Contraste de Hipótesis

Contraste de hipótesis
3.1. La lógica del contraste de hipótesis.

3.1 .1. Las hipótesis estadísticas.
3.1 .2. Los supuestos.
3.1 .3. El estadístico de contraste.
3.1.4. La regla de decisión.
3.1 .5. La decisión.
3.2. Errores de tipo 1 y 11.
3.3. Potencia de un contraste.
3.4. Nivel crítico y tamaño del efecto.
3.5. Contrastes bilaterales y unilaterales.
3.6. Estimación por intervalos y contraste de hipótesis.
Apéndice 3.
Curva de potencias.
Efecto del tamaño de la muestra sobre la potencia.
Ejercicios.
Debemos comenzar recordando que el objetivo último del análisis de datos es el
de extraer conclusiones de tipo general a partir de unos pocos datos particulares. Es
decir, el de extraer conclusiones sobre las propiedades de una población a partir de
la información contenida en una muestra procedente de esa población. Ya hemos
señalado que este salto de lo concreto (la muestra) a lo general (la población) se
conoce con el nombre de if!ferencia estadística.
Al comienzo del capítulo anterior hemos hecho referencia a dos formas básicas
de inferencia estadística: la estimación de parámetros y el contraste de hipótesis.
Hemos estudiado en ese capítulo lo relativo a la estimación de parámetros, a la que
hemos caracterizado como el proceso consistente en asignar a las propiedades
desconocidas de una población las propiedades conocidas de una muestra extraída
de esa población. En este capítulo vamos a centrar nuestra atención sobre el
contraste de hipótesis, al que podemos comenzar refiriéndonos como un proceso
mediante el cual se trata de comprobar si una afirmación sobre alguna propiedad
poblacional puede ser sostenida a la luz de la información muestra) disponible.
En realidad, el contraste de hipótesis puede ser entendido como un método de
toma de decisiones: un contraste de hipótesis, también llamado prueba de significa-
ción o prueba estadística, es un procedimiento que nos permite decidir si una
proposición acerca de una población puede ser mantenida o debe ser rechazada.
Como tal, el contraste de hipótesis debe ser ubicado en el propio corazón del
método científico, formando parte esencial del mismo. Las líneas que siguen aclaran
esta idea.
En la investigación psicológica o de otro tipo, es frecuente encontrarse con
problemas de conocimiento (ciertamente, no todos igual de relevantes) surgidos a
partir de conocimientos ya existentes o a partir de la observación de nuevas
situaciones: ¿produce el estímulo a tiempos de reacción más cortos que el estímu-
lo b? ¿Es la técnica terapéutica a más apropiada que la b para aliviar los síntomas de
los pacientes depresivos? ¿Son los sujetos que se sienten inseguros más agresivos
que los que se sienten seguros? ¿Rinden los sujetos motivados mejor que los no
motivados? ¿Qué tipo de interacción entre los miembros de un grupo favorece más
la eficacia en la resolución de los problemas? ¿Difieren los varones y las mujeres en
inteligencia?, etc. Estos interrogantes son sólo un pequeño ejemplo de la multitud
de problemas que se generan en la investigación psicológica. Tales interrogantes
surgen, en general, en el seno de una teoría que intenta dar cuenta de alguna
© Ediciones Pirámide
128 / Análisis de datos en psicología 11
parcela de la realidad y se plantean con la intención de cubrir alguna laguna

concreta de conocimiento que esa teoría no cubre o para corroborar una parte o el
total de esa teoría.
Surgido el problema, el paso siguiente consiste en aventurar algún tipo de
solución al mismo. Esta solución provisional suele tomar forma de afirmación
directamente verificable (es decir, empíricamente contrastable; de no ser así, nos
moveríamos en el terreno de la especulación y no en el de la ciencia) en la que se
establece de forma operativa el comportamiento de la variable o las variables
involucradas en el problema. Esa afirmación verificable recibe el nombre de
hipótesis cient(fica (ver Pereda, 1987, capítulo 5). Así, ante la pregunta (problema de
conocimiento) «¿difieren los varones y las mujeres en inteligencia?», podríamos
aventurar la hipótesis de que «los varones y las mujeres no difieren en inteligencia».
Por supuesto, deberíamos definir con precisión (operativamente) qué entendemos
por «inteligencia» y cómo medirla. Sólo entonces nuestra afirmación sería una
hipótesis científica.
Hecho esto, estaríamos ya en condiciones de iniciar el proceso de verificación de
esa hipótesis. Y el proceso de verificación habitualmente utilizado en las ciencias
empíricas sigue los pasos que en este capítulo vamos a describir bajo la denomina-
ción de contraste de hipótesis 1 •
3.1. La lógica del contraste de hipótesis
El primer paso del proceso de verificación de una hipótesis consiste en formular

