República Bolivariana de Venezuela

Ministerio del Poder Popular para la Educación Universitaria, Ciencia y Tecnología

Universidad Nacional Experimental de Lara
Martín Luther King
Barquisimeto, Estado Lara

HIPÓTESIS

SECCIÓN 4202 FISIOTERAPIA

ELIZABETH PINEDA
 
¿QUÉ ES UNA HIPÓTESIS?
Una hipótesis es una proposición o enunciado que se considera cierto de entrada,
aunque aún no haya podido probarse, y que por lo tanto constituye una
especulación o una conjetura de trabajo, carente de confirmación o refutación
mediante la experiencia. El término proviene del griego hypo, “por debajo”,
y thesis, “opinión” o “conclusión”.

Las hipótesis pueden plantearse con mayor o menor basamento en lo real,

pero sirven como un primer paso en la investigación, la cual buscará demostrarla o
refutarla. Esto, sin embargo, deberá hacerse mediante evidencia empírica o
mediante una argumentación sustentada, dependiendo de si estamos ante
una investigación cuantitativa o cualitativa.

Una hipótesis es una formulación provisional, ya que al probarse pasa a ser un

enunciado verificado o demostrado. La formulación de una hipótesis es central,
además, en el método científico, cuya serie de pasos permiten someter a prueba,
refinar y finalmente formular una inteToda hipótesis debe responder a las
siguientes características:

 Toda hipótesis consiste en una relación entre un elemento A y un elemento

B, sean los que sean, cuya relación está expresada en forma de una
proposición.
 Siempre se refiere a un evento o una relación probable entre las cosas, ya
que algo a todas luces imposible no puede someterse a pruebas.
 Posee un número de variables concretas, que deben estar claramente
identificadas y definidas. La relación entre éstas, además, habrá de ser
propuesta por la hipótesis misma y debe ser clara, comprensible y verosímil.
 Normalmente se vinculan con técnicas establecidas y conocidas que sirven
para someterlas a prueba.
 Son siempre falsables, o sea, pueden siempre contraponérsele argumentos
que la contradigan y así ponerla a prueba.
 Son planteamientos totalmente provisionales, que serán probados o
descartados mediante la investigación.

Tipos de hipótesis
Las hipótesis pueden clasificarse de muchas formas, entre las que destacan las
siguientes:

Tipos de hipótesis según su alcance. A juzgar por el tipo de realidad a la que se

refiera la hipótesis, podemos hablar de:

 Hipótesis singulares, aquellas que se refieren a un hecho concreto y singular.

 Hipótesis generales, aquellas que se refieren a hechos que se reiteran dentro
de un sistema. A su vez, se clasifican en:

o Hipótesis universales, cuando intentan demostrar un contenido que

aplica a la totalidad de lo investigado.
o Hipótesis probabilísticas, cuando se formulan en términos
de proporciones, porcentajes o mayorías.

Tipos de hipótesis según su origen. Dependiendo del procedimiento lógico que

permite formularlas, tendremos los siguientes tipos de hipótesis:

 Hipótesis inductivas, aquellas obtenidas por inducción, o sea, en

generalizaciones y suposiciones a partir de casos singulares.
 Hipótesis deductivas, aquellas obtenidas por deducción, o sea, que se
derivan lógicamente de otras hipótesis previas que ya han sido probadas o
descartadas.
 Hipótesis analógicas, aquellas obtenidas mediante analogía, o sea, por la
comparación o el traslado del contenido de una hipótesis a otras parecidas.

¿CÓMO SE HACE UNA HIPÓTESIS?

Para formular una hipótesis se debe reunir la mayor cantidad de información

posible.

Los pasos para formular una hipótesis, lo cual generalmente constituye el inicio de
toda investigación, son los siguientes:

 Elegir el problema de interés, en el cual estará inserta nuestra hipótesis.

