Tipos de erros em estatística

Todo teste de hipóteses pode cometer dois tipos de erro: rejeitar uma hipótese nula verdadeira (erro tipo I) ou não rejeitar uma hipótese nula falsa (erro tipo II). Entender esses erros, suas probabilidades e a compensação entre eles é essencial para planejar e interpretar testes estatísticos corretamente.

Definição

Ao tomar uma decisão em um teste de hipóteses, estamos comparando nossa conclusão com a verdade desconhecida. Quatro resultados são possíveis:

1. Erro tipo I (falso positivo)

Um erro tipo I ocorre quando \(H_0\) é rejeitada mesmo sendo verdadeira. A probabilidade desse erro é \(\alpha\), o nível de significância. Ao fixar \(\alpha = 0{,}05\), aceitamos 5% de chance de rejeitar incorretamente uma hipótese nula verdadeira.

2. Erro tipo II (falso negativo)

Um erro tipo II ocorre quando não rejeitamos \(H_0\) mesmo sendo falsa. Sua probabilidade é \(\beta\). O poder do teste é \(1 - \beta\): a probabilidade de detectar corretamente um efeito real. Uma meta comum é poder \(= 0{,}80\).

Exemplos do mundo real

1. Diagnóstico médico

\(H_0\): o paciente não tem a doença. \(H_1\): o paciente tem a doença.

• Erro tipo I: o teste indica que o paciente tem a doença quando não tem (falso positivo). Consequência: ansiedade desnecessária, testes adicionais ou tratamento prejudicial.
• Erro tipo II: o teste indica que o paciente está saudável quando na verdade tem a doença (falso negativo). Consequência: atraso no tratamento, progressão da doença.

Em programas de triagem de doenças graves, minimizar os erros tipo II costuma ser prioritário: deixar passar um caso real pode ser fatal, enquanto um falso positivo leva apenas a um teste confirmatório.

2. Controle de qualidade

\(H_0\): o lote de produção atende aos padrões de qualidade. \(H_1\): o lote é defeituoso.

• Erro tipo I: rejeitar um lote bom (falso alarme). Consequência: desperdício desnecessário e custo de produção.
• Erro tipo II: aceitar um lote defeituoso. Consequência: produtos defeituosos chegam aos clientes.

O equilíbrio entre os dois custos depende do produto. Para componentes críticos de segurança (peças de aeronaves, dispositivos médicos), minimizar erros tipo II justifica taxas de erro tipo I mais altas.

3. Sistema jurídico

\(H_0\): o réu é inocente. \(H_1\): o réu é culpado.

• Erro tipo I: condenar uma pessoa inocente. O critério “além de qualquer dúvida razoável” fixa um \(\alpha\) muito baixo.
• Erro tipo II: absolver uma pessoa culpada.

A maioria dos sistemas jurídicos aceita deliberadamente taxas de erro tipo II mais altas para minimizar condenações injustas.

A compensação e como gerenciá-la

Para um tamanho de amostra fixo, reduzir \(\alpha\) aumenta \(\beta\) (e reduz o poder). A única forma de reduzir ambos simultaneamente é aumentar \(n\).

O poder de um teste depende de quatro fatores:

• \(\alpha\): um \(\alpha\) maior aumenta o poder, mas também o risco de erro tipo I.
• \(n\): amostras maiores sempre aumentam o poder.
• Tamanho de efeito \(\delta\): diferenças reais maiores são mais fáceis de detectar.
• \(\sigma\): populações menos variáveis dão maior poder.

Para efeitos pequenos (\(d = 0{,}25\)), alcançar 80% de poder exige 125 observações. Para efeitos médios (\(d = 0{,}5\)), cerca de 35 bastam. Para efeitos grandes (\(d = 0{,}8\)), menos de 15 são suficientes. É por isso que estudos com pouco poder e amostras pequenas frequentemente não detectam efeitos reais.