O seu Blog de Psicometria

Tenha acesso à nossa enciclopédia virtual de conhecimento em Psicometria e Análise de Dados

Junte-se a mais de 22.300 membros e receba conteúdos exclusivos e com prioridade

O que é Erro Tipo 1 e Erro Tipo 2

Alex França

jun 23, 2023

Se você trabalha com análise de dados seja na área acadêmica ou não, com certeza já ouviu falar sobre Erro Tipo 1 e Erro Tipo 2.

Neste post vamos abordar o que são esses tipos de erro, as causas e, embora invevitáveis, como lidar de maneira adequada.

Para começar, vamos ver um exemplo prático de como ocorre o Erro Tipo 1 e Erro Tipo 2, para ao longo do post nos aprofundar mais.

Exemplo

Vamos supor que você percebe alguns sintomas semelhantes aos da gripe e decide ir a um hospital para fazer um teste para detectar a presença de dengue. Existe a possibilidade de dois erros ocorrerem:

Erro tipo 1 (falso positivo): O resultado do teste mostra que você tem dengue, mas na verdade você não tem.

Erro tipo 2 (falso negativo): O resultado do teste indica que você não tem dengue quando, na verdade, você tem.

Esse exemplo simples ilustra que quando cometemos o:

Erro Tipo 1 é como alarme falso, você se mobilizar para tratar uma doença que na verdade você não tem.

Erro Tipo 2 é como não saber que precisa agir quando se tem que intervir.

Devido a essa importância, que os pesquisadores se esforçam para minimizar a chance de cometer tais erros nas pesquisas.

Agora vamos ver mais a fundo cada um desses erros, começando pelo Erro Tipo 1.

O que é o Erro Tipo 1

Cientificamente falando, o Erro Tipo 1, também conhecido como falso positivo – acontece quando a hipótese nula é verdadeira, mas rejeitada.

Para compreender esse conceito, vamos para mais um exemplo. Imagine que está testando um novo medicamento para aliviar os sintomas de uma doença.

Nesse contexto, basicamente você irá testar duas hipóteses. Nesse caso:

A hipótese nula (H0): o novo medicamento não tem efeito sobre os sintomas da doença.
A hipótese alternativa (H1): o medicamento é eficaz para aliviar os sintomas da doença.

O Erro Tipo 1 (falso positivo) ocorre quando esse novo medicamento não tem efeito sobre os sintomas da doença, e mesmo assim rejeitamos a hipotese nula.

Em outras palavras, quando cometemos o Erro Tipo 1 significa que as descobertas são relatadas como significantivas quando, na verdade, não tiveram efeito.

O que é Erro Tipo 2?

Agora, vamos explorar o Erro Tipo 2, conhecido como falso negativo. Esse erro ocorre quando um pesquisador falha em rejeitar uma hipótese nula quando é realmente falsa na população.

Diferente de “aceitar” a hipótese nula, esse erro significa não concluir que um efeito existe, mesmo quando ele realmente existe.

Seguindo o exemplo anterior, cometemos o Erro Tipo 2 é quando concluimos que o medicamento novo não melhorou os sintomas quando realmente melhorou.

Ou seja, falhei em rejeitar uma hipótese nula quando é realmente falsa na população. Significa que as descobertas são relatadas como não significantivas quando, na verdade, foram significativas (tiveram efeito).

Agora que você já sabe distinção entre o Erro Tipo 1 e o Erro Tipo 2, vamos ver o que pode ocasionar o Erro Tipo 1 e o Erro Tipo 2.

O que pode ocasionar o Erro Tipo 1?

Diversos fatores podem ocasionar o Erro Tipo 1, incluindo a variabilidade dos dados, nível de significância e tamanho amostral.

Quando a variabilidade diminui, ou seja, o desvio padrão se torna menor, a probabilidade de cometer esse erro também diminui. Por outro lado, se a variabilidade aumenta, a probabilidade de um Erro Tipo 1 aumenta.

Isso ocorre porque a estatística de teste apresenta uma maior dispersão, tornando mais difícil distinguir entre a hipótese nula e a hipótese alternativa.

Outro fator é o nível de significância escolhido para o teste estatístico. Se o nível de significância for muito alto, ou seja, a probabilidade de cometer um Erro Tipo 1 for elevada, aumenta-se a chance de rejeitar erroneamente a hipótese nula.

O tamanho da amostra também desempenha um papel crucial. Se a amostra for pequena demais para detectar o efeito desejado, aumenta-se a probabilidade de cometer o Erro Tipo 1.

O que pode ocasionar o Erro Tipo 2?

O Erro Tipo 2 pode ser ocasionado principalmente pelo baixo poder estatístico do teste. Portanto, é importante garantir que o teste possua poder estatístico suficiente para reduzir o risco de cometer esse erro.

Esse erro também pode ser influenciado pelo viés de confirmação, que nos leva a buscar, interpretar as informações seletivamente, de forma a confirmar nossas crenças pré-existentes. Infelizmente esse erro é difícil de ser mensurado.

Outro fator é a escolha das medidas, se utilizamos instrumentos de medidas ruins, podemos concluir que não houve uma diferença significa mesmo quando houver devido ao instrumento de coleta de dados não ser preciso.

Agora é necessário saber que o próprio pesquisador pode estabelecer antecipadamente a chance máxima de cometer os Erros Tipo 1 e Tipo 2 no estudo.

Como estabelecemos os valores do Erro Tipo 1 e Erro Tipo 2?

