A la hora de entender la hipótesis, hay dos errores que pueden resultar bastante confusos. Estos dos errores son el falso negativo y el falso positivo. También puedes referirte al error falso negativo como error de tipo II y al falso positivo como error de tipo I. Mientras aprendes, puedes pensar que estos errores no tienen ninguna utilidad y que sólo te harán perder el tiempo en el aprendizaje de los conceptos.
Sin embargo, si considera las ventajas de estos errores en la vida real, cambiará su forma de pensar sobre ellos. Estos errores le resultarán interesantes y emocionantes.
En muchos casos, los científicos de datos, mientras recogen los datos, cometen errores o malinterpretan las situaciones. Cuando no tienes datos precisos, tus conclusiones no serán ciertas. Un solo error puede hacer que sus resultados verdaderos sean falsos. Por lo tanto, es fundamental comprender cómo una interpretación precisa de los datos puede aportar precisión a su investigación.
Hoy hablaremos de los falsos negativos y los falsos positivos y de cómo afectan a los resultados. Puede referirse a su resultado como falso positivo cuando considera los resultados falsos como verdaderos. En otras palabras, se trata de una falsa alarma.
El término técnico para esta falsa determinación es el error de tipo I. El error de tipo II se refiere a la condición en la que su resultado es verdadero, pero usted lo considera como falso. En otras palabras, un resultado falso negativo es que faltan algunos datos importantes, o que el modelo no pudo reconocer los datos. A continuación, entenderemos ambos términos en detalle:
Falso positivo
Un falso positivo de una hipótesis indica que se recibe un resultado positivo después de realizar una prueba, pero en realidad el resultado debería ser negativo. Además de un falso positivo o una falsa alarma, también se puede referir a esta condición como un error falso positivo. Esta condición es común en la industria de la salud. También se puede utilizar este término para el proceso de pruebas en otros sectores, como las pruebas de software.
He aquí algunos ejemplos para su referencia:
- Recibes un resultado positivo en una prueba de embarazo, pero no estás embarazada.
- Usted recibe un resultado positivo para el síndrome de Down tras una prueba prenatal, pero en realidad no tiene el trastorno.
- No tiene ningún cáncer, pero sus pruebas sugieren que padece la enfermedad.
- El software malicioso a veces considera que un software inofensivo es una amenaza.
Recibir un resultado falso-positivo en las pruebas médicas puede ser problemático. Por ello, los investigadores contribuyen constantemente a reducir los errores falsos positivos. Por ello, están aplicando nuevos métodos para identificar el motivo del error y formas de crear un proceso de prueba más sensible.
Los falsos negativos, en cambio, son el concepto opuesto. En esta condición, usted recibirá un resultado negativo cuando el resultado debería ser positivo. Por ejemplo, si está embarazada pero su prueba de embarazo muestra resultados negativos.
Falso negativo
Un resultado falso negativo de una prueba sugiere que la condición, como el trastorno, no existe, pero en realidad sí. Por ejemplo, si una mujer embarazada se hace la prueba de embarazo y el resultado indica que no está embarazada. Un falso negativo puede causar mucha confusión. Si se considera que el resultado de la prueba de embarazo es negativo, no podrá ocuparse de ello. Esto puede provocar diversos problemas de salud.
También se puede entender el concepto de falso negativo teniendo en cuenta la situación actual de la pandemia. Por ejemplo, una persona con síntomas de COVID se hizo una prueba y sus resultados fueron negativos, a pesar de que eran positivos. Debido a este falso resultado de la prueba, no se aislará y propagará el virus a otras personas. Por lo tanto, es esencial realizar varias pruebas y comparar los resultados. En palabras sencillas, un error de tipo II o falso negativo es el resultado de una prueba incompleta. No es preciso, ya que faltan algunos factores que influyen en los resultados.
Conclusión
Para concluir, podemos decir que un resultado falso negativo se produce cuando usted no padece una enfermedad o afección. Sin embargo, el resultado de la prueba lo muestra como positivo. Esto ocurre cuando el método de recogida de datos no es preciso.
Como la prueba no ha tenido en cuenta todos los factores que afectan al resultado, el resultado será falso. Los falsos negativos pueden afectar a muchas pruebas médicas. Por ejemplo, puede afectar a una prueba de embarazo, a las pruebas de Lyme o tuberculosis, a la prueba de Covid-19 y a las pruebas de drogas.
Para aportar precisión al sistema de pruebas, muchos científicos de datos están trabajando en un algoritmo que pueda poner de manifiesto los errores en la prueba. Primero tendrán que identificar la razón real por la que el sistema se comporta de forma inexacta. Una vez que lo hagan, podrán encontrar una solución y hacer que el proceso de pruebas sea más eficiente.
Ambos errores de prueba, los de tipo I y los de tipo II, son graves. Un falso positivo o error de tipo I se produce al rechazar la hipótesis nula verdadera. Sin embargo, un falso negativo o error de tipo II se produce al aceptar la hipótesis nula como falsa. Según muchos científicos de datos, un falso positivo es una condición crítica. Sin embargo, nosotros creemos que ambos errores son problemáticos y deben ser s