Un falso positivo es un error en la clasificación binaria en el que el resultado de una prueba indica incorrectamente la presencia de una condición como una enfermedad cuando la enfermedad no está presente, mientras que un falso negativo es el error opuesto donde el resultado de la prueba no indica incorrectamente la presencia. de una condición cuando está presente. Estos son los dos tipos de errores en una prueba binaria , en contraste con los dos tipos de resultado correcto (un verdadero positivo y un verdadero negativo ). También se conocen en medicina como un diagnóstico falso positivo (o falso negativo ) , y en la clasificación estadística como unerror falso positivo (o falso negativo ) . [1]
En la prueba de hipótesis estadística los conceptos análogos se conocen como errores tipo I y tipo II , donde un resultado positivo corresponde a rechazar la hipótesis nula , y un resultado negativo corresponde a no rechazar la hipótesis nula. Los términos a menudo se usan indistintamente, pero existen diferencias en los detalles y la interpretación debido a las diferencias entre las pruebas médicas y las pruebas de hipótesis estadísticas.
Error falso positivo [ editar ]
Un error falso positivo , o falso positivo , es un resultado que indica que existe una condición determinada cuando no es así. Por ejemplo, una prueba de embarazo que indica que una mujer está embarazada cuando no lo está, o la condena de una persona inocente.
Un error de falso positivo es un error de tipo I en el que la prueba verifica una sola condición y da una decisión afirmativa (positiva) de manera incorrecta. Sin embargo, es importante distinguir entre la tasa de error de tipo 1 y la probabilidad de que un resultado positivo sea falso. Este último se conoce como riesgo de falsos positivos (consulte Ambigüedad en la definición de tasa de falsos positivos, a continuación ). [2]
Error falso negativo [ editar ]
Un error falso negativo , o falso negativo , es un resultado de prueba que indica erróneamente que una condición no se cumple. Por ejemplo, cuando una prueba de embarazo indica que una mujer no está embarazada, pero lo está, o cuando se absuelve a una persona culpable de un delito, estos son falsos negativos. La condición "la mujer está embarazada" o "la persona es culpable" se mantiene, pero la prueba (la prueba de embarazo o el juicio en un tribunal de justicia) no detecta esta condición y decide erróneamente que la persona no está embarazada o no culpable.
Un error falso negativo es un error de tipo II que ocurre en una prueba donde se verifica una sola condición, y el resultado de la prueba es erróneo, que la condición está ausente. [3]
Términos relacionados [ editar ]
Tasas de falsos positivos y falsos negativos [ editar ]
La tasa de falsos positivos es la proporción de todos los negativos que aún arrojan resultados positivos en la prueba, es decir, la probabilidad condicional de un resultado positivo de la prueba dado un evento que no estaba presente.
La tasa de falsos positivos es igual al nivel de significancia . La especificidad de la prueba es igual a 1 menos la tasa de falsos positivos.
En las pruebas de hipótesis estadísticas , a esta fracción se le asigna la letra griega α , y 1 - α se define como la especificidad de la prueba. El aumento de la especificidad de la prueba reduce la probabilidad de errores de tipo I, pero puede aumentar la probabilidad de errores de tipo II (falsos negativos que rechazan la hipótesis alternativa cuando es verdadera). [a]
De manera complementaria, la tasa de falsos negativos es la proporción de positivos que arrojan resultados negativos en la prueba, es decir, la probabilidad condicional de un resultado negativo de la prueba dado que la condición que se busca está presente.
En las pruebas de hipótesis estadísticas , a esta fracción se le asigna la letra β . La " potencia " (o la " sensibilidad ") de la prueba es igual a 1 - β .