Cualquiera es igual de válido.
 Reunir información, pues para aventurarnos a formular una hipótesis probable
debemos conocer el asunto lo más posible.
  Comparar la información y arrojar explicaciones, es decir, explorar las posibles
respuestas o soluciones al problema, a partir de los datos reunidos y
contrastados.
 Escoger la explicación más probable, aquella que sea verosímil, probable y que
mejores métodos de investigación permita.
 Formular la hipótesis, esto es, plantear la posible explicación en términos
científicos, excluyendo las demás y construyendo el modelo experimental que
servirá para probarla o refutarla. Toda hipótesis sirve para iniciar una
investigación, sin ello no serían más que conjeturas.

Ejemplos de hipótesis

Sin ánimo de desarrollarlas en su totalidad, sirven de ejemplo de lo hasta aquí

dicho las siguientes hipótesis:

 Conociendo el efecto que causan ciertos metales pesados en el cuerpo humano,

puede asumirse que la presencia de algunos de esos efectos en
una comunidad dedicada a la minería, se corresponde a la presencia de dichos
metales pesados en el aire, agua o alimentos de la comunidad.
 Cotejando las características de una emisión de ondas de radio recibida
del espacio exterior con las emisiones naturales que a diario recibimos, es posible
suponer que esta nueva emisión proviene de una civilización extraterrestre.
 Habiendo estudiado a profundidad las características de la obra de un pintor
medieval de importancia, es posible demostrar hasta cierto punto su influencia en
la obra de otros pintores muy posteriores con los que no comparte nacionalidad.

CONTRASTE DE HIPÓTESIS

El contraste de hipótesis nos permite comparar dos o más alternativas,

cuantificando la probabilidad de que las diferencias entre ellas sean esperables por
azar. Para el cálculo de esta probabilidad nos basaremos en las propiedades de las
distribuciones de probabilidad conocidas. Si la probabilidad de encontrar por azar
la diferencia observada es muy baja, podemos considerar la opción de que una de
las alternativas comparadas sea superior a las demás.

Recordemos un ejemplo presentado anteriormente: en un ensayo clínico se

compararon dos tratamientos, A y B, en dos grupos de 100 pacientes, para prevenir
recaídas de una enfermedad. En el contraste de hipótesis se plantean dos
alternativas:

Hipótesis nula: “no hay diferencias de eficacia entre A y B”, o lo que es lo mismo,
la diferencia de proporciones no es distinta de 0.

Hipótesis alternativa; tenemos dos opciones: “sí hay diferencias entre A y B”

(contraste bilateral sin definir la dirección de las diferencias) o “A es más eficaz que
B” (contraste unilateral); dicho de otra manera, que la diferencia de proporciones es
distinta (bilateral)/mayor (unilateral) que 0, según la opción elegida. La elección de
un contraste bilateral o unilateral corresponde al investigador y va a depender de
nuestro conocimiento previo del problema. Como el contraste bilateral es más
conservador, esto es, necesita mayores diferencias para que alcancen el umbral de
significación estadística, es la opción más elegida, aunque ambas sean correctas.

Recordemos que en el grupo A recayeron un 20%, mientras que en el grupo B un

40%. En el artículo previo de estimación por intervalos calculamos para el mismo
ejemplo que la diferencia de proporciones era del 20%, con un intervalo de
confianza del 95% de 7,6 a 32,4. Como ese intervalo no incluye el valor nulo, que
para una diferencia es “0”, parece que el tratamiento A es más eficaz que el B. Sin
embargo, para resolver el contraste de hipótesis debemos cuantificar la
probabilidad exacta de que la diferencia encontrada sea mayor que “0”, asumiendo
la validez de las asunciones requeridas por la prueba de contraste de hipótesis
elegida.

Contamos con varias pruebas con las que calcular esta probabilidad. Una de las
pruebas es la aproximación a la distribución normal de la diferencia de
proporciones, cuyo error estándar es:

 EE diferencia proporciones =√p̂1(1−p̂1)n1+p̂2(1−p̂2)n2 EE diferencia proporciones 
=p̂1(1−p̂1)n1+p̂2(1−p̂2)n2

Podríamos realizar los cálculos por nosotros mismos, con el error estándar y
nuestros conocimientos de la distribución normal, algo que no recomendamos.

