Valores p, alfa y errores

Diseño experimental en Python

James Chapman

Curriculum Manager, DataCamp

Valores p y alfa

Valores p: probabilidad de observar los datos si la hipótesis nula fuera verdadera
$\alpha$: umbral para considerar resultados estadísticamente significativos
Valor p $\le \alpha$: Rechaza la nula a favor de la alternativa

Tablero de backgammon

El dataset: rendimientos de cultivo

crop_yields.head()

  Fertilizer_Type  Crop_Yield
0         Organic      26.225
1       Synthetic      17.452
2         Organic      22.283
3       Synthetic      23.548
4       Synthetic      24.138

Visualizando los datos

import seaborn as sns
sns.displot(data=crop_data, x="Crop_Yield", hue="Fertilizer_Type", kind="kde")

Gráfico comparativo de densidad (KDE)

Prueba t de muestras independientes

$\alpha = 0.05$

from scipy.stats import ttest_ind
organic_yield = crop_yields[crop_yields['Fertilizer_Type'] == 'Organic']
['Crop_Yield']
synthetic_yield = crop_yields[crop_yields['Fertilizer_Type'] == 'Synthetic']
['Crop_Yield']
t_stat, p_val = ttest_ind(organic_yield, synthetic_yield)
print(p_val)

1.8496748715743899e-209

Explorando errores experimentales

Tabla que resume errores estadísticos: Error de Tipo I cuando rechazamos por error una hipótesis nula verdadera. Error de Tipo II cuando no rechazamos una hipótesis nula falsa.

Error de Tipo I: Falso positivo; rechaza una hipótesis nula verdadera
Error de Tipo II: Falso negativo; no rechaza una hipótesis nula falsa

Más sobre alfa

Valores comunes: 0.05, 0.01 y 0.10
- Reflejan un 5%, 1% y 10% de probabilidad de cometer un error de Tipo I
Elegir un $\alpha$
- Según el contexto del estudio
- Equilibrando la tolerancia a un error de Tipo I
Convenciones:
- 0.05 (5%): La más usada, convención estándar
- 0.01 (1%): Prueba más estricta; alto coste del error de Tipo I
- 0.10 (10%): A veces en estudios preliminares; mayor tolerancia al error de Tipo I

¡Vamos a practicar!

Diseño experimental en Python