estadísticamente la hipótesis cient(fica que se desea contrastar; es decir, en transfor-
mar la hipótesis científica en hipótesis estadística. Esto supone que una hipótesis
científica puede ser formulada en términos de la forma de una o varias distribucio-
nes poblacionales, o en términos del valor de uno o más parámetros de esa o esas
distribuciones. Así, por ejemplo, la hipótesis científica «los varones y las mujeres no
difieren en inteligencia» podría formularse, en términos estadísticos, de la siguiente
manera: µv = µm; es decir: en la población de varones, el promedio µ de la
distribución de la variable inteligencia es igual al promedio µ de esa misma
distribución en la población de mujeres.
Formulada la hipótesis estadística, el segundo paso del proceso de verificación
consiste en buscar evidencia empírica relevante capaz de informar sobre si la hipótesis
establecida es o no sostenible. Esto, en general, no resulta demasiado complicado de
1 Por supuesto, no todas las hipótesis científicas requieren de la utilización del contraste de hipótesis
para ser verificadas. Recordemos a este respecto lo dicho en la introducción sobre los fenómenos
deterministas y aleatorios. Una afirmación del tipo «este sujeto posee una inteligencia superior a la
media» puede ser verificada simplemente observando a ese sujeto. Sin embargo, una afirmación del tipo
«las personas radicales poseen un nivel intelectual superior a la media» no puede ser verificada
recurriendo a la observación: dificilmente podríamos observar a todas las personas radicales. Es
justamente en las situaciones en las que no tenemos acceso a todos los elementos de la población donde
se hace necesario recurrir a la inferencia estadística (y, por tanto, al contraste de hipótesis) para poder
verificar una hipótesis científica.
Contraste de hipótesis / 129
conseguir: parece razonable pensar que, si una hipótesis concreta referida a una
distribución poblacional es correcta, al extraer una muestra de esa población
debemos encontrarnos con un resultado muestra) similar al que esa hipótesis
propone para la distribución poblacional. O lo que es lo mismo: una hipótesis será
compatible con los datos empíricos cuando a partir de ella sea posible deducir o
predecir un resultado muestra! (un estadístico) con cierta precisión.
Supongamos que nuestra hipótesis consiste en afirmar que los varones y las
mujeres no difieren en inteligencia. En términos estadísticos: µv = µm. Si nuestra
hipótesis es correcta, debemos esperar que, al extraer una muestra aleatoria de la
población de varones y otra de la de mujeres, las medias observadas X v y X m en
inteligencia sean similares. Una discrepancia importante entre la afirmación pro-
puesta en nuestra hipótesis y el resultado muestral encontrado puede estar indicado
dos cosas diferentes: bien nuestra hipótesis es correcta y la discrepancia observada
es producto de fluctuaciones esperables por azar; bien nuestra hipótesis es incorrec-
ta y, por tanto, incapaz de proporcionarnos predicciones acertadas. La cuestión
clave que se nos plantea en ese momento es la de determinar cuándo la discrepancia
encontrada es lo bastante grande como para poder considerar que el resultado
muestral observado es incompatible con la hipótesis formulada y, en consecuencia,
para hacernos pensar que esa discrepancia encontrada no es explicable por fluctua-
ciones debidas al azar sino por el hecho de que la hipótesis planteada es incorrecta.
Necesitamos, y este es el tercer paso del proceso, una regla de decisión. Y esa
regla de decisión debe establecerse en términos de probabilidad. Si en el ejemplo
planteado sobre la inteligencia de los varones y de las mujeres pudiéramos trabajar
con las poblaciones completas de varones y mujeres (es decir, si pudiéramos medir
la inteligencia de todos los varones y todas las mujeres), no tendríamos que recurrir
a la teoría de la probabilidad porque tampoco sería necesario efectuar ningún tipo
de contraste de hipótesis: conoceríamos los valores de µ,, y µm, y sabríamos si son
iguales o no. Pero la necesidad de trabajar con muestras en lugar de poblacio-
nes nos obliga a establecer una regla de decisión en términos de probabilidad.
Ahora bien, el número de reglas de decisión que podemos establecer en una
situación particular es casi ilimitado. Por supuesto, unas reglas serán mejores o más
útiles que otras y, probablemente, ninguna de ellas será lo bastante buena como
para resultar de utilidad en todo tipo de situaciones. Afortunadamente, la teoría de
la decisión se ha encargado de proporcionarnos unos cuantos principios elementales
que podemos trasladar al contexto del contraste de hipótesis. En general, la regla de
decisión que utilizaremos será una afirmación de este tipo: si el resultado muestral
observado es, suponiendo correcta nuestra hipótesis, muy poco probable, considera-
remos que nuestra hipótesis es incompatible con los datos; por el contrario, si el
resultado muestral observado es, suponiendo correcta nuestra hipótesis, probable,
consideraremos que nuestra hipótesis es compatible con los datos 2 •
Imaginemos que deseamos averiguar si un psicólogo posee o no la capacidad de
detectar, por medio de la escritura, la presencia de trastornos de tipo neuróti\:O.
2 Sobre el significado de los términos probable y poco probable volveremos más adelante.
Podemos formular Ja hipótesis de que «el psicólogo no posee tal capacidad». Si

nuestra hipótesis es correcta, al presentar al psicólogo un par de muestras de
escritura, una perteneciente a un sujeto con trastorno y otra perteneciente a uno sin
trastorno, cabe esperar que éste responda al azar (repetimos: si nuestra hipótesis es
correcta), por Jo que Ja probabilidad de que acierte será de 0,5. Por el contrario, si
nuestra hipótesis es incorrecta (y, por tanto, el psicólogo sí posee Ja mencionada
capacidad), al presentarle el mismo par de muestras de escritura, Ja probabilidad de
que acierte será mayor de 0,5 (es decir, mayor que Ja probabilidad de acertar por
azar). Según esto, podemos plantear Ja siguiente hipótesis estadística: 7racierto ~ 0,5
(es decir, el psicólogo no posee Ja capacidad de diagnosticar a través de Ja escritura).
Para someter a contraste esa hipótesis podemos presentar, en Jugar de un par de
muestras de escritura, 10 pares. Si nuestra hipótesis es correcta, debemos encontrar-
nos con no más de 5 aciertos (es decir, con no más de los esperables por azar). Si
nuestra hipótesis es incorrecta debemos encontrarnos con un número de aciertos
superior a 5 (es decir, con más de Jos esperables por azar). En consecuencia, un
número de aciertos de 5 o menos, nos llevará a pensar que Ja hipótesis planteada es
compatible con Jos datos y a concluir que el psicólogo no posee Ja capacidad de
diagnosticar a partir de la escritura. Por el contrario, un número de diagnósticos
correctos superior a 5 nos llevará a pensar GUe Ja hipótesis planteada es incompati-
ble con Jos datos y a concluir que el psicólogo sí posee esa capacidad (pues si
7raciertos ~ 0,5 es una afirmación incorrecta, entonces Ja afirmación correcta debe ser
7raciertos > 0,5) 3 ·
Así pues. resumiendo:
Un contraste de /1ipútesis es un proceso de decisión en el que una hipótesis

formulada en términos estadísticos es puesta en relación con los datos
empíricos para determinar si es o no compatible con ellos.
Acabamos de exponer la lógica general de ese proceso. Ahora vamos a profundi-

zar en esa lógica estudiando más detalladamente cada uno de Jos pasos de que
consta ese proceso 4 .
3 Aunque este razonamiento será matizado más adelante, puede servirnos como primera aproxima-
ción a la lógica del contraste de hipótesis.
4 En la inferencia estadística no existe un único punto de vista. Es frecuente encontrarse con la
distinción entre el enfoque clásico, en el que se considera que la única información disponible sobre la
población es la contenida en la muestra, y el enfoque bayesiano, en el que, además de la información
muestra!, se hace uso de conocimientos previos. Las ideas sobre el contraste de hipótesis, tal como va ser
expuesto aquí, introducidas inicialmente por Ronald A. Fisher en varios trabajos (1925, entre otros) y
consolidadas más tarde por Neyman y Pearson (1932, 1933), deben ser enmarcadas dentro del enfoque
clásico.
3.1.1. Las hipótesis estadísticas

Una hipótesis estadística es una afirmación sobre una o más distribuciones de
probabilidad; más concretamente, sobre la forma de una o más distribuciones de
probabilidad, o sobre el valor de uno o más parámetros de esas distribuciones.
Las hipótesis estadísticas se suelen representar por la letra H seguida de una
afirmación que da contenido a la hipótesis:
H: la variable X se distribuye normalmente con µ = 100 y a = 15
H: n = 0,5
H: µ ~ 30
H: Mdn 1 #- Mdn 2
H: µ1 = µi = µ3 = µ4
En general, una hipótesis estadística surge a partir de una hipótesis científica.
Pero entre una hipótesis científica y una hipótesis estadística no existe una corres-
pondencia exacta. La primera proporciona la base para la formulación de la
segunda, pero no son la misma cosa. Mientras una hipótesis científica se refiere a
algún aspecto de la realidad, una hipótesis estadística se refiere a algún aspecto de
una distribución de probabilidad. Esto significa, por ejemplo, que la expresión
µ,. = µm que hemos presentado anteriormente no es la única formulación estadística
posióle de la hipótesis científica «los varones y las mujeres no difieren en inteligen-
cia». En lugar del promedioµ, podríamos utilizar el promedio Mdn y establecer esta
otra formulación estadística: Mdn,. = Mdnm. Y todavía podríamos transformar esa
hipótesis científica en hipótesis estadística utilizando otras estrategias; por ejemplo:
F,,(x) = F m(x), es decir, Ja función de distribución de la variable X = «inteligencia»
es la misma en la población de varones y en la población de mujeres. Lo cual signifi-
ca que, dado un valor cualquiera de la distribución de la variable inteligencia, el
número de sujetos que hay por debajo de ese valor en la población de los varones es
el mismo que el número de sujetos que hay por debajo de ese valor en la población
de las mujeres (lo que implica que los varones y las mujeres no difieren en
inteligencia).
Vemos, por tanto, que existen varias formas diferentes de expresar estadística-
mente una hipótesis científica concreta. A lo largo de este capítulo y de los que
siguen estudiaremos qué hipótesis estadísticas podemos plantear, cómo debemos
plantearlas y a qué tipo de hipótesis científicas corresponden. De momento, basta
con saber que el primer paso en el proceso de verificación de una hipótesis consiste
en formular en términos estadísticos la afirmación contenida en la hipótesis
científica que se desea verificar.
Dicho esto, es necesario advertir que, aunque hasta ahora hemos venido
proponiendo ejemplos en los que hemos formulado una sola hipótesis, lo cierto es
que todo contraste de hipótesis se hasa en la formulaci<'in de dos hipótesis:
l. La hipótesis 1111/a. representada por H 0 •

