Por mais que os especialistas, diários e jornais tenham a oportunidade de suspeitar de algo, as medições não são certamente uma ciência segura. A percepção é uma ronda de probabilidade, e nunca podemos saber ao certo se as nossas decisões mensuráveis estão certas. Em qualquer ponto em que haja vulnerabilidade, há a probabilidade de se cometer um erro. Em insights, há dois tipos de erros finais mensuráveis concebíveis quando você está tentando teorias: Tipo I e Tipo II.
O erro do tipo I acontece quando se ignora de forma inexacta uma especulação genuína inválida. Na hipótese de você ter sido enganado graças a essa definição, não enfatize – um método abreviado para lembrar exatamente o que o inferno que isso implica é que um Tipo que eu engano é um “falso construtivo”. Suas teorias inválidas seriam que não há distinção factual digna de nota nos níveis de satisfação entre os indivíduos que seguraram e os indivíduos que deram uma olhadela em um cachorrinho.
No entanto, assumam que não houve um contraste genuíno entre as reuniões – ou, em outras palavras, os indivíduos são, na realidade, tão alegres quanto quando seguram um cachorrinho ou dão uma olhadela em um. Na hipótese de o seu teste mensurável ser digno de nota, você teria então dedicado um erro Sort I, pois a especulação inválida é na realidade óbvia. Como tal, você encontrou um resultado digno de nota apenas por causa da possibilidade.
O reverso desta questão é submeter um erro do tipo II: negligenciar a rejeição de uma falsa especulação inválida. Isto seria um “falso adverso”. Utilizando o nosso modelo de cãozinho, parta do princípio de que não houve uma distinção factualmente crítica entre as suas reuniões, no entanto, na verdade, os indivíduos que têm cachorros são muito mais alegres. Para esta situação, você negligenciou de forma imprecisa a rejeição da especulação inválida, uma vez que disse que não havia distinção quando realmente existe uma.
As probabilidades de submeter estes dois tipos de erros são contrariamente correspondentes, ou seja, a diminuição da taxa de erro do Tipo I expande a taxa de erro do Tipo II, e o contrário. O seu perigo de submeter um erro de Tipo I é falado pelo seu nível alfa (o p estima abaixo do qual você rejeita a especulação inválida). O geralmente reconhecido α = .05 implica que você irá descartar erroneamente a teoria inválida por volta de 5% do tempo. Para diminuir a sua oportunidade de submeter um erro de Sort I, essencialmente faça com que a sua estima alfa (p) seja cada vez mais rigorosa. As probabilidades de submeter um erro de Sort II são identificadas com o poder mensurável dos seus exames. Para diminuir a sua oportunidade de submeter um erro de Sort II, aumente a capacidade dos seus exames expandindo o tamanho do seu exemplo ou afrouxando o seu nível alfa!
Dependendo do seu campo e do seu exame particular, um tipo de erro pode ser mais caro do que o outro. Suponha que você liderou uma investigação para saber se um subordinado de uma planta poderia manter as passagens de crescimentos malignos específicos. Na hipótese remota de você ter presumido erroneamente que isso não poderia neutralizar as passagens relacionadas ao crescimento maligno quando realmente poderia (erro do Tipo II), você poderia possivelmente custar a vida de indivíduos! No caso de você estar vendo se os níveis de alegria dos indivíduos eram mais altos quando eles se atiravam contra um cachorro jovem, qualquer um dos dois tipos de erro provavelmente não será tão significativo.
You may also like
Falso Negativo
Embora entendendo a hipótese, dois erros podem ser bastante confusos. Estes dois erros são falsos negativos e falsos positivos. Você também pode se referir ao erro falso-negativo como erro do tipo II e falso-positivo como erro do tipo I. Enquanto você estiver aprendendo, você pode pensar que estes erros não têm qualquer utilidade e só […]
Revisão de Box Plot
Um gráfico de caixa ou um gráfico de caixa e whisker ajuda-o a exibir a distribuição da base de dados num resumo de cinco números. O primeiro quartil Q1 será o mínimo, o terceiro quartil Q3 será a mediana, e o quinto quartil Q5 será o máximo. Pode encontrar os outliers e os seus valores […]
Redes Bayesianas
A criação de um modelo probabilístico pode ser um desafio mas revela-se útil na aprendizagem de máquinas. Para criar tal modelo gráfico, é necessário encontrar as relações probabilísticas entre as variáveis. Suponha que está a criar uma representação gráfica das variáveis. É preciso representar as variáveis como nós e a independência condicional como a ausência […]
