Falsos Positivos Vs. Falsos Negativos

Marco Santos
Jul 08, 2020

Falsos Positivos Vs. Falsos Negativos

Jul 08, 2020 6 minutes read

Explicando de forma sencilla los errores de tipo I y tipo II


En Estadística y en Ciencia de los Datos, hay algo llamado "Falso Positivo" o "Falso Negativo". Ahora, es probable que se haya encontrado con estos términos en su vida cotidiana. En realidad se usan bastante extensamente pero ¿alguna vez te has preguntado qué significan realmente?

Esos términos se conocen formalmente como Errores Tipo I y Tipo II para los estadísticos y científicos de datos. Mientras explores la ciencia de los datos y la estadística, se encontrará con estos términos, por lo que es extremadamente importante que conozca la diferencia entre ambos. Después de aprender un poco más sobre los términos, empezarás a notar los errores de Tipo I y Tipo II a medida que avanzas en tu vida diaria.

Foto por Tengyart en Unsplash

¿De dónde vienen los errores de tipo I y tipo II?

Como otros términos estadísticos, los errores Tipo I y Tipo II provienen de pruebas de hipótesis estadísticas. Normalmente en una de estas pruebas somos capaces de llegar a algún tipo de conclusión. Esta conclusión no siempre es correcta y cuando la conclusión es incorrecta puede resultar en un error, un Tipo de error. Dependiendo del resultado que estemos concluyendo y el error que estemos cometiendo, este error puede ser un error de Tipo I o Tipo II.

En términos más específicos, cometemos un error de Tipo I cuando rechazamos la hipótesis nula cuando, de hecho, era cierta. Un error de Tipo II ocurre cuando aceptamos la hipótesis nula cuando, de hecho, era falsa.

¿Falso positivo o falso negativo?

Se preguntarán qué error es un falso positivo y un falso negativo. Bueno, aquí está:

Falso Positivo = Error de tipo I
Falso Negativo = Error de tipo II

Podría parecer más fácil llamar a estos errores Falso Negativo o Positivo. Puedes llamar a estos errores falso positivo o falso negativo y a nadie le molestaría, pero debes recordar sus nombres formales de errores de tipo I y tipo II.

¿Qué significan estos errores?

Ahora que tenemos una comprensión de cuál es cuál, podemos pasar a explicar lo que significan exactamente. Proporcionaremos ejemplos de las explicaciones para una mejor comprensión de los términos.
Foto por freestocks en Unsplash

Error de tipo I (falso positivo)

Un ejemplo común, aunque efectivo, de un error de tipo I o de un falso positivo suele ser la prueba de embarazo. Un falso positivo sería decirle a alguien que está embarazada cuando en realidad no lo está, como decirle a un hombre que está embarazada.

Error de tipo II (Falso Negativo)

Continuando con el ejemplo del embarazo, un error de tipo II o un falso negativo sería decirle a una mujer embarazada que no está embarazada.

Todos estos errores tienen varias consecuencias cuando se cometen. El resultado de estos errores puede ser grave, pero determinar cuál es peor depende completamente del problema.


Ejemplo de cometer errores y consecuencias

Digamos que estás haciendo un experimento para tratar de clasificar si un objeto es un huevo o no. Se te dan docenas de huevos reales y docenas de rocas con forma de huevo.
Lo más interesante es que sólo puedes clasificarlos visualmente sin tocarlos.

Así que avancemos rápidamente a través de este experimento y lleguemos a la sección en la que creaste una máquina que puede clasificar un huevo con un 90% de precisión. Aquí es donde los errores pueden entrar potencialmente. Las consecuencias asociadas a cada error dependen del problema.



Tirar huevos a una casa

Por ejemplo, un error de tipo I o un falso positivo sería si nuestra máquina clasificara una roca con forma de huevo como un huevo. Esto podría ser peor que un error de tipo II en varios sentidos. ¿Qué pasaría si fuéramos un grupo de niños buscando tirar huevos a una casa, y termináramos lanzando una roca y rompiendo una ventana. Algo que hubiera costado tiempo y agua para limpiar ahora podría haber herido potencialmente a alguien y se hubiera convertido en un grave acto de vandalismo.

Un error de tipo II de falso negativo en este caso sería si nuestra máquina clasificara un huevo como si no fuera un huevo. En nuestro ejemplo, esto no sería un gran problema porque no elegiríamos este no-huevo. Ahora, como un grupo de niños, no usaríamos este no-huevo porque queremos ponerle un huevo a una casa sin destruir nada.

¿Cúal es peor?

En este ejemplo, podemos ver que un error de Tipo I es más costoso y con mas consecuencias que un error de Tipo II. Aquí, un error de Tipo I es peor que un error de Tipo II. Esperamos no clasificar erróneamente una roca con forma de huevo como un huevo por el propósito para el que estamos usando estos huevos.


Ahora bien, si cambiamos el propósito de estos huevos, entonces el peor tipo de error que podemos cometer también puede cambiar. ¿Cómo podría ser peor un error de tipo II que uno de tipo I?

Huevos de oro


¿Qué tal si quisiéramos encontrar tantos huevos como sea posible porque cada huevo es extremadamente valioso? Tal vez los huevos contengan oro o algo de igual valor. En este caso, si nuestra máquina clasifica erróneamente un huevo como si no fuera un huevo, entonces potencialmente nos perdimos algo de oro. Sin embargo, aunque nuestra máquina clasificara erróneamente una roca como un huevo, el error no sería tan costoso como en el ejemplo de la casa


Determinar el peor error

Como se puede ver en los ejemplos anteriores, cada error tiene su propio conjunto de situaciones dependiendo del problema. No hay un peor error que cometer porque cada problema trae su propio conjunto de complicaciones. Los errores ocurrirán a lo largo de los proyectos y experimentos. Depende del diseñador del proyecto, del realizador de pruebas o del científico de datos determinar qué error debe reducirse más.

Debido a que cada problema tiene su propio contexto y obstáculos, tendrá que tenerlos en cuenta al diseñar sus experimentos y proyectos para saber qué error es el peor que se puede cometer. Con suerte, después de leer esto, tendrá una mejor comprensión de los tipos de errores y la diferencia entre los Falsos Positivos y los Falsos Negativos.
Join our private community in Discord

Keep up to date by participating in our global community of data scientists and AI enthusiasts. We discuss the latest developments in data science competitions, new techniques for solving complex challenges, AI and machine learning models, and much more!