2. La hipótesis alternatirn. representada por H 1 •
l · Edu.:mne~ P1ram1de
La hipótesis nula H 0 es Ja hipótesis que se somete a contraste. Consiste

generalmente en una afirmación concreta sobre Ja forma de una distribución de
probabilidad o sobre el valor de alguno de los parámetros de esa distribución 5 :
H 0 : La variable X se distribuye normalmente con µ = 100 y u = 15
Ho: 7t1 = 7t2
Ho: µ¡ = µi
H 0 : p =O
H 0 : n = 0,5
La hipótesis alternativa H 1 es Ja negación de Ja nula. H 1 incluye todo Jo que H 0
excluye. Mientras H 0 suele ser una hipótesis exacta (tal cosa es igual a tal otra), H 1
suele ser inexacta (tal cosa es distinta, mayor o menor que tal otra):
H 1 : La variable X no se distribuye normalmente con µ = 100 y u = 15
H1:n1>7t2
H1:µ1<µ2
H 1 : p#O
H 1 : n < 0,5
Cuando en H 1 aparece el signo « # », decimos que el contraste es bilateral o
bidireccional. Cuando en H 1 aparecen Jos signos « < » o « > » decimos que el
contraste es unilateral o unidireccional. Más adelante trataremos detenidamente
esta cuestión.
Las hipótesis nula y alternativa suelen plantearse como hipótesis rivales. Son
hipótesis exhaustivas y mutuamente exclusivas, Jo cual implica que si una es
verdadera, Ja otra es necesariamente falsa. Considerando los ejemplos que hemos
venido comentando, podemos plantear, con Jo que ya sabemos, las siguientes
hipótesis:
a) Ho:µv=µm
H¡: µv "# µm
b) H o: 1tacierto ~ 0,5
H 1: 1tacierto > 0,5.
Las hipótesis a se refieren al ejemplo sobre diferencias en inteligencia entre
varones y mujeres. La hipótesis nula afirma que Jos varones y las mujeres no
difieren en inteligencia; Ja hipótesis alternativa afirma que sí existen diferencias. Son
hipótesis exhaustivas y mutuamente exclusivas. Las hipótesis b se refieren al
ejemplo del psicólogo capaz de diagnosticar a través de Ja escritura. La hipótesis
nula afirma que el psicólogo no posee esa capacidad; la hipótesis alternativa afirma
que sí la posee. También estas dos hipótesis son exhaustivas y mutuamente
exclusivas.
~ El nombre de hipótesis nula para la hipótesis que se somete a contraste se debe a que, cuando se
está trabajando con dos o más parámetros, H 0 suele afirmar que el valor de esos parámetros es el mismo,
es decir, que la diferencia entre ellos es nula.
Conviene no pasar por alto un detalle de especial importancia: el signo « = »,

tanto si va solo (µ. = µm) como si va acompañado (n ~ 0,5), siempre va en la
hipótesis nula. Según hemos dicho, H 0 es la hipótesis que se somete a contraste.
Esto significa que es a partir de la afirmación concreta establecida en H 0 (y la única
afirmación concreta establecida es la que corresponde al signo«=») desde donde se
inicia todo el proceso de contrastación. Es decir, tanto si H 0 es exacta (µ" = µm)
como si es inexacta (n ~ 0,5), todo el proceso de decisión va a estar basado en un
modelo probabilístico construido a partir de la afirmación concreta correspondiente
al signo « = » de H 0 . Ese modelo probabilístico, del que enseguida hablaremos, es
del que nos vamos a servir más tarde para tomar una decisión respecto a H 0
(¡siempre respecto a H 0 !, como veremos repetidamente).
3.1.2. Los supuestos

