Error de tipo II
¿Qué es un error de tipo II?
En las pruebas de hipótesis estadísticas, un error de tipo II es una situación en la que una prueba de hipótesis no rechaza la hipótesis nula que es falsa. En otras palabras, hace que el usuario no rechace erróneamente la hipótesis nula falsa porque la prueba carece de la potencia estadística para detectar pruebas suficientes para la hipótesis alternativa. El error de tipo II también se conoce como falso negativo.
El error de tipo II tiene una relación inversa con la potencia de una prueba estadística. Esto significa que cuanto mayor sea la potencia de una prueba estadística, menor será la probabilidad de cometer un error de tipo II. La tasa de un error de tipo II (es decir, la probabilidad de un error de tipo II) se mide por la beta (β)BetaLa beta (β) de un valor de inversión (es decir, una acción) es una medida de su volatilidad de los rendimientos en relación con todo el mercado. Se utiliza como medida de riesgo y forma parte del Modelo de Valoración de Activos de Capital (CAPM). Una empresa con una beta más alta tiene un mayor riesgo y también mayores rendimientos esperados. mientras que la potencia estadística se mide por 1- β.
¿Cómo evitar el error de tipo II?
De forma similar al error de tipo I, no es posible eliminar completamente el error de tipo II de una prueba de hipótesisPruebas de hipótesisLas pruebas de hipótesis son un método de inferencia estadística. Se utiliza para comprobar si una afirmación relativa a un parámetro de la población es correcta. 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 que se produzca el error puede minimizarse aumentando la potencia de la prueba.
1. Aumentar el tamaño de la muestra
Uno de los métodos más sencillos para aumentar la potencia de la prueba es aumentar el tamaño de la muestra utilizada 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 mayor tamaño de la muestra aumenta las posibilidades de captar las diferencias en las pruebas estadísticas, además de aumentar la potencia de una prueba.
2. Aumentar el nivel de significación
Otro método es elegir un nivel de significación más alto. Por ejemplo, un investigador puede elegir un nivel de significación de 0,10 en lugar del nivel comúnmente aceptable de 0,05. El nivel de significación más alto implica una mayor probabilidad de rechazar la hipótesis nula cuando es verdadera.
La mayor probabilidad de rechazar la hipótesis nula disminuye la probabilidad de cometer un error de tipo II mientras que la probabilidad de cometer un error de tipo I aumenta. Por lo tanto, el usuario debe evaluar siempre el impacto de los errores de tipo I y de tipo II en su decisión y determinar el nivel adecuado de significación estadística.
Ejemplo
Sam es un analista financiero¿Qué hace un analista financiero? Recoge datos, organiza la información, analiza los resultados, hace previsiones y proyecciones, recomendaciones, modelos de Excel, informes. Realiza una prueba de hipótesis para descubrir si existe una diferencia en las variaciones medias de los precios de los valores de gran y pequeña capitalizaciónRussell 2000El Russell 2000 es un índice bursátil que sigue el rendimiento de 2.000 valores estadounidenses de pequeña capitalización del índice Russell 3000. El índice Russell 2000 es ampliamente cotizado como punto de referencia para los fondos de inversión que se componen principalmente de acciones de pequeña capitalización.
En la prueba, Sam asume como hipótesis nula que no hay diferencia en los cambios de precios promedio entre las acciones de gran y pequeña capitalización. Por lo tanto, su hipótesis alternativa afirma que sí existe una diferencia entre los cambios de precios medios.
Para el nivel de significación, Sam elige el 5%. Esto significa que hay una probabilidad del 5% de que su prueba rechace la hipótesis nula cuando en realidad es verdadera.
Si la prueba de Sam incurre en un error de tipo II, entonces los resultados de la prueba indicarán que no hay diferencia en los cambios de precios promedio entre las acciones de gran y pequeña capitalización. Sin embargo, en realidad, sí existe una diferencia en las variaciones medias de los precios.
Más recursos
CFI es el proveedor oficial de la certificación global Financial Modeling & Valuation Analyst (FMVA)™FMVA® CertificationJoin 850,000+ students who work for companies like Amazon, J.P. Morgan, y el programa de certificación Ferrari 
, diseñado para ayudar a cualquier persona a convertirse en un analista financiero de clase mundial. Para seguir aprendiendo y avanzando en su carrera, los recursos adicionales de CFI que aparecen a continuación le serán útiles:
- Error de tipo IEn las pruebas de hipótesis estadísticas, un error de tipo I es esencialmente el rechazo de la hipótesis nula verdadera. El error de tipo I también se conoce como el falso
- Probabilidad condicionalProbabilidad condicionalLa probabilidad condicional es la probabilidad de que ocurra un evento dado que ya ha ocurrido otro evento. El concepto es una de las quintaesencias
- Sesgo de encuadreSe produce un sesgo de encuadre cuando las personas toman una decisión basada en la forma en que se presenta la información, en lugar de basarse únicamente en los hechos en sí. Los mismos hechos presentados de dos maneras diferentes pueden conducir a diferentes juicios o decisiones de las personas.
- Eventos mutuamente excluyentesEventos mutuamente excluyentesEn la estadística y la teoría de la probabilidad, dos eventos son mutuamente excluyentes si no pueden ocurrir al mismo tiempo. El ejemplo más simple de mutuamente excluyente