Hispanopedia Wiki
) dentro del área verde ( ) representan falsos positivos (muestras negativas que fueron clasificadas como positivas). Por el contrario, el círculo verde ( 
) dentro del área rosa ( ) representa los falsos negativos (muestras positivas que fueron clasificadas como negativas). 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 indica incorrectamente la ausencia de una condición cuando en realidad está presente. Estos son los dos tipos de errores en una prueba binaria, en contraste con los dos tipos de resultados correctos (un falso positivo es un falso negativo es el error opuesto, donde el resultado de la prueba indica incorrectamente la ausencia de una condición cuando en realidad está presente. Estos son los dos tipos de errores en una prueba binaria , en contraste con los dos tipos de resultados correctos (un en una prueba binaria).verdadero positivo y unverdadero negativo ). También se conocen en medicina comodiagnósticofalso positivo(ofalso negativo)y enclasificación estadísticacomoerrorfalso positivo(ofalso negativo). [ 1 ]
En las pruebas de hipótesis estadísticas , los conceptos análogos se conocen como errores de tipo I y tipo II , donde un resultado positivo corresponde al rechazo de la hipótesis nula y un resultado negativo a no rechazarla. Si bien estos términos suelen usarse indistintamente, existen diferencias en los detalles y la interpretación debido a las diferencias entre las pruebas médicas y las pruebas de hipótesis estadísticas.
Error de falso positivo
Un falso positivo , o error de falso positivo , es un resultado que indica que existe una determinada condición cuando objetivamente no existe. 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 erróneamente una decisión afirmativa (positiva). Sin embargo, es importante distinguir entre la tasa de error de tipo I y la probabilidad de que un resultado positivo sea falso. Esta última se conoce como riesgo de falso positivo (véase Ambigüedad en la definición de tasa de falso positivo, más adelante ). [ 2 ]
Error de falso negativo
Un falso negativo , o resultado 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 sí lo está, o cuando una persona culpable de un delito es absuelta, se trata de un falso negativo. La condición "la mujer está embarazada" o "la persona es culpable" se cumple, pero la prueba (la prueba de embarazo o el juicio) no la detecta y decide erróneamente que la persona no está embarazada o es inocente.
Un error de 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, es decir, que la condición está ausente. [ 3 ]
Términos relacionados
Tasas de falsos positivos y falsos negativos
La tasa de falsos positivos (TFP) es la proporción de todos los resultados negativos que aún así dan como resultado una prueba positiva, es decir, la probabilidad condicional de un resultado positivo en la prueba dado un evento que no estuvo 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 , esta fracción se representa con la letra griega α , y 1 − α se define como la especificidad de la prueba. Aumentar 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 ]
Complementariamente, elLa tasa de falsos negativos (TFN) es la proporción de positivos que dan como resultado un resultado negativo en la prueba, es decir, la probabilidad condicional de un resultado negativo dado que la condición que se busca está presente.
En las pruebas de hipótesis estadísticas , a esta fracción se le da 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
El término tasa de falsos descubrimientos (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 falsos positivos (FPR) para la misma magnitud, para evitar confusiones con el término FDR utilizado por quienes trabajan con comparaciones múltiples . Las correcciones para comparaciones múltiples solo buscan corregir la tasa de error de tipo I, por lo que el resultado es un valor p (corregido) . Por lo tanto, son susceptibles a la misma mala interpretación que cualquier otro valor p . El riesgo de falsos positivos siempre es mayor, a menudo mucho mayor, que el valor p . [ 4 ] [ 2 ]
La confusión de estas dos ideas, el error del condicional transpuesto , ha causado muchos problemas. [ 5 ] Debido a la ambigüedad de la notación en este campo, es esencial revisar la definición en cada artículo. Los peligros de confiar en los valores p fueron enfatizados en Colquhoun (2017) [ 2 ] al señalar que incluso una observación de p = 0,001 no era necesariamente una evidencia fuerte contra 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 cada valor p vaya acompañado de la probabilidad previa de que exista un efecto real, la cual 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 una certeza del 87% de que existiera un efecto real antes de realizar el experimento para lograr un riesgo de falso positivo del 5%.
curva ROC
El artículo " Características operativas del receptor " analiza los parámetros del procesamiento estadístico de señales basados en las proporciones de errores de diversos tipos.
Véase también
Notas
- ↑ Al desarrollar algoritmos o pruebas de detección, es fundamental encontrar un equilibrio entre el riesgo de falsos negativos y falsos positivos. Generalmente, existe un umbral que determina la proximidad de la coincidencia con una muestra determinada para que el algoritmo la reporte. Cuanto mayor sea este umbral, mayor será el número de falsos negativos y menor el de falsos positivos.
Referencias
- ↑ Falsos positivos y falsos negativos
- 1 2 3 4 5 Colquhoun, David (2017). " La reproducibilidad de la investigación y la mala interpretación de los valores p" . Royal Society Open Science . 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 de tipo I y tipo II" . Ind Psychiatry J. 18 ( 2): 127–31 . doi : 10.4103/0972-6748.62274 . PMC 2996198. PMID 21180491 .
- 1 2 Colquhoun, David (2014). "Una investigación de la tasa de falsos descubrimientos y la mala interpretación de los valores p " . Royal Society Open Science . 1 (3) 140216. arXiv : 1407.5296 . Bibcode : 2014RSOS....140216C . doi : 10.1098/rsos.140216 . PMC 4448847. PMID 26064558 .
- ↑ Colquhoun, David. "El problema de los valores p" . Aeon . Revista Aeon . Consultado el 11 de diciembre de 2016 .
- ↑ Colquhoun, David (2018). "El riesgo de falsos positivos: una propuesta sobre qué hacer con los valores p". The American Statistician . 73 : 192–201 . arXiv : 1802.04888 . doi : 10.1080/00031305.2018.1529622 . S2CID 85530643 .
- Pruebas médicas
- Clasificación estadística
- error médico
