Hipótesis bidireccionales y

unidireccionales
La hipótesis planteada en la sección anterior es una hipótesis bidireccional o de dos colas. El
término dos colas viene de las dos colas del gráfico de campana que compone la distribución, este
tipo de prueba es el más común, sin embargo, existe una alternativa, estas son las hipótesis de una
cola o unidireccionales.
Usualmente un investigador inicia su estudio con una predicción sobre la dirección del tratamiento
esperado. Por ejemplo, es razonable esperar un incremento de peso en una persona, si
implementamos como tratamiento comer pastel todos los días. En estos casos es posible poner la
hipótesis estadística incorporando esta predicción, a esto se le llama prueba dirección o prueba de
una cola. En comparación, la predicción de una hipótesis de dos colas espera un efecto en
cualquier dirección.

En prosa (o texto), la hipótesis nula y alternativa queda de la siguiente manera

𝐻0 : 𝐸𝑙 𝑐𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒 𝑝𝑎𝑠𝑡𝑒𝑙 𝑛𝑜 𝑔𝑒𝑛𝑒𝑟𝑎 𝑢𝑛 𝑖𝑛𝑐𝑟𝑒𝑚𝑒𝑛𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑠𝑜
𝐻𝐴 : 𝐸𝑙 𝑐𝑜𝑛𝑠𝑢𝑚𝑜 𝑑𝑒 𝑝𝑎𝑠𝑡𝑒𝑙 𝑔𝑒𝑛𝑒𝑟𝑎 𝑢𝑛 𝑖𝑛𝑐𝑟𝑒𝑚𝑒𝑛𝑡𝑜 𝑒𝑙 𝑝𝑒𝑠𝑜

Expresado en formula, ambas hipótesis quedan de la siguiente manera (usaremos como referencia el
peso promedio de 70 kg):
𝐻0 = 𝜇 ≤ 70 (𝐶𝑜𝑛 𝑝𝑎𝑠𝑡𝑒𝑙 𝑒𝑙 𝑝𝑒𝑠𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑛𝑜 𝑒𝑠 𝑚𝑎𝑦𝑜𝑟 𝑎 70)
𝐻𝐴 = 𝜇 > 70 (𝐶𝑜𝑛 𝑝𝑎𝑠𝑡𝑒𝑙 𝑒𝑙 𝑝𝑒𝑠𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑒𝑠 𝑚𝑎𝑦𝑜𝑟 𝑎 70)

Nota: Según el caso, existen dos hipótesis unidireccionales posibles, el ejemplo anterior
plantea una situación donde la hipótesis alternativa busca un incremento. Para plantear la otra
situación, es decir, cuando la hipótesis alternativa busca un decremento o reducción, usamos el
símbolo mayor e igual que (≥) para la hipótesis nula y el símbolo menor que (<) para la
hipótesis alternativa.

Región crítica para pruebas

unidireccionales
La región crítica en una prueba unidireccional cambia en una prueba unidireccional, recordemos que
esta región son los valores que es poco probable que ocurran si H0 es verdadera. Para buscar el valor
crítico, es necesario decidir el nivel de confianza. Supongamos que usamos el nivel de confianza
más común: α=0.05, esto significa que buscaremos los valores que sea 5% o menos probable que
ocurran si la H0 es verdadera. En una prueba bidireccional o de dos colas, es necesario dividir
este 5% en las dos colas, quedando 2.5% o 0.025 en cada extremo, por lo que en una tabla Z,
por ejemplo, buscaríamos los valores de probabilidad 0.025 y 0.9725, uno por cada cola. En una
prueba unidireccional o de una cola, es un poco más fácil, pues el porcentaje entero se
conserva en una cola, en este caso, buscaríamos un valor de probabilidad de 0.050 o de 0.9500
según la cola de interés sea el extremo negativo o positivo respectivamente.

