Pruebas

de hipótesis

Perspectivas metodológicas en CCSS II

Universidad del Rosario
Agosto de 2015
 Pruebas de hipótesis
HIPOTESIS
Es una predicción sobre la relación entre
diferentes variables.
Diferencias en la medición de las variables
independientes corresponden a diferencias en
las medidas de la variable dependiente.
 Pruebas de hipótesis
Objetivos:
•  Se busca determinar si el valor supuesto o
hipotético debe ser aceptado como verosímil
en base a la evidencia muestral.
•  analizar si los resultados de un experimento
corresponden a un error de muestreo, o a lo
que se observa en la población.
 Prueba de hipótesis de medias de una
muestra única grande
•  Para una variable
•  De intervalo/razón
•  Una medición y una población
•  n>121
•  Hay un valor objetivo
 Pasos para hacer una prueba de
hipótesis
1)  formular Ho y Ha
2)  Describir la distribución muestral
3)  Nivel de significancia (alfa) y valor crítico
4)  Observar resultados muestrales; calcular
efectos de la prueba; calcular el estadístico
de la prueba; calcular el valor p
5)  Tomar la decisión de rechazo
6)  Interpretar los resultados
 Paso 1
Formular la hipótesis nula (Ho) y la
hipótesis alternativa (Ha)
•  Hipótesis nula (Ho): Una declaración de que el
parámetro toma un valor específico (Por lo
general: “ningún efecto”).
Ho suele ser una negación de la pregunta de
investigación (en las investigaciones se busca
rechazar Ho).
•  Hipótesis alternativa (Ha) (o hipótesis de
investigación): indica que el valor del parámetro
cae en alguno de los valores alternativos (hay
“efecto”)
•  Las Hipótesis son mutuamente excluyentes

 Ejemplo 1
•  Se busca analizar si un programa de apoyo
familiar tiene impacto positivo en reducir la
anorexia entre unas adolescentes:

•  Ho: ?

•  Ha: ?
3 casos o situaciones para la media
muestral:
Caso 1 Ho:  = µ
Ha:  ≠ µ

Caso 2 Ho:  ≤ µ
Ha:  > µ

Caso 3 Ho:  ≥ µ
Ha:  < µ

Zonas de rechazo (sombreadas) y de
aceptación de la hipótesis nula
Caso 1 Ho:  = µ
Ha:  ≠ µ

Caso 2 Ho:  ≤ µ
Ha:  > µ

Caso 3 Ho:  ≥ µ
Ha:  < µ

 Ejemplo
El promedio del coeficiente intelectual (CI) en una
preparatoria es 100. Queremos saber si el CI
promedio de los estudiantes que son atletas es el
mismo CI del resto de estudiantes, o si es más
bajo.
Población: atletas de un colegio
X = puntuación del CI
Pregunta: es µx < 100 puntos de CI?
Muestra:  = 99 puntos de CI
Sx = 12 puntos de CI; n=144
 Hipótesis Nula
Ho: µx (atletas) = 100 puntos de CI (es decir, la
media conocida para todos los estudiantes del
colegio)

La Ho enuncia que no hay ningún efecto o
ninguna diferencia

Ha: µx (atletas) < 100 puntos de CI (son “cabezas
huecas”)
 Posibles hipótesis alternativas
Tres tipos (se escoge un solo tipo):
Opción 1
Ha: µx (atletas) > 100 puntos de CI (una cola)
Opción 2
Ha: µx (atletas) < 100 puntos de CI (una cola)
Opción 3
Ha: µx (atletas) ≠ 100 puntos de CI (dos colas)

Se escoge una opción, con base en la teoría.
Cuando hay palabras como mayor que, más que,
aumento, más largo que, más rápido, ganancia,
etc. : Prueba de una cola, dirección positiva (>).
Cuando hay palabras como menor que, menos
que, disminución, más corto que, más lento,
pérdida, etc. : Prueba de una cola, dirección
negativa (<).
Cuando no se menciona una dirección, se hace
una prueba de dos colas (no direccional) (≠).

 Paso 2
Describir la distribución muestral
 Distribución muestral
•  Describir todos los resultados posibles y la
probabilidad de cada resultado cuando Ho es
cierta.
•  En el ejemplo: Si el CI medio de los atletas es 100,
entonces el muestreo repetido, y una gráfica de
las  produce una curva de distribución normal
cuando n > 121.
•  Error estándar:

= 12 / √ 144  = 1 punto de CI
Gráfica Distribución Normal

97 98 99 100 101 102 103 

-3ee -2ee -1ee 0 1ee 2ee 3ee Z
 Paso 3
Nivel de significación
•  El nivel de significación es el nivel de error
esperado;
•  Ayuda a determinar si rechazar la Ho, o fallar
en rechazarla;
•  El nivel de significación se presenta como una
probabilidad en una curva de distribución
muestral
•  Es común establecer el nivel de significación
α = 0.05
 Paso 4
Calcular efectos de la prueba,
estadístico de la prueba, y el valor p
•  Observamos la media muestral y la calculamos
con el valor hipotético de 100 puntos de CI;
•  Calculamos la puntuación Z: tomamos la
diferencia entre el valor del estadístico de la
muestra y el valor del parámetro proyectado
por Ho (esto se llama efecto de la prueba)
•  En el ejemplo:
-µ = 99-100 = -1 punto de CI
 Estadístico de prueba
Z  = -µ/S = 99-100/1 = -1 ee
 Valor p
•  Es la probabilidad de ocurrencia del efecto de
prueba.
•  El valor p es una medida de rareza de un
resultado muestral cuando la hipótesis nula es
cierta.
•  En la tabla de distribución normal buscamos el
valor p:
–  Para Z = 1 corresponde un p = 0.1587
p = 0.1587

Z  = -1 ee

97 98 99 100 101 102 103 

-3ee -2ee -1ee 0 1ee 2ee 3ee Z
 Clave
•  La hipótesis nula Ho se rechaza cuando el
valor p es pequeño.
•  En la gráfica del ejemplo, valores más
pequeños que 99, se ubican en puntos más
hacia la cola de la gráfica; es decir, esos
valores (98, 97, 96) tienen menores
probabilidades de encontrarse en la muestra
 Para una Ha de dos colas
•  Como la curva de distribución normal es
simétrica, para una prueba de dos colas
multiplicamos el área de la Columna C de la
tabla por dos.
•  En el ejemplo: p = 0.1587 x 2 = 0.3174
•  Es decir el área más allá de 1 ee en ambos
lados de la curva.
 Paso 5
Decisión de rechazo
•  Comparamos el valor p, con el nivel de
significancia α del paso 3
•  En el ejemplo, α = 0.05
•  Si p ≤ α entonces rechazamos Ho y aceptamos
Ha.
•  Si p > α entonces fracasamos en rechazar Ho.
•  En el ejemplo:
0.1587 > 0.05 por tanto fracasamos en rechazar
Ho.
 Paso 6
Interpretación de resultados
En nuestro ejemplo:
•  La puntuación CI media de atletas de
preparatoria no parece diferente de la
puntuación de CI media de 100.
•  Mejor estimación: estimamos que el CI promedio
de atletas es 100, el mismo que el de otros
estudiantes.
•  La diferencia de -1 punto entre la puntuación de
CI media de la muestra de atletas, y el CI medio
normal se debe al error de muestreo esperado.
•  Respuesta: el estereotipo de cabezas huecas está
equivocado
 Ejercicio
•  Hacer el ejemplo del libro de Ritchey, pp.
299-300