Introducción

La prueba de hipótesis comienza con una suposición, llamada hipótesis, que hacemos acerca de
un parámetro de población. Después recolectamos datos de muestra, producimos estadísticas
muestrales y usamos esta información para decidir qué tan probable es que nuestro parámetro de
población hipotético sea correcto. Digamos que suponemos un cierto valor para una media de
población. Para probar la validez de esa suposición recolectamos datos de muestra y
determinamos la diferencia entre el valor hipotético y el valor real de la media de la muestra.
Después juzgamos si la diferencia obtenida es significativa o no. Mientras más pequeña sea la
diferencia, mayor será la probabilidad de que nuestro valor hipotético para la media sea correcto.
Mientras mayor sea la diferencia, más pequeña será la probabilidad.

Desafortunadamente, la diferencia entre el parámetro de población hipotético y la estadística real

rara vez es tan grande que rechacemos automáticamente nuestra hipótesis o tan pequeña que la
aceptamos con la misma rapidez. Así, en las pruebas de hipótesis como en la mayoría de las
decisiones importantes de la vida real, las soluciones claras o bien definidas son la excepción, no
la regla.
Supongamos que una administradora de un gran centro comercial nos dice que la eficiencia de
trabajo promedio de sus empleados es de al menos 90%. ¿Cómo podemos probar la validez de su
hipótesis?
Utilizando los métodos de muestreo aprendidos en el capítulo 6, podríamos calcular la eficiencia
de una muestra de sus empleados. Si hiciéramos esto y el estadístico de la muestra resultara ser
95%, aceptaríamos sin demora la afirmación de la administradora. Sin embargo, si el estadístico
de la muestra resultara ser el 46%, rechazaríamos su afirmación por falsa. Podemos interpretar
estos dos resultados, 95 y 46%, si utilizamos el sentido común.
Ahora supongamos que nuestro estadístico revela una eficiencia del 88%. Este valor es
relativamente cercano al 90%. Pero, ¿es suficientemente cercano para que aceptemos como
correcta la hipótesis de la administradora? Ya sea que aceptemos o rechacemos su hipótesis, no
podemos estar absolutamente seguros de que nuestra decisión es correcta; por consiguiente,
tendremos que aprender cómo manejar la incertidumbre en nuestra toma de decisiones. No
podemos aceptar o rechazar una hipótesis sobre un parámetro de población sólo por

1
intuición. Más bien, necesitamos aprender cómo decidir objetivamente si aceptamos o
rechazamos una corazonada, con base en la información de la muestra.

Conceptos básicos en el procedimiento de prueba de hipótesis

Problema del complejo deportivo
Antes de introducir los términos y procedimientos estadísticos formales,
analizaremos completamente nuestro problema del complejo deportivo que abre el
capítulo. Recordemos que es necesario que las láminas de aluminio del techo
tengan un grosor de 0.04 pulg y que serán insatisfactorias si resultan demasiado
gruesas o demasiado delgadas. El contratista toma una muestra de 100 láminas y
determina que el grosor medio de la muestra es 0.0408 pulg. Con base en su
experiencia, sabe que la desviación estándar de la población es 0.004 pulg. ¿Esta
evidencia de muestra indica que el lote de 10,000 láminas de aluminio es adecuado
para construir el techo del nuevo complejo deportivo?

Formulación de hipótesis

2
 Interpretación de la probabilidad asociada con esta diferencia

El papel del tomador de decisiones en la formulación de hipótesis

En este caso, la diferencia entre la media de la muestra y la media hipotética de la
población es demasiado grande, y la probabilidad de que la población produzca una
muestra aleatoria semejante es demasiado baja. Por qué esta probabilidad de 4.5% es
demasiado baja, o errónea, es un juicio que deben hacer los tomadores de decisiones. Ciertas
situaciones demandan que los tomadores de decisiones estén muy seguros respecto a las
características de los elementos que se están probando, y en ese caso incluso 2% es demasiado
alto para ser atribuible al azar. Otros procesos permiten una libertad o variación más amplia, y el

3
tomador de decisiones puede aceptar una hipótesis con una probabilidad del 4.5% de variación
aleatoria. En cada situación, es necesario determinar los costos resultantes de tomar una decisión
incorrecta y el nivel preciso de riesgo que estamos dispuestos a correr.