Para que una hipótesis estadística pueda predecir un resultado muestral con
cierta exactitud es necesario, en primer lugar, que la distribución poblacional con la
que se va a trabajar esté completamente especificada. Por ejemplo, hipótesis del
tipo:
H: La variable X se distribuye normalmente con µ = 100 y u= 15
H: n = 0,5
son hipótesis que especifican por completo las distribuciones poblacionales a las
que hacen referencia. La primera hipótesis define una distribución normal con
parámetros conocidos. La segunda hipótesis permitiría especificar por completo una
distribución binomial una vez establecido el tamaño de la muestra. A este tipo de
hipótesis se les llama simples.
Las hipótesis en las que la distribución poblacional no queda completamente
especificada reciben el nombre de compuestas. Hipótesis del tipo:
H: La variable X se distribuye normalmente con µ = 100
H: n < 0,50
son hipótesis compuestas pues en ninguna de ellas quedan completamente especifi-
cadas las distribuciones poblacionales a las que hacen referencia. La primera
hipótesis define una distribución normal con media conocida pero con varianza
desconocida. La segunda hipótesis, referida a una distribución binomial, no define
una única distribución sino muchas diferentes.
Lo ideal, por supuesto, sería poder plantear, siempre, hipótesis nulas simples,
pues eso nos permitiría definir con precisión la distribución poblacional a partir de
la cual se efectuarán las predicciones muestrales. Pero ocurre que ni los intereses del
investigador se corresponden siempre con el contenido de una hipótesis simple, ni
en todas las situaciones resulta posible formular hipótesis de ese tipo. Esto significa
que, con frecuencia, la hipótesis nula plateada no será simple, sino compuesta. Lo
cual nos obligará a establecer un conjunto de supuestos que, junto con la hipótesis,
permitan especificar por completo la distribución poblacional de referencia. Sólo
entonces será posible predecir con cierta precisión qué es lo que podemos encon-
trarnos al extraer una muestra aleatoria de esa población.
Un ejemplo sencillo nos ayudará a comprender mejor estas ideas. Supongamos
que deseamos contrastar la hipótesis nula H 0 : µ = 30 frente a la alternativa H 1 :
µ -:f. 30. En la hipótesis nula se hace referencia a una distribución poblacional con
media 30, pero nada más; nada sabemos sobre su forma ni sobre su varianza. Para
tomar una decisión respecto al valor de µ necesitamos recurrir a la evidencia
muestral. En concreto, necesitamos extraer una muestra de tamaño n y calcular el
valor de X. Si el valor de X es parecido a 30, diremos que la hipótesis nula
planteada es compatible con los datos. Pero si el valor de X es muy diferente de 30
diremos que la hipótesis nula es incompatible con los datos. Ahora bien, para
decidir cuándo el valor tomado por X es lo bastante parecido a 30 debemos
establecer, según veremos enseguida, una regla de decisión en términos de probabili-
dad. Y, según sabemos ya, para conocer las probabilidades asociadas a los diferen-
tes valores de X debemos servirnos de la distribución muestral de X. Esa distribu-
ción muestral es normal con parámetros µ y u/Jn. Como desconocemos u, pues
nada se ha dicho de ella en la hipótesis, tendremos que estimarla, en cuyo caso la
transformación T = (X - µ)/(S" _ d Jn)
seguirá el modelo de probabilidad t de
Student con n - 1 grados de libertad 6 ; de modo que la transformación T nos
permitirá conocer las probabilidades asociadas a los diferentes valores de X. Ahora
bien, para poder utilizar esa transformación, es decir, para que la transformación T
se distribuya según la t de Student, es necesario que la distribución poblacional de
partida sea normal y que la muestra utilizada para obtener X sea aleatoria. Y dado
que nada de eso está afirmado en H 0 , necesitamos formularlo como supuesto. Sólo
de este modo la distribución poblacional de partida quedará completamente
especificada: se tratará de una distribución normal, con parámetros µ = 30 y u
desconocida pero estimada a partir del valor tomado por sn - 1 en una muestra
aleatoria extraída de esa población. Bajo estas condiciones, la distribución muestral
de X es conocida y, por tanto, susceptible de ser utilizada para tomar una decisión
sobre H 0 en términos de probabilidad.
Otro ejemplo. Recordemos al psicólogo supuestamente capaz de detectar
trastornos de tipo neurótico a través de la escritura. Para verificar si el psicólogo
posee o no esa capacidad, planteábamos las hipótesis estadísticas: H 0 : nacierto ~ 0,5;
H 1 : 1tacierto > 0,5. Y para contrastar estas hipótesis presentábamos al psicólogo 1O
pares de muestras de escritura. Pues bien, si los 1O pares de muestras de escritura se
presentan de forma independiente y en cada presentación sólo hay dos resultados
posibles (acierto-error) con 1tacierto = 0,5 en cada presentación, la variable número de
aciertos tendrá una distribución de probabilidad completamente especificada 7 (la
binomial, con parámetros n = 10 y n = 0,5) y eso nos permitirá poder tomar una
decisión respecto a H 0 en términos de probabilidad.
Vemos, por tanto, que los supuestos de un contraste de hipótesis hacen referen-
6 Puede consultarse, en el capítulo 1, el apartado 1.3.2 sobre la distribución muestra! de la media.
7 Puede consultarse, en el capítulo 1, el apartado 1.3.4 sobre la distribución muestra! de la
proporción.
cia al conjunto de condiciones que deben cumplirse para poder tomar una decisión
sobre la hipótesis nula H 0 basada en una distribución de probabilidad conocida.
Pero ese conjunto de condiciones que hemos necesitado establecer no se refieren
únicamente a la distribución poblacional de partida. También hacen referencia a
ciertas características de los datos muestrales: si la muestra es aleatoria .... si las
presentaciones son independientes ... Esto significa que, para apoyar nuestra decisión
en una distribución de probabilidad conocida, necesitamos, por un lado, especificar
por completo la distribución poblacional a partir de la cual se establecen las
predicciones formuladas en H 0 (normalidad, simetría, etc.) y, por otro, definir las
características de los datos con los que se contrastarán esas predicciones (muestra
aleatoria, nivel de medida, etc).
Resumiendo:
Los supuestos de un contraste de hipótesis son un conjunto de afirmaciones

que necesitamos establecer (sobre la población de partida y sobre la muestra
utilizada) para conseguir determinar la distribución de probabilidad en la que
se basará nuestra decisión sobre H 0 .
Algunos de estos supuestos son más restrictivos o exigentes que otros. Para
contrastar la hipótesis H 0 : µ = 30 del primer ejemplo comentado hemos necesitado
suponer que la distribución poblacional de partida era normal y que la muestra
extraída de ella era aleatoria. Sin embargo, para contrastar la hipótesis H 0 :
1tacierto :::;; 0,5 del segundo ejemplo, sólo hemos necesitado suponer que las 1O
presentaciones eran independientes (muestra aleatoria de 10 elementos) y que la
probabilidad de acierto en cada presentación era la misma (1tacierto = 0,5). Es más
difícil conseguir que se cumplan los supuestos necesarios para contrastar H 0 :
µ = 30 que los necesarios para contrastar 1tacierto = 0,5 y, en ese sentido, decimos de
los supuestos del primer contraste que son mas restrictivos o exigentes que los del
primero.
Es importante tener presente que el incumplimiento de uno o varios supuestos
podría invalidar el contraste y llevarnos a una decisión errónea. Conviene, por
tanto, que los supuestos sean pocos y poco exigentes. Aun así, en muchas ocasiones
nos veremos en la necesidad de establecer varios y muy exigentes. No obstante,
veremos que existen procedimientos para comprobar el cumplimiento de la mayor
parte de los supuestos que necesitemos establecer.
3.1.3. El estadístico de contraste
Un estadístico de contraste es un resultado muestra! que cumple la doble

condición de 1) proporcionar información empírica relevante sobre la afirma-
ción propuesta en la hipótesis nula y 2) poseer una distribución muestra!
conocida.
~;) Ediciones Piramide

1 36 / Análisis de datos en psicología 11
Si la hipótesis que deseamos contrastar es H 0 : µ = 30, debemos recurrir a un

estadístico que sea capaz de detectar cualquier desviación empírica de la afirmación
establecida en H 0 • Obviamente, ni Sn, ni P. ni r_,,,, por citar algunos estadísticos
conocidos, nos proporcionarán información relevante sobre µ. Para contrastar la
hipótesis H 0 : µ = 30, lo razonable será utilizar la información muestra) proporcio-
nada por el estadístico X. Del mismo modo, si la hipótesis que deseamos contrastar
es H 0 : 7t ~ 0,5, lo razonable será recurrir a un estadístico que pueda proporcionar-
nos información relevante sobre n, por ejemplo, X = «número de aciertos», o
P = «proporción de aciertos», etc.
La segunda condición que debe cumplir un resultado muestral para poder ser
utilizado como estadístico de contraste es la de poseer una distribución muestra/
conocida. Un estadístico, no lo olvidemos, es una variable aleatoria y, como tal,
tiene su propia función de probabilidad a la que denominamos distribución
muestral. Es precisamente en la distribución muestra) del estadístico de contraste en
la que nos vamos a apoyar para tomar una decisión respecto a H 0 en términos de
probabilidad.
Por tanto, una vez planteadas las hipótesis, es necesario seleccionar el estadísti-
co de contraste capaz de proporcionarnos información relevante sobre ellas y
establecer los supuestos necesarios para conseguir determinar la distribución
muestra) de ese estadístico. En nuestro ejemplo sobre el psicólogo supuestamente
capaz de diagnosticar trastornos de tipo neurótico a través de la escritura habíamos
planteado las siguientes hipótesis: H 0 : 1tacierto ~ 0,5; H 1: 1tacierto > 0,5. Existen dos
estadísticos (en realidad los dos son el mismo, pues uno es transformación lineal del
otro) capaces de proporcionarnos información relevante sobre las hipótesis plantea-
das (utilizaremos T para referirnos, de forma genérica, a un estadístico de contraste
cualquiera):
T 1 =X (número de aciertos o de diagnósticos correctos)

