No rechazar una hipótesis nula falsa: un efecto pasado por alto.Un error de tipo II, también conocido como falso negativo, ocurre cuando una prueba estadística no logra rechazar una hipótesis nula falsa. En otras palabras, se pasa por alto un efecto o diferencia real que en realidad existe. Mientras que los errores de tipo I se refieren a descubrimientos falsos, los errores de tipo II se refieren a oportunidades perdidas: no detectar algo que verdaderamente está presente.
La distinción entre errores de tipo I y tipo II fue formalizada por Jerzy Neyman y Egon Pearson en sus artículos de 1928-1933 sobre pruebas de hipótesis, basándose en trabajos anteriores de Ronald Fisher.
La probabilidad de cometer un error de tipo II se denota con la letra griega beta (β). Depende de varios factores: el tamaño real del efecto, el tamaño de la muestra, la variabilidad en los datos y el nivel de significancia elegido. La potencia de una prueba, definida como 1 − β, es la probabilidad de rechazar correctamente una hipótesis nula falsa. Para reducir los errores de tipo II, los investigadores aumentan los tamaños de muestra, reducen el ruido de medición o utilizan métodos estadísticos más sensibles.
Es crucial en ensayos clínicos (evitar la aprobación de fármacos ineficaces es un error de tipo I, pero pasar por alto un fármaco beneficioso es de tipo II), en pruebas de cribado (por ejemplo, detección de cáncer) y en cualquier investigación donde no detectar un efecto real tenga consecuencias.
En el cribado médico, un error de tipo II ocurre cuando una mamografía no detecta un tumor que está realmente presente: un falso negativo que puede retrasar el tratamiento.