Región crítica de una prueba de una y dos colas con un nivel de confianza del 5%

5% 5% 2.5% 2.5%

Una cola, negativa Una cola, positiva Dos colas, probabilidades

probabilidad 0.05
 Errores en la prueba de hipótesis
Una prueba de hipótesis es un proceso inferencial es decir que usa información limitada para llegar
a una conclusión general. En el caso de la prueba de hipótesis, toma una parte de la población,
llamada muestra, y con técnicas estadísticas saca una conclusión sobre la población. Debido a esto
siempre es posible llegar a una conclusión incorrecta. Aunque se tome la muestra con mucho cuidado,
siempre existirá una probabilidad de que la muestra sea engañosa y nos lleve a una conclusión
errónea.

Error tipo I
El error tipo I implica rechazar la hipótesis nula cuando en realidad es verdadera, en otras
palabras, declarar que el tratamiento tuvo efecto cuando en realidad no lo tiene. Si, por ejemplo, se
busca un grupo de gente para ver el efecto de un jugo de moras en la capacidad cognitiva y la muestra
por casualidad ese grupo de gente tiene por defecto altos niveles de capacidad cognitiva desde antes,
entonces es posible que los resultados reporten un efecto incluso si el jugo de moras no tiene efecto
alguno.

El error tipo I no implica un error accidental o que el investigador haya cometido un descuido, por lo
regular el investigador simplemente ve que los datos muestran claramente un tratamiento y toma la
decisión basándose en dichos datos.

El nivel de confianza y el error tipo I

El nivel de confianza o nivel alfa (α) es el valor que representa la probabilidad de cometer
un error tipo I. Un alfa de 0.05 implica un 5% de probabilidad de cometer un error tipo I. Cuando
decidimos usar un nivel de confianza para buscar un valor crítico es para buscar aquellos valores
que es poco probable que ocurrieran si la H0 es verdadera (Si se fijan suena a la definición del error
tipo I).

Error tipo II
El error tipo II ocurre cuando el investigador falla en rechazar la hipótesis nula y esta
es falsa. En contexto, implica que el tratamiento si tiene un efecto, pero la prueba de hipótesis no lo
detectó y se reportó que el tratamiento no tiene efecto. En términos estadísticos, esto implicaría que
el estadístico no superó el valor crítico, incluso teniendo un efecto. Esto es común cuando el
tamaño del efecto es pequeño. En esta situación el tratamiento si tiene un efecto, pero no movió
la media lo suficiente como para superar el valor crítico. Debido a esto, se toma la decisión de fallar
en rechazar la H0.

A diferencia del error tipo I (α), el error tipo II es difícil de definir por una sola probabilidad, aunque
es representada por el valor beta (β).

Prueba de hipótesis- Francisco Leyva PAGE 2

 Tamaño de efecto
La prueba de hipótesis es la mejor manera de evaluar e interpretar datos en investigación, sin
embargo, existen algunas limitantes que llevan a severas malinterpretaciones:

1) El enfoque de la prueba de hipótesis es sobre la muestra, no sobre la hipótesis, de manera que

cuando obtenemos un resultado donde rechazamos la H0, más que rechazar la hipótesis
nula, podemos concluir que: “La media de la muestra es poco probable (p<.05) que
ocurra si la H0 es verdadera” De manera que la conclusión no es sobre la hipótesis en sí.
2) Demostrar un efecto estadísticamente significativo (Es decir que es poco probable que no
sea verdadero), no necesariamente es prácticamente significativo o sustancial. Es decir,
que la existencia de un efecto no necesariamente significa que ese efecto sea lo suficientemente
grande como para ser práctico en la vida cotidiana. En otras palabras, es posible que el efecto
del tratamiento sea pequeño y no valga la pena

Para corregir esto la Asociación Americana de Psicología (1999) recomiendan que cuando se reporte
una prueba de hipótesis, también se provea de un reporte de tamaño de efecto.