Ambigüedad en la definición de tasa de falsos positivos [ editar ]
El término tasa de descubrimiento falso (FDR) fue utilizado por Colquhoun (2014) [4] para referirse a la probabilidad de que un resultado "significativo" fuera un falso positivo. Posteriormente, Colquhoun (2017) [2] utilizó el término riesgo de falso positivo (FPR) para la misma cantidad, para evitar confusiones con el término FDR tal como lo utilizan las personas que trabajan en comparaciones múltiples . Las correcciones para comparaciones múltiples tienen como objetivo solo corregir la tasa de error de tipo I, por lo que el resultado es un valor p (corregido) . Por tanto, son susceptibles a la misma mala interpretación que cualquier otro valor p . El riesgo de falso positivo es siempre mayor, a menudo mucho mayor, que el valor p . [4] [2]
La confusión de estas dos ideas, el error del condicional transpuesto , ha causado mucho daño. [5] Debido a la ambigüedad de la notación en este campo, es esencial mirar la definición en cada artículo. Colquhoun (2017) [2] enfatizó los peligros de depender de los valores de p al señalar que incluso una observación de p = 0,001 no era necesariamente una evidencia sólida en contra de la hipótesis nula. A pesar de que la razón de verosimilitud a favor de la hipótesis alternativa sobre la nula es cercana a 100, si la hipótesis fuera inverosímil, con una probabilidad previa de un efecto real de 0,1, incluso la observación de p= 0.001 tendría una tasa de falsos positivos del 8 por ciento. Ni siquiera alcanzaría el nivel del 5 por ciento. En consecuencia, se ha recomendado [2] [6] que todo valor p debe ir acompañado de la probabilidad previa de que exista un efecto real que sería necesario asumir para lograr un riesgo de falso positivo del 5%. . Por ejemplo, si observamos p = 0.05 en un solo experimento, tendríamos que tener un 87% de certeza de que existe un efecto real antes de que se realice el experimento para lograr un riesgo de falso positivo del 5%.
Característica de funcionamiento del receptor [ editar ]
El artículo " Características operativas del receptor " analiza los parámetros en el procesamiento estadístico de señales basados en proporciones de errores de varios tipos.
Notas [ editar ]
- ^ Al desarrollar algoritmos o pruebas de detección, se debe elegir un equilibrio entre los riesgos de falsos negativos y falsos positivos. Por lo general, existe un umbral de qué tan cerca se debe lograr una coincidencia con una muestra determinada antes de que el algoritmo informe una coincidencia. Cuanto mayor sea este umbral, más falsos negativos y menos falsos positivos.
Referencias [ editar ]
- ^ Falsos positivos y falsos negativos
- ↑ a b c d e Colquhoun, David (2017). "La reproducibilidad de la investigación y la mala interpretación de los valores p" . Ciencia Abierta de la Royal Society . 4 (12): 171085. doi : 10.1098 / rsos.171085 . PMC 5750014 . PMID 29308247 .
- ^ Banerjee, A; Chitnis, UB; Jadhav, SL; Bhawalkar, JS; Chaudhury, S (2009). "Prueba de hipótesis, errores tipo I y tipo II" . Ind Psychiatry J . 18 (2): 127–31. doi : 10.4103 / 0972-6748.62274 . PMC 2996198 . PMID 21180491 .
- ↑ a b Colquhoun, David (2014). "Una investigación de la tasa de falsos descubrimientos y la mala interpretación de los valores p " . Ciencia Abierta de la Royal Society . 1 (3): 140216. doi : 10.1098 / rsos.140216 . PMC 4448847 . PMID 26064558 .
- ^ Colquhoun, David. "El problema con los valores p" . Aeon . Revista Aeon . Consultado el 11 de diciembre de 2016 .
- ^ Colquhoun, David (2018). "El riesgo de falso positivo: una propuesta sobre qué hacer con los valores p". El estadístico estadounidense . 73 : 192-201. arXiv : 1802.04888 . doi : 10.1080 / 00031305.2018.1529622 .
Ver también [ editar ]
- El niño que lloró lobo
Enlaces externos [ editar ]
- Gráfico diario - Resultados improbables - Por qué la mayoría de las investigaciones científicas publicadas son probablemente falsas - Ilustración de falsos positivos y falsos negativos en The Economist que aparecen en el artículo Problemas con la investigación científica Cómo falla la ciencia La investigación científica ha cambiado el mundo. Ahora necesita cambiarse a sí mismo (19 de octubre de 2013)
