Conteúdo principal
Curso: Estatística e probabilidade > Unidade 12
Lição 2: Probabilidades de erro e potência- Introdução aos erros tipo I e tipo II
- Erros tipo 1
- Exemplos de identificação de erros tipo I e tipo II
- Erros tipo I x erros tipo II
- Introdução à potência em testes de significância
- Exemplos de discussão sobre potências em testes de significância
- Probabilidades de erro e potência
- Consequências dos erros e significância
© 2024 Khan AcademyTermos de usoPolítica de privacidadeAviso de cookies
Introdução à potência em testes de significância
Introdução à potência em testes de significância.
Quer participar da conversa?
Nenhuma postagem por enquanto.
Transcrição de vídeo
RKA3JV - E aí, pessoal! Tudo bem? Nesta aula, nós vamos estudar
o poder do teste de significância. Este é um conceito que, geralmente, você estuda no curso
de estatística nos anos iniciais. É algo, de certa forma,
trabalhoso de se calcular. Mas é importante conhecer esse poder e conhecer o que pode
aumentar ou diminuir o poder deste teste de significância. Mas vamos direto ao ponto. Poder nada mais é
do que uma probabilidade, ou seja, é uma probabilidade
quando a hipótese nula não é verdadeira. E quando isso acontece, você deve rejeitar a hipótese nula
se não for verdade. Então, eu posso colocar aqui
que esse poder é a probabilidade de rejeição
da hipótese nula, dado que essa hipótese nula é falsa. Ou seja, é uma probabilidade condicional. E existem outras maneiras
de escrever isso. Nós até podemos associar
a erros do tipo 2. Então, por exemplo,
você pode colocar que isso é igual a 1 menos a probabilidade
de não rejeitar essa hipótese nula, dado que essa hipótese nula é falsa. E se você perceber,
quando isso aqui acontece, nós temos um erro tipo 2. Portanto, você pode ver isso aqui como a probabilidade de
não cometer erro tipo 2, ou, então, 1 menos a probabilidade
de cometer erro tipo 2. Ou seja, isso também é igual a
probabilidade de não cometer erro tipo 2. Ok! Entendido isso, eu quero saber
o que impulsiona esse poder? Para ajudar a entender isso,
eu vou desenhar duas distribuições de amostragem aqui. Em uma vamos assumir que
a hipótese nula é verdadeira e na outra vamos assumir
que a hipótese nula é falsa. Vamos começar colocando aqui
que a nossa hipótese nula, que é a média da população,
vai ser igual a µ₁. E, com isso, a nossa hipótese alternativa
vai ser a mesma coisa que µ ≠ µ₁. E, com isso, se você assumir que
essa hipótese nula aqui é verdadeira, qual vai ser a nossa
distribuição de amostragem? Para entender isso, você tem que lembrar o que fazemos em
um teste de significância. Basicamente, se nós temos
a nossa população aqui e nossas hipóteses estão fazendo alguma
afirmação sobre algo dessa população, nós pegamos uma amostra dessa população
e fazemos algum cálculo, que neste caso é a média da amostra. Através disso, nós chegamos
a uma conclusão. Então, se assumirmos que a nossa
hipótese nula é verdadeira, qual é a probabilidade de obter
as contas necessárias para essa amostra aqui,
a fim de tirarmos uma conclusão? Se nós estivermos abaixo do nível que
chamamos de nível de significância, nós rejeitamos essa hipótese nula. Então, quando assumimos que essa
hipótese nula aqui é verdadeira, você vai ter uma distribuição
parecida com essa aqui. Ou seja, aqui você vai ter o centro
da distribuição que vai ser o µ₁. Portanto, a distribuição
para essa amostra vai ser algo mais ou menos assim. E se o tamanho da amostra aumentar,
essa distribuição vai ser mais estreita. e se diminuir vai ficar
um pouco mais larga. E, claro, você deve definir
um nível de significância. Isso é importante para saber se
você vai rejeitar ou não a hipótese nula. E nós já até vimos que você pode
enxergar esse nível de significância como a probabilidade de
cometer erro do tipo 1. Então, seu nível de significância é, mais ou menos, essa área
que eu estou pintando aqui e este outro pedacinho de área. Então, este aqui é
o nível de significância que eu posso chamar de alfa. Portanto, se você pegou essa amostra aqui e calculou a média dela,