El tamaño de efecto es una medida de la magnitud del tamaño de efecto del tratamiento,
independientemente del tamaño de la muestra utilizada. Una de las medidas más comunes es la d de
Cohen (1988). El cálculo para la d de cohen es la siguiente:
𝜇𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 − 𝜇sin 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜
𝑑=
𝜎
Entendido en palabras simples, la diferencia de medias entre la media de la población con
tratamiento y la población sin tratamiento dividida entre la desviación estándar de la
población. Sin embargo, es imposible tener la media de la población con tratamiento, ya que
implicaría aplicar el tratamiento a toda la población, por lo que se usa una formula aproximada

𝑋̅𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 − 𝜇sin 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜

𝑑 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑎 =
𝑠
En este caso la formula queda como la diferencia de la media de la muestra con tratamiento
menos la media poblacional sin tratamiento (obtenida de la hipótesis nula) entre la
desviación estándar de la muestra. Para interpretar el resultado, simplemente usamos la
siguiente tabla de Cohen (1988):

Magnitud de d Conclusión
d=0.2 Efecto pequeño
d=0.5 Efecto mediano
d=0.8 Efecto grande

Prueba de hipótesis- Francisco Leyva PAGE 3

 Poder estadístico
Una forma alternativa de evaluar una prueba de hipótesis es a través del poder de la prueba
estadística utilizada. El poder estadístico es definido como la probabilidad de que la prueba
rechace la hipótesis nula cuando esta es falsa. Es decir, la probabilidad de identificar el efecto
de un tratamiento si este en realidad existe.

Cuando un tratamiento tiene un efecto, hay dos posibilidades: Se falla en rechazar H0 o se

rechaza H0. Si ocurre el primer caso, entonces se comete un error tipo II, también conocido por (β). El
segundo caso, rechazar H0 cuando si hay un efecto, es medido como (1-β) por proceso de eliminación,
esto es el poder estadístico. En otras palabras, el poder estadístico es la probabilidad de no caer
en un error tipo II. Por ejemplo, si una prueba tiene un poder estadístico de 80% (1-β), entonces
hay una probabilidad del 20% de caer en un error tipo II.

El poder estadístico es usado por lo regular como una forma de determinar si un estudio será
exitoso. Por lo que es común calcular el poder de una prueba antes de hacer el estudio. Así pueden
determinar la probabilidad de que sus resultados sean significativos (rechazar H0) antes de
invertir tiempo en la investigación. Sin embargo, para calcular el poder, es necesario hacer
suposiciones sobre algunos factores como el tamaño de la muestra, el tamaño de efecto, y el
nivel de confianza (alfa).

El tamaño de efecto tiene un impacto sobre el cálculo del poder estadístico debido a que a mayor
tamaño de efecto el poder estadístico también incrementa, pues la probabilidad de rechazar H0
también aumenta a medida que la diferencia entre la media poblacional de la H0 y la media de la
muestra es mas grande. Si el tamaño de efecto es menor, es más fácil que no supere el valor crítico
y, por ende, se requiere de un mayor poder estadístico para rechazar la H0.

El tamaño de la muestra también influye bastante sobre el poder estadístico. A medida que aumenta
el tamaño de la muestra, se reduce el error estándar y, por lo tanto, la probabilidad de encontrar
tamaños de efecto pequeños. Esto hace más fácil rechazar la H0, debido a esto el poder estadístico
también es usado para calcular el tamaño de muestra necesaria para una prueba de
hipótesis.

Finalmente, el nivel de confianza o alfa es importante para el poder estadístico, si uno reduce el valor
alfa de .05 a .01, esto reduce el poder estadístico también, debido a que reduce la probabilidad de
rechazar la H0 correctamente a 0.01. Una forma de incrementar el poder estadístico es hacer la
prueba de hipótesis de una cola en lugar de usar una de dos colas. Como se mencionaba
anteriormente, una prueba de dos colas divide el nivel alfa en dos (ej. 0.05 a dos colas es 0.025) por la
prueba unidireccional permite conservar el nivel de confianza sin dividir.

Prueba de hipótesis- Francisco Leyva PAGE 4