Ricordiamo che testiamo l'ipotesi nulla, H0. Se effettivamente una differenza non esistesse, H0 sarebbe vera, e sarebbe corretto accettarla. Al contrario, se esiste effettivamente una differenza, H0 sarebbe falsa e sarebbe corretto rifiutarla. Ma, ahimè, gli errori accadono! Nelle statistiche, alle probabilità di commettere questi errori sono stati dati nomi speciali e lettere greche. L'errore di Tipo I o 'α' è la probabilità di rifiutare H0 quando, in realtà, H0 è vero (un “falso allarme”). L'errore di Tipo II o 'β' è la probabilità di accettare H0 quando, in realtà, H0 è falso ("manca la barca").
La maggior parte di noi conosce α semplicemente come "il livello di significatività .05", ma in realtà è un'indicazione della tolleranza di un investigatore nel commettere un errore di tipo I. Ad esempio, quanto sei disposto a dire che un anestetico provoca bradicardia quando in realtà non lo fa? Gli investigatori possono impostare il valore di α, sebbene oltre a .05, l'unico altro α comunemente usato sia .01. L'errore di tipo II è molto più complicato perché gli investigatori non possono dichiarare un valore per β, che è influenzato da almeno sei fattori. Il più importante di questi è la dimensione del campione: β è più piccolo con una dimensione del campione maggiore. Poiché 1-β è potenza, mantenere β il più basso possibile è una buona cosa. Altri fattori che abbassano β includono una maggiore discrepanza tra ciò che è ipotizzato e ciò che è vero ("effetto"), variabili misurate con precisione (meno "gomma nel parametro"), campioni dipendenti (p. es., abbinati o appaiati) anziché indipendenti (p. es. , assegnati casualmente) campioni, specificando α più grandi (anche se α + β non è uguale a 1) e ipotesi alterative a 1 coda rispetto a 2 code. Il mese prossimo, le statistiche a piccole dosi esploreranno la dimensione del campione e la sua importanza nel processo decisionale statistico.