Primeiramente temos que ter em mente que a chance de cometer o Erro Tipo 1 é conhecida como alfa (α), que também é conhecida como o nível de significância estatística.

Se um estudo sobre Tamiflu e psicose for projetado com α = 0,05, por exemplo, o investigador definiu 5% como a chance máxima de rejeitar incorretamente a hipótese nula (e inferir erroneamente que o uso de Tamiflu e a incidência de psicose estão associados na população).

Esse é o nível de dúvida razoável que o investigador está disposto a aceitar quando utiliza testes estatísticos para analisar os dados.

A chance de cometer o Erro Tipo 2 (falhar em rejeitar a hipótese nula quando ela é realmente falsa) é chamada de β (beta).

Se β for definido como 0,10, então o investigador decidiu que está disposto a aceitar uma chance de 10% de não detectar uma associação de um determinado tamanho de efeito entre Tamiflu e psicose. Isso representa um poder de 0,90. Quanto maior o poder, menor a chance de cometer o Erro Tipo 2.

Esses valores são um tanto arbitrários e outros valores às vezes são utilizados. Muitos estudos estabelecem o alfa em 0,05 e o beta em 0,20 (um poder de 0,80). Sendo que a faixa convencional para o alfa está entre 0,01 e 0,10; e para o beta, entre 0,05 e 0,20.

Ainda que o Erro Tipo 1 seja inevitável, podemos ser mais rigorosos com o valor de α. Se decidirmos que nosso α é de 0,01, estaremos dizendo que em 1% dos testes estaremos rejeitando a hipótese nula quando ela é verdadeira.

Só que ao aumentarmos o valor de α estamos aumentando a chance de não rejeitar a hipótese nula quando ela é falsa, que é o Erro Tipo 2. Portanto, precisamos sempre procurar uma balança entre Erro Tipo 1 e Erro Tipo 2.

Nesse momento você deve estar se perguntando: “E agora que sei que posso estabelecer a chance de cometer o Erro Tipo 1 e Tipo 2, como posso aplicar isso na minha pesquisa?

Como evitar cometer o Erro Tipo 1 e o Erro Tipo 2?

A maneira mais adequada de aplicar na sua pesquisa para se obter um equilibrio sobre os Erros Tipo 1 e 2 é calcular o tamanho amostral utilizando um método que avalia a capacidade de um teste detectar um efeito ou diferença estatisticamente significativa.

Nesse sentido, é recomendado utilizar a análise de poder para o cálculo amostral. A análise de poder leva em consideração fatores como tamanho da amostra, nível de significância, poder estatístico e tamanho do efeito esperado, visando garantir que o estudo tenha poder estatístico suficiente.

Por meio desse procedimento você pode escolher um nível de significância baixo para evitar cometer o Erro Tipo 1. Por sua vez, assegurar um poder estatístico mínimo – usualmente 80% – para assim conduzir o seu teste.

Para isso, você pode utilizar um software gratuito como o GPower e estimar o número suficiente de participantes para garantir um poder suficiente ao seu teste e reduzir as chances de cometer tais erros.

Conclusão

Ao longo deste post, exploramos os conceitos de Erro Tipo 1 e Erro Tipo 2 e sua importância na interpretação correta de resultados científicos.

Os erros Tipo 1 e Tipo 2 são inerentes aos processos de teste de hipóteses e análises estatísticas, e compreender a diferença entre eles é essencial para evitar conclusões equivocadas.

O Erro Tipo 1, ou falso positivo, ocorre quando rejeitamos erroneamente a hipótese nula, levando a conclusões enganosas de que existe uma diferença ou efeito quando na verdade não há evidências suficientes para suportar essa afirmação.

Por outro lado, o Erro Tipo 2, ou falso negativo, ocorre quando falhamos em rejeitar a hipótese nula, perdendo a oportunidade de detectar uma diferença ou efeito real.

Ambos os erros têm implicações significativas, afetando a validade e a confiabilidade dos resultados obtidos em estudos científicos.

Embora os erros Tipo 1 e Tipo 2 nunca possam ser evitados completamente, o investigador pode reduzir a chance de cometer esses dois erros. Para minimizar a chance de cometer esses erros, é fundamental considerar fatores como o tamanho da amostra, o poder estatístico do teste e a definição adequada do nível de significância.

Se você tiver alguma dúvida sobre os erros Tipo 1 e Tipo 2, sinta-se à vontade para deixar um comentário.

Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).

Conteúdo

Mais lidos

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Postados recentemente

Glossário de Análise Fatorial Exploratória

Como lidar com os pressupostos da Análise de Variância (ANOVA)?

Covariância e correlação

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Alex França

Posts sugeridos

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

Em análise de dados, Modelos Lineares (LMs) e Modelos Lineares Generalizados (GLMs) são duas técnicas fundamentais que desempenham papéis cruciais na modelagem e interpretação de…

Alex França

fev 11, 2024

Explorando as etapas da análise de dados

No vasto universo da análise de dados, encontramos duas vertentes cruciais: as estatísticas descritivas e as estatísticas inferenciais. Cada uma desempenha um papel distintivo na…

Alex França

fev 4, 2024

Breve check list para escrita de artigo acadêmico

Você está pronto para embarcar em uma jornada de descoberta acadêmica? Seja você um pesquisado experiente ou iniciante, ter um guia para escrever um artigo…

Alex França

jan 28, 2024

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.