Cuando interpretas los resultados de una prueba de hipótesis, dos decisiones son correctas y dos son errores que debes evitar. Si trabajas con análisis de datos, entender la diferencia entre el error tipo I y el error tipo II te ayuda a tomar decisiones estadísticas más precisas y, en contextos como medicina, más seguras.

¿Cuáles son las decisiones correctas al validar una hipótesis?

Al contrastar una hipótesis nula (H0) contra una alternativa (H1), aciertas en dos escenarios concretos.

• Rechazar la hipótesis nula cuando es falsa.
• No rechazar la hipótesis nula cuando es verdadera.

Esas son tus dos zonas verdes en la tabla de decisión. Todo lo demás cae en territorio de error, y ahí es donde conviene detenerse.

¿Qué es el error tipo I y por qué se llama alfa?

El error tipo I, también conocido como alfa, ocurre cuando rechazas la hipótesis nula siendo verdadera. Es un error de omisión: concluyes que hay una diferencia que en realidad no existe.

¿Qué es el error tipo I? Es la decisión de rechazar H0 cuando H0 es verdadera. Se simboliza con alfa y representa una falsa alarma estadística.

En un experimento con un grupo A y un grupo B, donde A recibe un medicamento y B otro, tu hipótesis nula sería que las medias son iguales: mu sub uno igual a mu sub dos. Si rechazas esa igualdad cuando ambos medicamentos sí son igual de eficaces, estás cometiendo error tipo I. La consecuencia: orientar a la población hacia un medicamento sobre otro sin que exista una diferencia real entre ellos.

¿Por qué este error suele ser menos grave?

Porque, aunque induce a una preferencia injustificada, ningún paciente queda expuesto a un tratamiento menos eficaz. Es un error que distorsiona la percepción, no la salud.

¿Qué es el error tipo II y cuándo se vuelve peligroso?

El error tipo II, o error beta, sucede cuando no rechazas la hipótesis nula siendo falsa. Es decir, aceptas que no hay diferencia cuando sí la hay.

¿Cuál es la diferencia entre error tipo I y error tipo II? El tipo I rechaza una H0 verdadera (falso positivo). El tipo II no rechaza una H0 falsa (falso negativo).

Vuelve al ejemplo de los medicamentos. Si concluyes que A y B son igual de eficaces cuando en realidad uno es claramente superior, la población podría elegir el menos efectivo bajo asesoría médica. Aquí el costo deja de ser estadístico y pasa a ser clínico: alguien recibe un tratamiento inferior pensando que da lo mismo.

¿Cómo se traduce todo esto en un experimento real?

Imagina que comparas las medias de dos grupos para evaluar si curan la misma enfermedad con la misma eficacia. La media, representada por mu, es el valor que vas a contrastar.

• H0: mu sub uno = mu sub dos. Ambos medicamentos tienen la misma eficacia promedio.
• H1: mu sub uno ≠ mu sub dos. La eficacia promedio difiere entre ambos.
• Validación: una prueba de hipótesis te dice si las distribuciones comparten la misma media.

Después de plantear las hipótesis, la prueba te dará evidencia para rechazar o no rechazar H0. La pregunta que siempre debes hacerte es si estás cayendo en un error de omisión o si tu decisión refleja la realidad de los datos.

¿Cuándo conviene preocuparse más por el error beta? Cuando las consecuencias de un falso negativo afectan la salud, la seguridad o decisiones críticas, como en estudios clínicos.

En la próxima clase vas a ver cómo validar estos resultados directamente con Python, llevando estas pruebas de hipótesis del papel al código. Cuéntame en los comentarios qué tipo de error te parece más complicado de detectar en tus propios análisis.