Rechazando la hipótesis nula y aceptando la alternativa asumimos un error de

0,002 (0,2%). A este error lo denominamos error tipo I, o error de falso positivo
(porque asumimos que hay diferencias en la población, de la que procede nuestra
muestra, cuando no las hay en la población), y a su probabilidad la llamamos alfa.
Es importante advertir de que, aunque el error sea muy pequeño, siempre existe
cierto riesgo de error.

Veamos otro ejemplo. Supongamos que el estudio realizado anteriormente, en vez

de contar con 100 sujetos en cada grupo, solo contara con 30 sujetos y que la
proporción de recaídas fuera la misma: 20% en el grupo A (6/30) y 40% en el grupo
B (12/30). En la figura 3 presentamos el nuevo cálculo.

A la diferencia encontrada cambia. La calculadora nos da un valor Z de 1,69 (menos

alejado que 1,96 de 0), lo que para un contraste bilateral (figura 4A) le corresponde
una probabilidad (valor p) de 0,091 (9,1%). Con este resultado no podemos
considerar la hipótesis nula menos verosímil que la alternativa, porque la
probabilidad de encontrar la diferencia observada no es suficientemente baja;
expresándolo con la terminología clásica, no podemos rechazar la hipótesis nula ni
aceptar la alternativa, ya que el error tipo I (o de falso positivo) en el que incurriríamos
sería mayor de 0,05 (5%).

Para calcular el error tipo II (riesgo beta) o la potencia (1-beta), recomendamos

usar una calculadora epidemiológica. En la figura 4B se muestra el planteamiento
en el que se sustenta el cálculo de la potencia. Si realmente existieran diferencias
(H1 cierta), existiría una distribución de diferencias de proporciones alternativa (H1)
a la hipótesis nula (H0). En ese caso nuestro estudio podría haber encontrado
cualquier valor comprendido en la distribución alternativa, pero solo los que
quedan más alejados de la hipótesis nula (H0), darían una probabilidad menor de
0,05 en ella; podemos ver que ese valor es un valor más extremo que el que
nosotros hemos encontrado (-0,20). En la figura 5 se muestra el cálculo para
nuestro estudio.

Es importante destacar que en el cálculo de la potencia del estudio debemos

introducir diferencias (proporciones esperadas en cada población) que
consideremos clínicamente importantes, que no tienen por qué coincidir con las
observadas en nuestro estudio. En nuestro supuesto hemos usado los datos del
estudio, ya que un 20% es aceptable como diferencia clínicamente importante. Si el
estudio hubiera encontrado diferencias muy pequeñas (por ejemplo 2%), para el
cálculo de la potencia deberíamos haber usado diferencias que consideremos
clínicamente importantes, por ejemplo, un 10, un 15 o 20%. La potencia calculada
sería interpretada como que, aunque el estudio no ha encontrado diferencias, tenía
potencia suficiente para haber encontrado diferencias mayores de 10, 15 o 20%. La
elección de la diferencia requiere conocimientos del problema en estudio y no
responde a criterios estadísticos.

Otra cuestión que hay que advertir es que si en los cálculos de la potencia
queremos usar riesgos alfa o beta alternativos (por ejemplo, riesgo alfa 0,01 o
riesgo beta 0,10), los umbrales de cálculo de probabilidad cambiarán. Si
disminuimos el riesgo alfa aumentará el beta y viceversa; solo aumentando el
tamaño muestral disminuirán los dos.

PRUEBAS DE CONTRASTE DE HIPÓTESIS

En el apartado anterior hemos empleado una prueba de contraste de hipótesis

(aproximación a la normal de la diferencia de proporciones), pero existen muchas
otras pruebas, entre las que tendremos que elegir la más apropiada para cada
contraste.

En la elección del test estadístico tendremos que considerar los siguientes factores:

Cuántas variables están implicadas: 1, 2 o más.

Cuáles son las variables dependientes e independientes.

Qué escalas de medida siguen las variables implicadas (nominal, ordinal, continua
normal, continua no normal).

