Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

O que é Erro Tipo 1 e Erro Tipo 2

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).

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Uma resposta

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

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 dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

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 interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

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 de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

Covariância e correlação

Covariância e correlação

Se você é estudante, professor ou pesquisador você está no lugar certo. Hoje, vamos mergulhar em um conceito fundamental: covariância e correlação. Na análise de dados, entender a relação entre

Diferenças entre Modelos Lineares e Modelos Lineares Generalizados (GLMs)

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 dados. Embora ambos compartilhem o

Explorando as etapas da análise de dados

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 interpretação e compreensão de conjuntos

Breve check list para escrita de artigo acadêmico

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 de pesquisa é essencial para

O que são médias marginais?

O que são médias marginais?

Ao começar com estatísticas descritivas tradicionais, como as médias brutas, reconhecemos a necessidade de ir além, considerando possíveis viéses decorrentes de variações no número de observações e covariâncias. A pergunta-chave

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.