T 2 = P (proporción de aciertos o de diagnósticos correctos)
Suponiendo, según hemos señalado antes, que las presentaciones de los to pares
de muestras de escritura son independientes y que la probabilidad de cada uno de
los dos resultados posibles (acierto-error) es la misma en cada presentación,
la distribución muestral de las variables o estadísticos de contraste X y P será la
binomial con parámetros n = 10 y n = 0,5. Según esto, la probabilidad asociada
a cada uno de los valores de X y P (tabla 3.1) vendrá dada por la función 8 :
8 Por supuesto, las probabilidades asociadas a los estadisticos X y P también pueden obtenerse a
partir de la tabla de la distribución binomial, con n = 10 y n: = 0,5, sin necesidad de realizar cálculos.
TABLA 3.1
Distribución muestra/ de X y P
con n = 0,5 y n = l O
X p f(x)
o 0,0 0,001
1 0,1 0,010
2 0,2 0,044
3 0,3 0,117
4 0,4 0,205
5 0,5 0,246
6 0,6 0,205
7 0,7 0,117
8 0,8 0,044
9 0,9 0,010
10 1,0 0,001
La distribución muestra! de X o de P (tabla 3.1) nos proporciona la probabili-

dad asociada a cada uno de sus posibles valores bajo H 0 : n = 0,5. Vemos, por
ejemplo, que la probabilidad de encontrarnos, suponiendo n = 0,5, con 10 aciertos
(es decir, con X = 10, o P = 1) vale 0,001. Y vemos también, por ejemplo, que la
probabilidad de encontrarnos con 9 aciertos o más (es decir, con X ~ 9, o P ~ 0,9),
siempre suponiendo n = 0,5, vale 0,010 + 0,001 = 0,011. En estas probabilidades
nos apoyaremos más tarde para tomar una decisión respecto a H 0 .
Así pues, los estadísticos X y P sirven como estadísticos de contraste para poner
a prueba la hipótesis H 0 : 1tacierto:;;;; 0,5 porque ambos cumplen las condiciones
exigidas a un estadístico de contraste: l) proporcionan información relevante sobre
H0 y 2) su distribución muestra! es conocida.
3.1.4. La regla de decisión
La regla de decisión es el criterio que vamos a utilizar para decidir si la hipótesis

nula planteada debe o no ser rechazada. Este criterio se basa en la partición de la
distribución muestra! del estadístico de contraste en dos zonas mutuamente exclusi-
vas: la zona de rechazo y la zona de aceptación.
La zona de rechazo, también llamada zona crítica, es el área de la distribución
muestra) que corresponde a los valores del estadístico de contraste que se encuen-
tran tan alejados de la afirmación establecida en H 0 , que es muy poco probable que
ocurran si H 0 , como se supone, es verdadera. Su probabilidad es oc, valor al que ya
en el capítulo anterior hemos llamado nivel de significación o nivel de riesgo.
La zona de aceptación es el área de la distribución muestra! que corresponde a
los valores del estadístico de contraste próximos a la afirmación establecida en H 0 .

Es, por tanto, el área correspondiente a los valores del estadístico de contraste que
es probable que ocurran si H 0 , como se supone, es verdadera. Su probabilidad es
1 - tx, valor al que ya en el capítulo anterior hemos llamado nivel de confianza.
Definidas las zonas de rechazo y aceptación:
La 1'eyla de decisión consiste en reclw::ar H 0 si el estadístico de contraste toma

un valor perteneciente a la zona de rechazo o crítica; mantener H 0 si el
estadístico de contraste toma un valor perteneciente a la zona de aceptación.
Así pues, se rechaza una hipótesis sometida a contraste cuando el valor del
estadístico de contraste cae en la zona crítica; y se rechaza porque eso significa que
el valor tomado por el estadístico de contraste se aleja demasiado de la predicción
establecida en esa hipótesis, es decir, porque, si la hipótesis planteada fuera
verdadera, el estadístico de contraste no debería haber tomado ese valor (sería muy
poco probable que lo tomara); como de hecho el estadístico ha tomado ese valor, la
conclusión más razonable será que la hipótesis planteada no es verdadera.
El tamaño de las zonas de rechazo y aceptación se determina fijando el valor de
tx, es decir, fijando el nivel de significación con el que se desea trabajar. Por
supuesto, si tenemos en cuenta que tx es la probabilidad que vamos a considerar
como lo bastante pequeña para que valores con esa probabilidad o menor no
ocurran bajo H 0 verdadera, comprenderemos que tx será, necesariamente, un valor
pequeño. Cómo de pequeño es algo que debe establecerse de forma arbitraria 9 , si
bien los niveles de significación habitualmente propuestos para :x en la literatura
estadística y utilizados en la investigación empírica son 0,01 y 0,05 (también
referidos como 1 por 100 y 5 por 100, respectivamente).
Recordemos ahora que, dependiendo de cómo formulemos H 1 • los contrastes de
hipótesis pueden ser bilaterales o unilaterales:
l. Contraste bilateral: H 0 : µ .. = µm
H1: µ,. # µm
2. Contraste unilateral: H 0 : 1tacierto ~ 0,5
H 1: 1tacierto > 0,5.
La forma de dividir la distribución muestra! en zona de rechazo o crítica y zona
de aceptación depende de si el contraste es bilateral o unilateral. La zona crítica
debe estar situada allí donde puedan aparecer los valores muestrales incompatibles
con H 0 , es decir, allí donde puedan aparecer los valores muestrales que apunten en
la dirección propuesta en H 1 • Así, en el contraste 1, dada la afirmación establecida
en H 1 , la zona crítica debe recoger tanto los valores muestrales que vayan en la
" En ocasiones, no tan arbitrariamente. Más adelante veremos que, en todo contaste, pueden
cometerse dos tipos de errores. Pues bien, hay ocasiones en que el nivel de significación :x conviene fijarlo
buscando minimizar la probabilidad de comerter uno de esos dos errores.
dirección X,. - Xm >O, como los que vayan en la dirección X,. - Xm <O. Dicho de
otra forma: si H 0 : µ,, = µm es falsa, lo será tanto si µ,. es mayor que µm como si µ,. es
menor que µm, por lo que la zona crítica deberá recoger ambas posibilidades. Por
esta razón, en los contrastes bilaterales, la zona crítica se encuentra, generalmente 10 ,
repartida a partes iguales entre las dos colas de la distribución muestra/ (figura 3.1.A).
A B
Figura 3.1.--Ejemplo de zonas críticas en un contraste bilateral (figura A) y un contraste unilateral
derecho (figura B) con una distribución muestra! de forma normal.
En el contraste 2, por el contrario, los únicos valores muestrales incompatibles

