Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El contraste de hipótesis pretende determinar qué probabilidad hay de que, observada una
determinada característica de una muestra, el valor de esa característica en la población
coincida con el valor hipotetizado.
Si lanzo una moneda 100 veces y me salen 62 caras, podríamos preguntarnos si esa moneda
está trucada. Sabemos que la probabilidad de que salga cara es del 0.5, pero ha salido un 0.62
¿cuánto de posible es eso? ¿Es fruto del azar o está trucada?
Para resolver esta pregunta tenemos que preguntarnos cuánto de posible es que esto haya
ocurrido, y para ello tenemos que fijarnos en el error tipo I o nivel de significación, es decir,
cuánto riesgo quiero asumir. En este ejemplo vamos a asumir que quiero equivocarme solo en
un 5% de las veces.
Miramos cuánto de probable es que salgan 62 caras. Si es muy poco probable, asumiremos
que la moneda está trucada, mientras que si está dentro de lo esperable diremos que no lo
está. Para esto, fijamos una zona de aceptación y una zona de rechazo. Pongamos que, en una
curva normal que salgan 40 caras se corresponde al 5% de probabilidades en el límite inferior,
y 60 en el límite superior. Lo que hemos construido entre el 40 y el 60 es lo que se conoce
como zona de aceptación (verde) y lo de fuera, zona de rechazo (rojo).
Nosotros habíamos obtenido 62 caras, está en la zona de rechazo, diríamos que es muy poco
probable (por debajo del 5%) y que, por tanto, la moneda está trucada.
Yo creo saber que esta es la media, pero como nosotros no podemos acceder a toda la
población universitaria, tenemos que registrar un valor en la muestra. Selecciono una muestra
aleatoria de 300 estudiantes y veo que es de 108. Entonces, al haber obtenido un CI de 108,
¿puedo afirmar que mi hipótesis es cierta o es falsa? Para responder a esta pregunta, como en
el ejemplo anterior, tenemos que ver cómo de diferente es 108 de 110 en términos
probabilísticos.
Dice una frase al final que, o está mal, o no la entiendo: hay un 95% de probabilidad de que,
aún siendo el valor medio de 110, yo encuentre un nivel de 108 en una muestra de 300
estudiantes
Hipótesis: el nivel medio de síntomas de depresión será menor entre los pacientes que reciben
tratamiento psicológico y los que reciben tratamiento farmacológico.
Valor en la muestra: el nivel medio de síntomas en una muestra que ha recibido tratamiento
psicológico es dos puntos inferior que el de la muestra con tratamiento farmacológico.
¿podemos afirmar que el tratamiento psicológico es más efectivo que el farmacológico?
Contraste de hipótesis: encuentro que la probabilidad de que, habiendo obtenido ese valor en
la muestra (2), la diferencia en la población (no) sea la hipotetizada* (0) (la hipótesis nula, que
no haya diferencias), es de .01. Esto no está dentro de lo esperable como fruto del azar, por lo
que puedo decir que sí hay diferencias significativas entre ambos tratamientos.
La hipótesis es verdadera.
*Él dice que la diferencia SEA la hipotetizada (0)… pero esto creo que está mal, porque lo que
hemos hipotetizado es que va a ser mejor el psicológico, es decir, que la diferencia será
distinta de 0
Hipótesis estadística: la media de síntomas de depresión será menor en los pacientes que
reciben tratamiento psicológico que los que reciben tratamiento farmacológico.
Para contrastar una hipótesis científica es necesario formular dos hipótesis estadísticas:
- Hipótesis nula (H0): es la que se somete a contraste (afirmación sobre la forma de una o
más distribuciones de probabilidad o sobre el valor de algún/os parámetro/s de esa
distribución). Signo = (diferencia nula entre parámetros).
- Hipótesis alternativa (H1): es la negación absoluta de la HO, incluye todo lo que excluye la
H0. La media de síntomas de depresión será menor en los pacientes que reciben
tratamiento psicológico que los que reciben tratamiento farmacológico.
Esto tiene sentido, porque nosotros hacemos hipótesis que queremos contrastar, para
movernos en valores que son muy poco probables que ocurran. De hecho, si se acepta la
hipótesis nula, nunca podremos afirmar que las medias son iguales, pero si se rechaza si que
podemos hacerlo.
La regla de decisión determina para qué valores del estadístico de contraste aceptamos la H0 y
para cuales la rechazamos (aceptamos la H1). Los valores del estadístico de contraste que
rechazan la H0 son aquellos altamente improbables, si el valor de la H0 (0) fuera verdadero.
- La zona de aceptación: intervalo de valores del estadístico para los que aceptamos la
hipótesis nula
- La zona de rechazo: intervalo de valores del estadístico para los que rechazamos la H0 y
aceptamos la H1
Como criterio general se asume que la zona de rechazo recoge aquellos valores que tienen una
probabilidad menor que .05. Por tanto, si la probabilidad de que el estadístico de contraste
tome el valor hallado en la muestra es menor que .05 (p< .05) rechazamos la hipótesis nula.
