Errores Tipo I y Tipo II en Pruebas de Hipótesis

Cuando se realiza una prueba de hipótesis, siempre existe la posibilidad de tomar una decisión equivocada, incluso cuando se sigue correctamente el procedimiento estadístico. Estas equivocaciones se clasifican en dos categorías: el error tipo I y el error tipo II. Entender ambos es esencial para interpretar correctamente el resultado de cualquier prueba de hipótesis.

Un error tipo I ocurre cuando se rechaza la hipótesis nula e hipótesis alternativa, es decir, se rechaza \( H_0 \), cuando en realidad \( H_0 \) es verdadera. En otras palabras, se concluye que existe un efecto o una diferencia que en realidad no existe. Por eso también se le llama "falso positivo".

La probabilidad de cometer un error tipo I se llama nivel de significancia y se representa con \( \alpha \). Este valor lo elige quien diseña la prueba, normalmente \( \alpha = 0.05 \) o \( \alpha = 0.01 \), y establece qué tan dispuesto está el investigador a arriesgarse a rechazar \( H_0 \) por error.

Un error tipo II ocurre cuando no se rechaza \( H_0 \), a pesar de que \( H_0 \) es falsa. Aquí se deja pasar un efecto real porque la evidencia de la muestra no fue suficiente para detectarlo. A este error se le conoce como "falso negativo".

La probabilidad de cometer un error tipo II se representa con \( \beta \). A partir de \( \beta \) se define la potencia de la prueba como \( 1 - \beta \), que es la probabilidad de rechazar \( H_0 \) correctamente cuando de verdad es falsa. Una prueba con mayor potencia detecta mejor los efectos reales.

La forma más clara de organizar los cuatro resultados posibles de una prueba de hipótesis es con una tabla de decisiones, comparando lo que decide la prueba contra lo que realmente ocurre.

Al fijar el nivel de significancia antes de recolectar los datos, se controla directamente la probabilidad de error tipo I. Sin embargo, disminuir \( \alpha \) suele aumentar \( \beta \), porque al exigir más evidencia para rechazar \( H_0 \) también se vuelve más difícil detectar un efecto real. La única manera de reducir ambos errores a la vez es aumentar el tamaño de la muestra, lo que produce un estadístico de prueba más preciso.

Una fábrica afirma que sus baterías duran en promedio 500 horas. Un inspector plantea \( H_0: \mu = 500 \) horas contra \( H_a: \mu < 500 \) horas y fija \( \alpha = 0.05 \).

Si la prueba rechaza \( H_0 \) y concluye que las baterías duran menos de 500 horas, pero en realidad la fábrica sí cumple su promesa, se comete un error tipo I: se acusa injustamente a la fábrica.

Si la prueba no rechaza \( H_0 \) y el inspector concluye que las baterías cumplen la duración prometida, pero en realidad duran menos de 500 horas, se comete un error tipo II: un producto defectuoso pasa la inspección sin ser detectado.

En este contexto, el error tipo I perjudica a la fábrica con una acusación falsa, mientras que el error tipo II perjudica a los consumidores al dejar pasar un producto que no cumple lo prometido. Decidir cuál error es más grave ayuda a elegir un valor de \( \alpha \) adecuado antes de aplicar cualquier método de decisión.

No es posible eliminar por completo el riesgo de un error tipo I o un error tipo II, porque siempre se trabaja con una muestra y no con la población completa. Lo que sí se puede hacer es aumentar el tamaño de la muestra para reducir la variabilidad del estimador, elegir un nivel de significancia acorde a las consecuencias de cada error, y verificar que las condiciones del método de prueba se cumplan antes de calcular el estadístico de prueba y tomar la decisión final.

Related lessons

• Es Statistics Help