Cuántos grupos de estudio hay: 1, 2 o más.

Si los grupos de estudio son independientes o están relacionados (o apareados;

por ejemplo, mediciones repetidas en los mismos sujetos).

Si queremos un contraste uni- o bilateral.

Qué umbrales de errores tipo I y II elegimos (0,05 y 0,20 respectivamente o

inferiores).
LIMITACIONES DEL CONTRASTE DE HIPÓTESIS

En los últimos años va creciendo una opinión crítica con el planteamiento

categórico del contraste de hipótesis. Se critica fundamentalmente que la
interpretación de los resultados de un estudio y, en consecuencia, la asunción de
jerarquías de superioridad en la comparación de alternativas, se sustente
exclusivamente en un umbral de significación estadística, establecido
arbitrariamente en el nivel de probabilidad 0,05 (5%). Un error muy común, que
observamos con frecuencia en textos y exposiciones científicas, es interpretar
una p no significativa como una prueba de ausencia de efecto o asociación.
También es frecuente interpretar una p significativa como una prueba de la
existencia de un efecto o relación. Ni la ausencia de significación estadística
(p mayor de 0,05) permite probar la hipótesis nula, ni la presencia de significación
(p menor de 0,05) permite probar la hipótesis alternativa. Cualquier decisión sobre
superioridad o inferioridad está sujeta a incertidumbre, que no se resuelve en
función de que la p sea superior o inferior a 0,05. La interpretación de los
resultados requiere tener en cuenta otros factores, como la magnitud del efecto o
asociación, la adecuación de las hipótesis contrastadas, los posibles errores
cometidos en el diseño o ejecución del estudio y la validez de las asunciones
inherentes a la prueba estadística empleada.

Es preciso recordar que la significación estadística no informa de la dimensión o

importancia de los resultados, tan solo de la probabilidad de dichos resultados en
el modelo planteado por la hipótesis nula. Si el tamaño del efecto encontrado en
un estudio resulta insignificante desde el punto de vista clínico, no importa su nivel
de significación, ya que su aplicabilidad será cuestionable. De hecho, cualquier
diferencia, por pequeña que sea, puede alcanzar significación estadística, si el
tamaño muestral del estudio es suficientemente grande. En este sentido, resulta
más informativa la presentación de resultados como intervalos de confianza.

Debemos ser precisos a la hora de presentar los resultados científicos,

diferenciando claramente lo que es clínicamente importante de lo que es
estadísticamente significativo. Para evitar confusión, parece recomendable limitar el
uso del vocablo “significativo” a la indicación del nivel de significación estadístico
de un contraste de hipótesis, aportando la significación exacta, sin simplificar la
información en una interpretación categórica de “significativo” (menor de 0,05) o
“no significativo” (mayor de 0,05). Recomendamos presentar los resultados con sus
intervalos de confianza que nos informan de la magnitud y verosimilitud de los
resultados. Asimismo, a la hora de interpretar un intervalo de confianza no
debemos limitarnos a comprobar si en su interior se incluye o no el valor nulo (0
para una diferencia; 1 para un riesgo), sino que debemos hacer una interpretación
de su valor central y de todos los valores incluidos entre los límites del intervalo.

A pesar de las limitaciones mencionadas, en ausencia de un modelo alternativo

ampliamente aceptado que sustituya al contraste de hipótesis clásico, no podemos
desterrarlo de nuestros análisis. Dado que estamos obligados a tomar decisiones,
eligiendo entre alternativas en presencia de incertidumbre, siempre será mejor
cuantificar la incertidumbre que ignorarla. El contraste de hipótesis puede seguir
siendo útil si somos capaces de hacer una interpretación válida y prudente de es

¿QUÉ ES EL NIVEL DE SIGNIFICANCIA (ALFA)?

El nivel de significancia, también denotado como alfa o α, es la probabilidad de

rechazar la hipótesis nula cuando es verdadera. Por ejemplo, un nivel de
significancia de 0.05 indica un riesgo de 5% de concluir que existe una diferencia
cuando en realidad no hay ninguna diferencia.

