Supongamos que tenemos el test:
H0: mu = 8
H1: mu <> 8
Supongamos que el valor de sigma es conocido igual a 2, y la muestra es de n=5.
La curva de operación de este test, representa el error tipo II (beta) que cometeríamos, para distintos valores VERDADEROS de mu, es decir, la probabilidad de no rechazar H0 cuando en realidad la debimos haber rechazado.
Desafío:
Graficar las CO's para el test anterior, para niveles de significancia del 5% y del 10%.
El código en R sería el siguiente:
############################################################
sigma = 2
n = 5
alpha <- .05
#hipoteis nula
mu.0 = 8
mu <- seq(from = 10, to = 20, by = 0.1)
valor <- (sqrt(n)/sigma)*(mu.0-mu)
z.critico <- qnorm(alpha/2, mean = 0, sd = 1, lower.tail = FALSE, log.p = FALSE)
beta <- dnorm(valor+z.critico, mean = 0, sd = 1, log = FALSE) - dnorm(valor-z.critico, mean = 0, sd = 1, log = FALSE)
valor = valor*(-1)
A <- data.frame(valor, beta)
#mismo que antes pero a alpha=0.1
alpha <- 0.1
z.critico2 <- qnorm(alpha/2, mean = 0, sd = 1, lower.tail = FALSE, log.p = FALSE)
beta2 <- dnorm(valor+z.critico2, mean = 0, sd = 1, log = FALSE) - dnorm(valor-z.critico2, mean = 0, sd = 1, log = FALSE)
beta <- (-1)*beta2
B <- data.frame(valor, beta)
#gráfica de CO para alpha = 0.05 y para alpha = 0.1
df <- rbind(A, B)
df$dataset <- c(rep("alpha=0.05", nrow(A)), rep("alpha=0.1", nrow(B)))
ggplot(data=df, aes(x=valor, y=beta, col=dataset)) + geom_point()
############################################################
Como puede observar, cuando utilizamos un alpha de 10%, vemos que los betas son mejores respecto a la condición de 5%, sin embargo, lo que ganamos con disminuir el error tipo II, lo perdemos al aumentar el error tipo I.
La única forma que tenemos de incrementar el error tipo II sin sacrificar el error tipo I, es aumentando el tamaño de la muestra (n).
