برای اینکه این دو تا مفهوم رو برای همیشه تو ذهنتون هک کنید، معروف‌ترین مثال دنیای پزشکی رو با هم مرور می‌کنیم:

🔴 خطای نوع اول (خطای alpha): مثبت کاذب
•  تعریف ساده: داروی جدید شما در واقعیت هیچ اثری نداره، اما تست آماری شما اشتباهاً میگه «جواب داد! دارو موثره!» (رد کردن اشتباه فرض صفر).
•  مثال: پزشکی که به یک مرد نگاه می‌کنه و میگه: «تبریک میگم، شما باردار هستید!» 🫃
•  نکته: این همون خطایی هست که با alpha یا P-value کنترلش می‌کنیم (معمولاً روی 0.05 تنظیم میشه). یعنی فقط ۵٪ به خودمون اجازه میدیم همچین سوتی خطرناکی بدیم!

🔵 خطای نوع دوم (خطای beta): منفی کاذب
•  تعریف ساده: داروی جدید شما در واقعیت به شدت موثره و میتونه جون آدم‌ها رو نجات بده، اما تست آماری شما نمیتونه این اثر رو پیدا کنه و میگه «بی‌اثره»! (پذیرش اشتباه فرض صفر).
•  مثال طلایی: پزشکی که به یک خانم باردار ۹ ماهه میگه: «نه خانم، شما باردار نیستید، فقط نفخ کردید!» 🤰
•  نکته: این خطا با توان آزمون در ارتباطه. دلیل اصلی رخ دادن خطای نوع دوم، کم بودن حجم نمونه هست. یعنی اونقدر داده نداشتید که بتونید اثر واقعی رو اثبات کنید.

⚖️ الاکلنگ آمار:
شما نمی‌تونید همزمان خطای نوع اول و نوع دوم رو به صفر برسونید. وقتی سخت‌گیری رو زیاد می‌کنید که مثبت کاذب ندید، احتمال اینکه منفی کاذب بدید بالا میره! هنر یک پژوهشگر پیدا کردن تعادل بین این دوتاست. ویوا آکادمی کمکت می‌کنه تا این تعادل رو پیدا کنی.

#آموزش_کوتاه

https://t.me/viva_academi