con H 0 serán los que vayan en la dirección P > 0,5, que es la dirección apuntada en
H 1 . Los valores muestrales que estén por debajo de P = 0,5 no serán incompati-
bles con H 0 y la zona crítica deberá reflejar esta circustancia quedando ubicada en
la cola derecha de la distribución muestral. Por tanto, en los contrastes unilaterales,
la zona crítica se encuentra en una de las dos colas de la distribución muestra[ (figu-
ra 3.1.B).
Según esto, las reglas de decisión para cada uno de estos dos contrastes (para el
referido a las diferencias en inteligencia entre varones y mujeres, y el referido al
psicólogo capaz de diagnosticar a través de la escritura) pueden concretarse de la
siguiente manera:
1. Rechazar H 0 : µ,, = µm si el estadístico de contraste cae en la zona crítica, es
decir, si toma un valor mayor que el percentil 100(1 - a./2) o menor que el
percentil IOO(a./2) de su distribución muestral.
O bien: rechazar H 0 : µv = µm si el estadístico de contraste toma un valor
tan grande o tan pequeño que la probabilidad de obtener un valor tan
extremo o más que ése es menor que a./2.
2. Rechazar H 0 : 1tacierto ~ 0,5 si el estadístico de contraste cae en la zona
crítica, es decir, si toma un valor mayor que el percentil 100(1 - a.) de su
distribución muestral.
O bien: rechazar H 0 : 1tacierto ~ 0,5 si el estadístico de contraste toma un
valor tan grande que la probabilidad de obtener un valor como ése o mayor
es menor que a..
1 0 Decimos generalmente porque. dependiendo del tipo de distribución muestra! que utilicemos, nos
encontraremos con excepciones a esta regla.
3.1 .5. La decisión
Planteada la hipótesis, formulados los supuestos, definido el estadístico de

contraste y su distribución muestral, y establecida la regla de decisión, el paso
siguiente consiste en obtener una muestra aleatoria de tamaño n, calcular el
estadístico de contraste y tomar una decisión. Tal decisión, ya lo sabemos, se toma,
siempre, respecto a H 0 , y consiste en rechazarla o mantenerla de acuerdo con el
valor tomado por el estadístico de contraste y las condiciones establecidas en la
regla de decisión: si el estadístico de contraste cae en la zona crítica, se rechaza H 0 ; si
el estadístico de contraste cae en la zona de aceptación, se mantiene H 0 .
La decisión, así planteada, parece no revestir ningún tipo de problema. Pero eso
no es del todo cierto. Conviene resaltar un aspecto importante de este proceso de
decisión que no siempre es adecuadamente tenido en cuenta en la investigación
empírica. Una decisión, en el contexto del contraste de hipótesis, siempre consis-
te en rechazar o mantener una H 0 particular. Si la rechazamos, estamos afirmando
que esa hipótesis es falsa; es decir, estamos afirmando que, basándonos en argu-
mentos probabilísticos, hemos conseguido probar que esa hipótesis es falsa. Por el
contrario, si la mantenemos, no estamos afirmando, ni mucho menos, que hemos
probado que esa hipótesis es verdadera; simplemente estamos afirmando que no
disponemos de evidencia empírica suficiente para rechazarla y que, por tanto, po-
demos considerarla compatible con los datos 11 . Así pues:
Cuando decidimos mantener una hipótesis nula, queremos significar con ello
que consideramos que esa hipótesis es compatible con los datos.
Cuando decidimos rehazar una hipótesis nula, queremos significar con ello
que consideramos probado que esa hipótesis es falsa.
La razón de que esto sea así es doble. Por un lado, dada la naturaleza
inespecífica de H 1 , raramente es posible afirmar que H 1 no es verdadera; las
desviaciones pequeñas de H 0 forman parte de H 1 • por lo que al mantener una H 0
particular, también se están manteniendo, muy probablemente, algunos valores de
H 1 ; debe concluirse, por tanto, que se mantiene o no rechaza H 0 , pero nunca que se
acepta como verdadera. Por otro lado, en el razonamiento estadístico que lleva a la
toma de una decisión respecto a H 0 , puede reconocerse el argumento deductivo
modus tollens, aunque de tipo probabilístico: si H 0 es verdadera, entonces, muy
probablemente. el estadístico de contraste T tomará valores comprendidos entre a y b;
T no toma un valor comprendido entre a y b; luego, muy probablemente, H 0 no es
verdadera. Este argumento es impecable, nada hay en él que lo invalide desde el
11 El propio Fisher mantendría una postura más radical en este punto: si una hipótesis sometida a
contraste no puede ser rechazada, debemos suspender el juicio, no decidir nada, porque nada podemos
probar sobre esta hipótesis (Fisher, 1955).
punto de vista lógico. Sin embargo, si una vez establecida la primera premisa se
continúa de esta otra manera: T toma un valor comprendido entre a y b; luego H 0 ,
muy probablemente, es verdadera, se comete un error lógico llamado falacia de la
afirmación del consecuente: obviamente, T puede haber tomado un valor comprendi-
do entre a y b por razones diferentes de las contenidas en H 0 12 .
Estas ideas proporcionan una valiosa pista a la hora de decidir cómo plantear
las hipótesis nula y alternativa en un contraste concreto. Si estamos interesados en
determinar si una afirmación sobre una distribución poblacional es falsa, debemos
plantear esa afirmación como hipótesis nula; así, si la rechazamos, podremos
concluir que hemos probado que esa hipótesis es falsa. Si, por el contrario, estamos
interesados en determinar si esa afirmación es verdadera, debemos plantearla como
hipótesis alternativa; así, si rechazamos la hipótesis nula, lo haremos en favor de la
alternativa (pues la hipótesis alternativa es, recordémoslo, la negación de la nula).
Todo esto sin olvidar que el signo « = » siempre debe ir en la hipótesis nula.
EJEMPLO 3.1. Al describir cada uno de los pasos de que consta un contraste de
hipótesis hemos comentado, entre otros, un ejemplo referido a un psicólogo supuesta-
mente capaz de diagnosticar trastornos de tipo neurótico a través de la escritura.
Vamos a utilizar ahora ese mismo ejemplo para resumir los pasos descritos.
Supongamos que presentamos al psicólogo los 10 pares de muestras de escritura
(recordemos que en cada par de muestras de escritura el psicólogo debe decidir cuál de
las dos escrituras corresponde al paciente con trastornos de tipo neurótico) y que éste
consigue efectuar un diagnóstico correcto en 7 de ellos. Con este resultado muestra),
¿qué podemos concluir sobre la supuesta capacidad del psicólogo?
l. Hipótesis:
H 0: 0,5. (H 0 : el psicólogo no posee capacidad de diagnóstico).
1tacierto :::;;
H 1: 1tacierto > 0,5. (H 1 : el psicólogo posee capacidad de diagnóstico).
2. Supuestos:
- 1O ensayos independientes con dos resultados posibles en cada ensayo: acierto
y error.
- La probabilidad de cada resultado permanece constante en cada ensayo; en
concreto, 1tacierto = 1terror = 0,5.
12 Este punto de vista, por otra parte, es perfectamente coherente con el comúnmente aceptado por
los filósofos de la ciencia sobre la verificación de una hipótesis científica: nunca podemos afirmar la
verdad de una hipótesis o teoría científica; podemos, simplemente, sentirnos más seguros de ella a medida
que se va mostrando repetidamente conforme con la evidencia empírica; en realidad, sólo podemos
considerarla como provisionalmente verdadera (Popper, 1982; Hempel, 1984; etc.). De ahí que la labor
investigadora deba ir más orientada hacia la falsación o refutación de teorías que hacia la verificación de
las mismas (sobre esta temática puede consultarse la discusión de Klayman y Ha, 1987).
142 / Análisis de datos en psicologla 11
3. Estadístico de contraste y distribución muestra):

