

🧱 Admonition: Equilibrio de Errores

⚖️ No podemos eliminar ambos errores

Con un tamaño muestral fijo, reducir α necesariamente aumenta β, y viceversa.

La solución es: 1. Fijar α según la severidad de falsos positivos (típicamente 0.05) 2. Aumentar n para controlar β (diseñar el estudio con potencia adecuada) 3. Interpretar resultados con el contexto en mente

📚 Enlaces relacionados