Riesgo de rechazo
En nuestro ejemplo, rechazamos el argumento de la compañía de techos de aluminio que dice
que la media de la población es 0.04 pulg. Pero, supongamos por un momento que la media de la
población fuera realmente 0.04 pulg. Si nos atuviéramos a nuestra regla de rechazo de dos o más
errores estándar (la probabilidad del 4.5% o menos en las colas de la figura 8-1), rechazaríamos
un lote de láminas de aluminio en perfectas condiciones 4.5% de las veces. En consecuencia,
nuestro estándar mínimo para una probabilidad aceptable, 4.5%, también es el riesgo que
corremos de rechazar una hipótesis que es cierta. En ésta o cualquier otra toma de
decisiones, no puede haber transacciones libres de riesgo.

4
Prueba de Hipótesis

5
 Interpretación del nivel del Significancia

Objetivo de la prueba de Hipótesis

El propósito de la prueba de hipótesis no es cuestionar el valor calculado del estadístico de
la muestra, sino hacer un juicio respecto a la diferencia entre ese estadístico y un parámetro
hipotético de la población. El siguiente paso después de establecer las hipótesis nula y
alternativa, entonces, consiste en decidir qué criterio utilizar para confirmar si se acepta o se
rechaza la hipótesis nula.

Función del nivel de significancia

¿Qué pasa si probamos una hipótesis con 5% de nivel de significancia? Esto quiere decir que
rechazaremos la hipótesis nula si la diferencia entre el estadístico y el parámetro hipotético de la
población es tan grande que ésta u otra diferencia mayor ocurrirá, en promedio, sólo cinco o
menos veces en cada 100 muestras, cuando el parámetro hipotético de la población es correcto.
Si suponemos que la hipótesis es correcta, entonces el nivel de significancia indicará el
porcentaje de medias muestrales que está fuera de ciertos límites. (Recuerde que en
estimación, el nivel de confianza indicaba el porcentaje de medias muestrales que caían dentro
de los límites de confianza definidos.)

6
Área en la que no existe una diferencia significativa

7
También llamada área de aceptación de la Hipótesis Nula
La figura 8-3 examina este mismo ejemplo de otra manera. Aquí, 0.95 del área bajo la curva cae
en la región donde aceptaríamos la hipótesis nula. Las dos partes sombreadas bajo la curva, que
representan un total del 5% del área, son las regiones donde rechazaríamos la hipótesis nula.

Las hipótesis son aceptadas no rechazadas.

Resulta conveniente hacer una advertencia en este punto. Aunque el estadístico de la figura 8-3
cae en la región no sombreada (la región que comprende 95% del área bajo la curva), esto no
prueba que nuestra hipótesis nula (Ho) sea cierta; simplemente no nos proporciona
evidencia estadística para rechazarla. ¿Por qué? Porque la única forma en que puede aceptarse
la hipótesis con seguridad es que conozcamos el parámetro de población y, desafortunadamente,
esto no es posible. Por consiguiente, siempre que afirmemos que aceptamos la hipótesis nula, en
realidad lo que queremos decir es que no hay suficiente evidencia estadística para rechazarla. El
empleo del término aceptar, en vez de no rechazar, se ha convertido en el estándar. Significa
simplemente que cuando los datos de la muestra no hacen que rechacemos una hipótesis
nula, nos comportamos como si esa hipótesis fuera cierta.

8
Selección de un nivel de significancia
Trueque al escoger un nivel de significancia:
No existe un nivel de significancia único estándar o universal para probar hipótesis. En algunos
casos, se utiliza un nivel de significancia del 5%. Ciertos resultados de investigaciones
publicados a menudo prueban hipótesis para un nivel de significancia del 1%. Es posible probar
una hipótesis a cualquier nivel de significancia. Pero recordemos que nuestra elección del
estándar mínimo para una probabilidad aceptable, o el nivel de significancia, es también el riesgo
que corremos al rechazar una hipótesis nula cuando es cierta. Cuanto más alto sea el nivel de
significancia que utilizamos para probar una hipótesis, mayor será la probabilidad de
rechazar la hipótesis nula cuando es cierta.

9
10
11