T = número de aciertos = 7.
T se distribuye según el modelo binomial con parámetros n = 10 y n = 0,5.
4. Regla de decisión:
Rechazar H 0 si T toma un valor tan grande que la probabilidad de obtener un
valor como ése o mayor es menor que :x.
Los valores habituales de :x son, según hemos señalado, 0,05 y 0,01. Pero en
este ejemplo concreto, por sencillez (y por conveniencia, según veremos más tarde
al estudiar el concepto de potencia), vamos a fijar un :x de 0,011. Fijar un :x de
0,011 equivale a establecer la siguiente regla de decisión: rechazar H 0 si T toma un
valor igual o mayor que 9 (ver la distribución muestra) de Ten el apartado 3.1.3).
5. Decisión:
Dado que en la muestra de 10 presentaciones hemos obtenido 7 aciertos y que
7 es menor que 9 (o, de otro modo, dado que la probabilidad de obtener valores
mayores o iguales que 7 vale 0,172 y que 0,172 es mayor que :x = 0,011), debemos
tomar la decisión de mantener H 0 •
Podemos concluir que no disponemos de evidencia empírica suficiente para
rechazar H 0 ; por lo que no podemos pensar que el psicólogo posea la capacidad
de diagnosticar correctamente trastornos de tipo neurótico a través de la escritura.
A pesar de que 7 aciertos son más de los que cabría esperar por puro azar (cabría
esperar 5), es un número de aciertos cuya probabilidad de ocurrencia, suponiendo
n = 0,5, es mayor que el riesgo que nosotros estamos dispuestos a asumir en nuestra
decisión. Es decir, respondiendo al azar, la probabilidad de obtener 7 o más aciertos es
mayor que 0,05, por lo que podemos pensar que ese resultado es compatible (puede
ocurrir) si la hipótesis n :o::; 0,5 es verdadera.
(A lo largo de las páginas que siguen volveremos repetidamente sobre este ejemplo;
presentaremos además gráficos de diferente tipo que nos ayudarán a entender mejor
cada uno de los pasos seguidos.)
EJEMPLO 3.2. Algunos trabajos sobre memoria icónica indican que el promedio
de letras recordadas en presentación taquistoscópica de 1 segundo, por un sujeto
normal, es de 4,5, con una desviación típica de 1,4. Sin embargo, los trabajos que se
vienen realizando en la Universidad Autónoma de Madrid no parecen estar de
acuerdo con esa hipótesis. Deseamos, por tanto, contrastar la hipótesis 11 = 4,5. Para
ello. hemos seleccionado una muestra aleatoria de 25 sujetos y. tras presentarles un
conjunto de letras por taquistoscopio. hemos encontrado un promedio de palabras
recordadas de 5,1. Utilizando un nivel de significación de :x = 0,05, ¿a qué conclusión
llegaremos?
1. Hipótesis:
H 0 : µ = 4,5.
H 1 : µ '# 4,5 (contraste bilateral).
2. Supuestos:
El estadístico de contraste capaz de proporcionarnos información relevante
sobre µ es X. Debemos, por tanto, establecer las condiciones necesarias para
conocer la distribución muestra( de X:
- La variable número de palabras recordadas se distribuye normalmente en la
población.
- La muestra de 25 observaciones es aleatoria.
3. Estadístico de contraste y distribución muestra(:
- Z =(X - µ)/(u/Jn) =:> z = (5,1 - 4,5)/(l,4/j25) = 2,14.

- Z se distribuye según la normal estandarizada N(O, 1).
Rechazar H 0 si el estadístico de contraste Z toma un valor mayor que el per-
centil 100(1 - '1./2) = 100(1 - 0,025) = 97,5 o menor que el percentil 100('1./2) =
= 100(0,025) = 2,5 de la distribución N(O, 1), es decir, un valor mayor que 1,96 o
menor que -1,96.
5. Decisión:
Dado que z = 2,14 es mayor que 1,96, debemos rechazar H 0 y concluir que el
promedio de letras recordadas es distinto de 4,5. La figura 3.2 nos ilustra la
situación.
z = 2,14
z, 12 = -1,96 Z1 -2/2 = 1,96
Figura 3.2.-Probabilidades asociadas a los puntos críticos correspondientes a un nivel de

confianza de 0,95 en la distribución normal estandarizada.
3.2. Errores de tipo 1 y 11

Según acabamos de ver, todo contraste de hipótesis desemboca en una decisión
consistente en mantener o rechazar la H 0 planteada. La realidad también es doble:
H 0 puede ser verdadera o puede ser falsa. Si H 0 es verdadera y la mantenemos,
estaremos tomando una decisión correcta; si es falsa y la rechazamos, también esta-

remos tomando una decisión correcta. Pero si H 0 es verdadera y la rechazamos,
estaremos cometiendo un error; e igualmente estaremos cometiendo un error si H 0
es falsa y la mantenemos.
Llamamos error de tipo I al que se comete cuando se decide rechazar una H 0

que en realidad es verdadera. La probabilidad de cometer ese error es :x.
Llamamos error de tipo 11 al que se comete cuando se decide mantener una
H 0 que en realidad es falsa. La probabilidad de cometer ese error es ff.
Por tanto, 1 - :x será la probabilidad de tomar una decisión correcta cuando H 0

es verdadera. Y 1 - f3 será la probabilidad de tomar una decisión correcta cuando
H 0 es falsa. El siguiente cuadro resume estas ideas:
Naturaleza de Ha
Verdadera Falsa
Decisión correcta Error tipo 11

Mantener Ha p = 1- IX P=P
Decisión
Error tipo 1 Decisión correcta
Rechazar Ha P= IX P=l-P
La probabilidad de cometer un error de tipo 1 con nuestra decisión es una

probabilidad conocida, pues el valor de IX lo fija el propio investigador. Sin
embargo, la probabilidad de cometer un error de tipo 11, es decir, {3, es un valor
desconocido que, en un contraste concreto, depende de tres factores: 1) la verdadera
H 1, 2) el valor de IX y 3) el tamaño del error típico de la distribución muestra!
utilizada para efectuar el contraste.
La figura 3.3 puede ayudarnos a comprender estas ideas. En ella están represen-
tadas las áreas correspondientes a cada una de las probabilidades descritas en el
cuadro anterior. Se trata de una situación hipotética referida a un contraste
unilateral derecho sobre el parámetroµ (con H 0 : µ = µ 0 yH 1: µ = µ 1 ) utilizando la
información muestra! proporcionada por el estadístico X, cuya distribución mues-
tra! es normal. La situación es fácilmente trasladable a otras distribuciones muestra-
les con una forma diferente.
La curva de la izquierda representa la distribución muestra! de la media 13 bajo
1 3 La probabilidad asociada a una media cualquiera en su distribución muestra( es la misma que la
asociada a su correspondiente puntuación típica en la distribución N(O, 1) o t.- 1• En términos de
probabilidad. por tanto, es equivalente hablar de la distribución muestra( de la media y de la distribución
muestra( de la media tipificada.
Zona de aceptación Zona de rechazo
Figura 3.3. -Áreas correspondientes a las probabilidades !X, p, 1 - :x y 1 - p en un contraste unilateral

