Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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 de una prueba de una y dos colas con un nivel de confianza del 5%
5% 5% 2.5% 2.5%
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.
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).
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
Magnitud de d Conclusión
d=0.2 Efecto pequeño
d=0.5 Efecto mediano
d=0.8 Efecto grande
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.