Área de Consensos y Normas –Rev Argent Cardiol 2020;88(Suplemento 10):1-62.
Cómo interactúan los errores alfa y beta
Dada una distribución de probabilidades determinada, los errores alfa y beta se mueven en sentido inverso. Veamos ejemplos.
En la figura 1 hay 2 distribuciones de probabilidad de medias que no se superponen en lo absoluto; es claro entonces que un valor de cualquiera de ellas no puede corresponder a la otra, y por lo tanto la diferencia estadística es clara. No hay dudas.
¿Pero qué sucede si hay superposición de ambas distribuciones? Es claro que de acuerdo a cuál sea el valor de corte definido habrá mayor o menor probabilidad de error alfa y beta, y por lo tanto sensibilidad y especificidad cambiantes para detectar la diferencia.
Supongamos una distribución de valores de creatinina plasmática de personas sanas, cuya media es 1 mg% (distribución A, en rojo en la figura), y otra distribución de valores de creatinina plasmática en hipertensos con cierto daño renal, cuya media es 1.5 mg% (distribución B, en amarillo en la figura). Veremos 3 casos.
En el caso 1 (figura 2) hemos decidido que el valor de corte de creatinina para definir daño renal, es 1,35 mg%, entendiendo que ello corresponde al 5% de valores más extremos y por lo tanto “patológicos” Como vemos en la figura, existe un área de la distribución A, rayada en blanco, con valores iguales o mayores a 1,35 mg%. Son valores de personas sanas, que por el valor de corte elegido consideraremos como correspondientes a personas “enfermas”. ¿Cuántas veces nos equivocaremos entonces, rechazando la hipótesis nula y pensando que existe una diferencia que no es tal, ya que se debe al azar, al atribuir un valor de 1,35 mg% o mayor a la distribución B cuando en realidad corresponde a la A? Lo haremos 5 de cada 100 veces, cometiendo un error alfa o tipo I (p=0.05). Ahora bien, si nos centramos en la distribución B, notamos que un valor de 1,35 mg%, correspondiente a dicha distribución, puede ser erróneamente atribuido a la distribución A, en una proporción de casos que corresponde al área rayada en verde. Es decir que existiendo una diferencia (porque 1,35 mg % corresponde a la distribución de personas enfermas, y por lo tanto cabe rechazar la hipótesis nula de no diferencia con el valor de 1 mg% que corresponde a las sanas) el test podría no ser capaz de reconocerla, cometiendo un error beta o tipo II.
¿Qué sucede si el valor de rechazo de la hipótesis nula es menor? Las figuras 3 y 4 revelan que aumenta el error alfa (cae la especificidad), al tiempo que disminuye el error beta, y aumenta por lo tanto la sensibilidad. Error alfa y beta se mueven por lo tanto en sentido inverso. Depende del investigador si privilegia uno u otro, pero como ya dijimos, no se admite un error alfa mayor de 0.05.
[column col=”1/2″]
[/column]
[column col=”1/2″ last=”true”]
[/column]
Lo veremos en una próxima entrega, pero adelantaremos que cuanto mayores la sensibilidad y la especificidad del test estadístico, y menores por lo tanto los errores alfa y beta, mayor será el número de observaciones necesarias para detectar una diferencia estadísticamente significativa.
Dr. Jorge Thierer






¿Qué es un árbol de decisiones en un estudio de economía de la salud?
Vamos a revisar en esta oportunidad cómo se procede en la toma de decisiones frente a una situación médica determinada, empleando los conocimientos que adquirimos







¿Qué son los estudios de Economía de la Salud? Parte 2
Continuamos en esta entrega con conceptos vinculados a la Economía de la Salud. Invitamos a releer la entrega anterior para una comprensión cabal de esta.







¿Qué son los estudios de Economía de la Salud? Parte 1
A la hora de decidir implementar una intervención o una estrategia determinada en el campo de salud, lógicamente surge, más allá de los resultados, el