e acabou caindo nesta área, nesta área, nesta área ou nesta área, então, você rejeita a sua hipótese nula. Mas, se a hipótese nula
for realmente verdadeira, você estará cometendo um erro tipo 1. Mas quando estamos falando
de poder do teste, nós estamos preocupados
com erros do tipo 2. Isso quer dizer que nós estamos
calculando uma probabilidade quando a hipótese nula é falsa. Vamos construir outra distribuição
de amostragem aqui, no caso em que a nossa
hipótese nula é falsa. Deixe-me continuar essa linha aqui. E este vai ser o caso
onde a hipótese nula é falsa. Isso quer dizer que a média
dos dados é igual a µ₂ E construindo nossa
distribuição de amostragem, isso com µ₂ sendo
o centro da distribuição. E, de novo, essa distribuição é para um
determinado tamanho de amostra. Quanto maior a amostra,
mais estreita seria essa curva. E aonde não estamos rejeitando
a hipótese nula, embora devêssemos? Nós não vamos rejeitar a hipótese nula, se conseguirmos amostra aqui,
aqui ou aqui. Ou seja, uma amostra onde
a hipótese nula é verdadeira, embora a probabilidade
não favoreça tanto assim. Ou seja, temos a probabilidade
de cometer um erro tipo 2, que é quando devemos rejeitar
a hipótese nula, mas não o fazemos. Essa probabilidade está nessa área aqui. E o poder, neste caso, que é a probabilidade
de rejeitar a hipótese nula, sabendo que ela é falsa, está nessa área aqui que eu posso pintar. E a minha pergunta é, como podemos aumentar esse poder? Uma maneira é aumentar o nosso alfa, ou seja, aumentar
o nosso nível de significância. E se aumentarmos o nosso nível
de significância a partir daqui, lembrando que o nível de significância
é uma área, portanto, se quisermos aumentar
a nossa área até aqui e fazemos o mesmo do lado esquerdo, e, com isso, nós expandimos
a nossa área de significância. Por causa disso, nós
aumentamos o nosso poder. Por causa disso, essa área
amarela aqui fica maior. Eu posso até pintar
de amarelo aqui também. E nessa hora pode ser
que você tenha uma dúvida. Espera aí, aumentar esse poder
pode ser uma coisa legal, então, por que nós não simplesmente
aumentamos este alfa? É porque isso tem um problema. Quando você aumenta o seu alfa, você está aumentando
o seu nível de significância. Isso vai fazer com que
o poder também aumente. Mas isso também vai aumentar a
probabilidade de ter um erro do tipo 1. Porque, lembre-se, essa é uma maneira
de conceituar o que é o alfa. É uma probabilidade de um erro tipo 1. Então, quais são as outras
maneiras de aumentar o poder? Se você aumentar o tamanho da sua amostra, as distribuições vão ficar mais estreitas. E se essas distribuições
estão ficando mais estreitas, então aquela situação em que você
não está rejeitando a hipótese nula, mesmo que devesse, vai ter menos área. Vai haver menos sobreposição
dessas duas distribuições. Portanto, se você aumentar o "n",
que é o tamanho da amostragem, isso também vai aumentar o poder. Isso é uma coisa que
é sempre bom você fazer. E tem outras coisas, que
aumentam este poder, que muitas vezes não estão
no nosso controle. Ou seja, se tiver menos variabilidade
existente no conjunto de dados, isso também vai fazer com que
as distribuições sejam mais estreitas, e isso também vai aumentar o poder. Portanto, menos variabilidade. E você pode medir isso utilizando
a variância ou o desvio padrão. Isso vai te dar mais poder. Uma outra coisa que também aumenta o poder é se o parâmetro verdadeiro estiver mais
longe do que a hipótese nula está dizendo, isso aumenta o poder. Então, se o parâmetro verdadeiro
estiver longe da hipótese nula, isso também vai aumentar o poder. Mas, claro, nem sempre essas duas
coisas estão sob o nosso controle. Mas o tamanho da amostra
e o nível de significância estão. Mas se você aumenta
o nível de significância, você acaba aumentando
a probabilidade de erro tipo 1. Portanto, se o erro tipo 2 é pior, vale a pena aumentar
esse nível de significância. Eu meio que faço uma troca
de erro tipo 2, para erro tipo 1. Mas se eu não quero erro tipo 1, então eu acabo diminuindo
esse nível de significância. Portanto, a melhor coisa a se fazer
é aumentar a nossa amostra. Eu espero que esta aula
tenha lhes ajudado. E até a próxima, pessoal!