Lembre-se de que testamos a hipótese nula, H0. Se uma diferença realmente não existe, H0 seria verdadeira e seria correto aceitá-la. Por outro lado, se uma diferença realmente existir, H0 seria falsa e seria correto rejeitá-la. Mas, infelizmente, erros acontecem! Nas estatísticas, as probabilidades de cometer esses erros receberam nomes especiais e letras gregas. O erro Tipo I ou 'α' é a probabilidade de rejeitar H0 quando, de fato, H0 é verdadeiro (um “alarme falso”). O erro Tipo II ou 'β' é a probabilidade de aceitar H0 quando, de fato, H0 é falso (“perder o barco”).
A maioria de nós conhece α simplesmente como “o nível de significância de 05”, mas na verdade é uma indicação da tolerância de um investigador para cometer um erro do Tipo I. Por exemplo, até que ponto você está disposto a dizer que um anestésico causa bradicardia quando na verdade não causa? Os investigadores conseguem definir o valor de α, embora, além de 05, o único outro α que é comumente usado seja 01. O erro Tipo II é muito mais complicado porque os investigadores não podem declarar um valor para β, que é afetado por pelo menos seis fatores. O mais importante deles é o tamanho da amostra – β é menor com tamanho de amostra maior. Como 1-β é potência, manter β o mais baixo possível é uma coisa boa. Outros fatores que diminuem o β incluem maior discrepância entre o que é hipotetizado e o que é verdadeiro (“efeito”), variáveis precisamente medidas (menos “borracha no critério”), amostras dependentes (por exemplo, combinadas ou pareadas) em oposição a independentes (por exemplo, , aleatoriamente designados) amostras, especificando α maior (mesmo que α + β não seja igual a 1), e hipóteses alterativas unicaudais em oposição a 1 caudais. No próximo mês, estatísticas em pequenas doses explorarão o tamanho da amostra e sua importância na tomada de decisões estatísticas.