Estos tipos de definiciones pueden ser difíciles de entender debido a su carácter

técnico. ¡Una imagen hace que sea mucho más fácil entender los conceptos!

El nivel de significancia determina qué tan lejos del valor de la hipótesis nula
dibujaremos esa línea en la gráfica. Para graficar un nivel de significancia de 0.05,
debemos sombrear el 5% de la distribución que está más alejado de la hipótesis
nula.
En la gráfica anterior, las dos áreas sombreadas son equidistantes del valor de la
hipótesis nula y cada área tiene una probabilidad de 0.025, para un total de 0.05.
En estadística, nos referimos a estas áreas sombreadas como la región
crítica para una prueba de dos colas. Si la media de la población es de 260,
esperaríamos obtener una media de la muestra que estuviera en la región crítica el
5% de las veces. La región crítica define qué tan lejos debe estar nuestro estadístico
de muestra del valor de la hipótesis nula para que podamos decir que es lo
suficientemente inusual como para rechazar la hipótesis nula.

La media de la muestra (330.6) se encuentra dentro de la región crítica, lo que

indica que es estadísticamente significativa al nivel 0.05.

También podemos ver si es estadísticamente significativa usando el otro nivel de

significancia común de 0.01.
Cada una de las dos áreas sombreadas tiene una probabilidad de 0.005, lo que
suma una probabilidad total de 0.01. Esta vez nuestra media de la muestra no está
dentro de la región crítica y no podemos rechazar la hipótesis nula. Esta
comparación muestra por qué debe elegir su nivel de significancia antes de
comenzar un estudio. ¡Lo protege de elegir un nivel de significancia porque
convenientemente le da resultados significativos!

¿QUÉ SON LOS VALORES P?

Los valores p son la probabilidad de obtener un efecto por lo menos tan extremo
como el de los datos de la muestra, asumiendo que la hipótesis nula es verdadera.

Esta definición de los valores p, aunque técnicamente correcta, es un poco

complicada. ¡Es más fácil de entender con una gráfica!

Para graficar el valor p de nuestro conjunto de datos de ejemplo, debemos

determinar la distancia entre la media de la muestra y el valor de la hipótesis nula
(330.6 - 260 = 70.6). A continuación, podemos graficar la probabilidad de obtener
una media de la muestra que sea por lo menos tan extrema en ambas colas de la
distribución (260 +/- 70.6).
En la gráfica anterior, cada una de las dos áreas sombreadas tiene una probabilidad
de 0.01556, para una probabilidad total de 0.03112. Esta probabilidad representa la
probabilidad de obtener una media muestral que sea por lo menos tan extrema
como nuestra media muestral en ambas colas de la distribución si la media de la
población es 260. ¡Ese es nuestro valor p!

Cuando un valor p es menor que o igual al nivel de significancia, se rechaza la

hipótesis nula. Si tomamos el valor p de nuestro ejemplo y lo comparamos con los
niveles de significancia comunes, coincide con los resultados gráficos anteriores. El
valor p de 0.03112 es estadísticamente significativo a un nivel de significancia de
0.05, pero no al nivel 0.01.

Si nos ceñimos a un nivel de significancia de 0.05, podemos concluir que el costo

promedio de energía para la población es mayor que 260.

Un error común es interpretar el valor p como la probabilidad de que la hipótesis

nula sea verdadera. Para entender por qué es incorrecta esa interpretación, por
favor, lea mi publicación de blog Cómo interpretar correctamente los valores p.

DISCUSIÓN SOBRE RESULTADOS ESTADÍSTICAMENTE SIGNIFICATIVOS

Una prueba de hipótesis evalúa dos afirmaciones mutuamente contradictorias
acerca de una población para determinar cuál afirmación es apoyada de mejor
manera por los datos de la muestra. Un resultado es estadísticamente significativo
cuando el estadístico de muestra es lo suficientemente inusual en relación con la
hipótesis nula como para que podamos rechazar la hipótesis nula para toda la
población. “Lo suficientemente inusual” en una prueba de hipótesis se define por:

 El supuesto de que la hipótesis nula es verdadera (las gráficas se centran en

el valor de la hipótesis nula).
 El nivel de significancia (¿qué tan lejos dibujamos la línea de la región
crítica?)
 Nuestro estadístico de muestra (¿se encuentra dentro de la región crítica?)