Errores:
- Error tipo I (o alfa): la zona de rechazo no recoge valores imposibles, sino valores
altamente improbables (p<.05). Por tanto, existe una pequeña posibilidad de que
rechacemos la hipótesis nula siendo verdadera
- Error tipo II (o beta): la zona de aceptación recoge valores que son muy probables
siendo verdadera H0, pero que también son posibles siendo verdadera la H1. Por
tanto, también podemos equivocarnos aceptando la hipótesis nula y que sea falsa
VIDEOPÍLDORA 3: DISEÑOS
Vamos a ver cómo clasificamos los diseños experimentales con los que vamos a trabajar
Dependiendo del número de variables independientes, vamos a tener un tipo de diseño u otro:
- Una muestra: no existe una variable independiente, solo queremos ver qué pasa con
una variable. Ej: cuál es el CI de los españoles
- Unifactoriales: solo hay una VI
o Dos muestras: si hay diferencias de CI (VD) entre hombres y mujeres (VI es
género)
o Más de dos muestras: si hay diferencias de CI entre los 4 cursos de psicología
(VI es curso)
- Factoriales: dos o más VIs. Ej: si hay diferencias de CI según el género y el curso
Ejemplos:
2. Dos medias
Medidas independientes o completamente aleatorizadas:
Queremos conocer si el nivel de burnout entre los trabajadores difiere según el cargo
que ocupan. Para ello, vamos a comparar a los líderes con los subordinados.
Hay una VI o factor (posición laboral) con dos niveles (líderes y subordinados) y una VD
(nivel de burnout).
Hipótesis:
Hipótesis:
3. ANOVA unifactorial
Queremos conocer si el nivel de burnout entre los trabajadores difiere según el cargo
que ocupan. Para ello, vamos a comparar a cargos bajos, medios y altos.
Hipótesis: OJO!!!
4. ANOVA bifactorial
Medidas independientes o completamente aleatorizadas:
Queremos conocer si el nivel de burnout entre los trabajadores difiere según el cargo y
el género. Para ello, vamos a comparar el nivel de burnout entre los lideres hombre y
mujeres con el nivel de burnout de los subordinados hombres y mujeres. Comparamos
cuatro grupos.
Mixto:
Uno de los contrastes más comunes en psicología tiene que ver con el nivel medio de una
variable para una población concreta. Ej: queremos saber si nivel medio de depresión en
población adolescente es alto (>3)
Ejemplo en SPSS:
Queremos ver el nivel de depresión en una muestra de trabajadores para poner en marcha un
programa de apoyo o no.
H0: µ ≤ 3
H1: µ > 3
En la primera tabla, vemos que la media es mayor que tres, pero no sabemos si es lo
suficientemente alta como para poder afirmar que es fruto del azar o no. Tenemos que
encontrar valores para rechazar la H0 que sean poco probables. En la siguiente tabla podemos
ver la diferencia entre las medias (3,3773 -3). La t sería el estadístico de contraste, al cual se le
asigna una probabilidad de .000 (sig. bilateral). Esta probabilidad es inferior a alfa .05 (p<α),
por lo que rechazamos la hipótesis nula y aceptamos la alternativa.
En la primera tabla encontramos estadísticos descriptivos que no nos sirven para tomar
decisiones, pero nos sirven para orientarnos.
En la segunda tabla, tenemos que fijarnos en donde pone prueba de Levene de igualdad de
varianzas. Vemos que el estadístico tiene una probabilidad menor que .05, por lo que
rechazamos la hipótesis de igualdad de varianzas y al rechazarla nos tenemos que fijar en la
parte de la tabla donde pone que no se asumen varianzas iguales (si hubiera sido mayor que .
05 nos fijaríamos en la fila superior).
Miramos la segunda tabla, la sig. bilateral es <.05, por lo que rechazamos la hipótesis nula.
VIDEOPÍLDORA 5: ANOVA
La prueba t solo nos permite comparar dos medias (la media de la muestra – la media de la
población) y trabaja con una sola VI con dos niveles y una VD.
En este caso, con el análisis de varianza o ANOVA podemos contrastar hipótesis sobre
diferencias de medias de más de dos muestras independientes a la vez (comparamos varias
medias). También podemos analizar la influencia de más de una VI sobre una VD (ANOVA
bifactorial).
Ejemplo: queremos comprobar si la medida de Cansancio Emocional depende del estado civil
de los sujetos (casados, solteros y divorciados)
Como podemos ver en la tabla, en la casilla de Sig. p<.05., rechazamos la H0, hay diferencias
entre al menos dos grupos. En la ECOE podemos encontrarnos la tabla o simplemente el valor
de F y de p, en cualquier caso, solo tenemos que fijarnos en que p sea mayor o menor que .05.
Cuando el ANOVA nos sale significativo, tenemos que ver entre qué grupos existen diferencias
a través de las pruebas post hoc que comparan cada grupo con cada grupo. Otra vez,
únicamente nos tenemos que fijar en Sig. y vemos que solo hay diferencias entre soltero y
casado.
Ahora, una vez que sabemos entre qué grupos hay diferencias, podemos mirar la columna de
diferencia de medias para saber qué grupo tiene más cansancio emocional. Si el signo de la
diferencia es positivo, quiere decir que los solteros tienen más cansancio emocional que los
casados; si fuera negativo, serían los casados los que tendrían más cansancio emocional
Dato curioso: ha dicho que esto es super importante y en el segundo simulacro solo hemos
hecho ejercicios de estos