Tenga en cuenta que no existe un nivel de significancia mágico que distinga entre
los estudios en los que tenemos un efecto real y aquellos en los que no con 100%
de precisión. Los valores comunes de alfa de 0.05 y 0.01 se basan simplemente en
la tradición. Para un nivel de significancia de 0.05, espere obtener medias de la
muestra en la región crítica el 5% de las veces cuando la hipótesis nula sea
verdadera. En esos casos, usted no sabrá que la hipótesis nula es verdadera, pero la
rechazará porque la media de la muestra se encuentra en la región crítica. ¡Por eso
es que el nivel de significancia también se conoce como una tasa de error!

Este tipo de error no implica que el experimentador haya hecho algo mal ni

requiere ninguna otra explicación inusual. Las gráficas muestran que, cuando la
hipótesis nula es verdadera, es posible obtener estas medias de muestra inusuales
sin que haya alguna otra razón que no sea el error de muestreo aleatorio. Es solo
cuestión de suerte.

Los niveles de significancia y los valores p son herramientas importantes que le

ayudan a cuantificar y controlar este tipo de error en una prueba de hipótesis. Al
usar estas herramientas para decidir cuándo rechazar la hipótesis nula, aumenta la
probabilidad de tomar la decisión correcta.

La noción de potencia estadística
Una noción misteriosa en Estadística es la noción de potencia. Pero es una noción muy
importante que conviene delimitar con mucha precisión.

En un proceso de decisión entre dos estados posibles, como ocurre en Estadística en el

contraste de hipótesis, siempre podemos cometer dos errores diferentes y, también,
como contrapartida, dos aciertos diferentes. Veamos el siguiente gráfico:
Una cosa es nuestra elección y otra cosa distinta es lo que es cierto. Como es una
tabla de dos por dos, hay cuatro situaciones posibles. Dos de acierto y dos de
error.

El error de tipo I es el denominado nivel de significación. Este error lo fijamos

nosotros y normalmente se elige el valor de 0.05. Recordemos que el contraste
consiste en elegir una zona de la distribución del estadístico de test usado para el
contraste que tenga esa baja probabilidad bajo la H 0 y que esté en una zona donde
pese mucho la H1. El criterio de decisión es, entonces, el siguiente: Si el valor del
estadístico de test cae en esa zona nos inclinaremos por rechazar la Hipótesis nula,
de lo contrario no la rechazaremos, la mantendremos.

El error de tipo II, por el contrario, no está prefijado. La distribución del estadístico
de test tiene una dispersión muy distinta dependiendo de la dispersión de la
variable estudiada y del tamaño de muestra; o sea, dependiendo del Error estándar.
Pero esa distribución será distinta según sea cierta la Hipótesis nula o lo sea la
Hipótesis alternativa. Y, además, esas distribuciones al aumentar el tamaño de
muestra con la que nos basamos para tomar decisiones, van segregándose, van
separándose más. Esto hace cambiar el error de tipo II porque al optar por
mantener la Hipótesis nula la probabilidad de que la Hipótesis alternativa sea cierta
se reduce muchísimo. En definitiva, el error de tipo II viene dado por las
condiciones concretas del test. Al tratar con muestras pequeñas el Error estándar es
alto y las distribuciones bajo la Hipótesis nula y bajo la Hipótesis alternativa se
solapan mucho. Sin embargo, al tratar con muestras grandes el Error estándar se
reduce mucho y esas misma distribuciones se separan y es más factible tomar
decisiones con menos posibilidades de error de tipo II.

La potencia es el complementario de ese error de tipo II. Potencia más Error de tipo
II suman 1 ó, en tanto por ciento, suman 100. Por lo tanto, minimizar el error de
tipo II supone, automáticamente, maximizar la Potencia.