derecho sobre el parámetro µ.
H 0 : µ = µ 0 (µ 0 se refiere a un valor concreto cualquiera). En la cola derecha de esa

curva (recordemos que estamos hablando de un contraste unilateral derecho)
se encuentra, marcada con rayas inclinadas, la probabilidad de cometer un error de
tipo 1: :x. Es decir, la zona de rechazo. Todo lo que en esa curva no es zona
de rechazo es zona de aceptación; su probabilidad: 1 - :x. Ambas zonas, la de rechazo
y la de aceptación, se encuentran separadas por una línea vertical. Cualquier valor
muestra) X perteneciente a la zona situada a la derecha de esa línea nos llevará a
tomar la decisión de rechazar H 0 ; por el contrario, cualquier valor muestra) X
perteneciente a la zona situada a la izquierda de esa línea nos llevará a tomar la
decisión de mantener H 0 •
La curva de la derecha representa la distribución muestral de la media para una
hipótesis alternativa concreta: H 1 : µ = µ 1 (µ 1 se refiere a un valor concreto
cualquiera mayor que µ 0 ). En la cola izquierda de esa curva se encuentra, marcada
con líneas horizontales, el área {J, es decir, la probabilidad de cometer un error de
tipo 11 (la probabilidad de que, siendo H 1 la hipótesis verdadera, obtengamos
valores muestrales X que nos lleven a mantener H 0 ). La zona que se encuentra a la
derecha de la línea vertical es l - p, es decir, la probabilidad de rechazar una
hipótesis nula que en realidad es falsa. Lógicamente, siendo el contraste unilateral
derecho, la hipótesis alternativa afirmará H 1 : µ > µ 0 , es decir, la hipótesis alternati-
va atribuirá diferentes valores al parámetro µ, todos ellos mayores que µ 0 . Cada
uno de esos valores atribuidos a µ en H 1 permitirá generar una distribución
muestra) concreta para X. Y aunque todas esas distribuciones muestrales tendrán la
misma forma, unas estarán más alejadas que otras de la curva de H 0 , es decir, unas
serán distintas de otras únicamente en el valor asignado a µ. Según esto, fJ tomará
diferentes valores dependiendo del valor concreto considerado de entre los afirma-
dos por H 1 . Por lo que existirá toda una familia de valores fJ dependiendo del valor
concreto µ 1 que consideremos. Fijándonos en la figura 3.3 podremos comprobar

que, cuanto más se aleje el valor µ 1 de µ 0 , más hacia la derecha se desplazará la
curva H 1 y, en consecuencia, más pequeña se hará el área fJ (permaneciendo todo lo
demás constante). Y al contrario, cuanto más se aproxime µ 1 a µ 0 , más hacia la
izquierda se desplazará la curva H 1 y más grande se hará el área fJ (permaneciendo
todo lo demás igual). El valor de {J, por tanto, depende, en primer lugar, de la
hipótesis alternativa que consideremos verdadera, es decir, del valor concreto µ 1
que consideremos verdadero dentro de todos los afirmados por H 1 . Comparando
las figuras 3.3 y 3.4 comprenderemos mejor esta idea. En la figura 3.4 hemos
tomado un valor µ 1 más próximo a µ 0 que en la figura 3.3. Como consecuencia
directa de ese cambio, el valor de fJ ha aumentado de forma considerable.
Figura 3.4.~Áreas correspondientes a las probabilidades !X, p, 1 - !X y 1 - P en un contraste unilateral

Una vez seleccionado un valor concreto µ 1 en H 1 , el tamaño del área fJ depende,

en segundo lugar, del valor fijado para IX. Los valores de IX y P se relacionan de
forma inversa: permaneciendo todo lo demás constante, cuanto mayor sea IX, menor
será p; cuanto menor sea IX, mayor será p. Si desplazamos mentalmente la línea
vertical de las figuras 3.3 o 3.4 hacia la izquierda, podremos constatar que el área IX
va aumentando y el área P va disminuyendo. Si la desplazamos hacia la derecha
podremos constatar que ocurre justamente lo contrario.
En tercer y último lugar, el tamaño del área P depende del error típico de la
distribución muestral del estadístico concreto utilizado para efectuar el contraste. Es
obvio que, para una distancia dada entre µ 0 y µ 1 , el solapamiento entre las curvas
correspondientes a uno y otro parámetro será tanto mayor cuanto mayor sea el
error típico de la distribución muestral representada por esas curvas (pues, cuanto
eontraste de hipótesis / 147
mayor es el error típico de una distribución, más ancha es esa distribución). Y

cuanto mayor sea el solapamiento, mayor será el valor de {3.
En la figura 3.5 podemos observar con claridad que, al estrecharse las distribu-
ciones como consecuencia de una disminución del error típico, el solapamiento es
menor y menor también el tamaño del área {3. A pesar de que, por ejemplo, la
distancia entre µ 0 y µ 1 es similar en las figuras 3.4 y 3.5, el tamaño de f3 es
proporcionalmente mucho menor en la figura 3.5 que en la 3.4. Si las distribuciones
muestrales de las dos figuras tuvieran el mismo error típico, cabría esperar, según
hemos visto anteriormente, el mismo tamaño para {3.
Figura 3.5.-Áreas correspondientes a las probabilidades <X, p, 1 - <X y 1 - p en un contraste unilateral

En el caso que nos ocupa, estamos contrastando la hipótesis H 0 : µ = µ 0 . Esto

significa que las curvas de las figuras 3.3, 3.4 y 3.5 se refieren a la distribución
muestra! de la media (o, lo que es equivalente en términos de probabilidad, a la
distribución muestra! de las medias tipificadas). Ahora bien, sabemos que la
distribución muestra! de la media es normal con parámetros µ y u/Jn. Lo cual
significa que disminuyendo u (la desviación típica de la población) o aumentando n
(el tamaño de la muestra), conseguiremos disminuir el error típico de la distribución
muestra! de la media. Y la consecuencia de esto será que con una operación tan
sencilla como aumentar n (disminuir u resulta algo más complicado), podremos
obtener una reducción de la probabilidad de cometer un error de tipo 11.
Como un ejercicio de representación espacial, podemos fijarnos en la figura 3.5 e
intentar imaginar lo que ocurriría si, manteniendo fija la distancia entre µ 0 y µ 1 y el
mismo tamaño para a, vamos ensanchando poco a poco las dos distribuciones: el
resultado será que el tamaño del área f3 irá aumentando.
En el siguiente apartado, al hablar de la potencia (1 - /3), aprenderemos a
calcular el valor de {3. Pero antes, debemos hacer un último comentario sobre los
errores de tipo 1 y 11. En general, un buen contraste o una buena regla de decisión
debe tender a minimizar los dos tipos de error inherentes a toda decisión. Ya
sabemos que el valor de a lo establece arbitrariamente el investigador procurando
que sea un valor pequeño (habitualmente, 0,05 o 0,01). Por tanto, disminuir la
probabilidad de cometer un error de tipo 1 (a) en un determinado contraste es tan
sencillo como seleccionar para a un valor tan pequeño como deseemos. Pero
acabamos de ver que disminuir a tiene como resultado directo un aumento de {3. La
reducción arbitraria de a, por tanto, no representa una solución razonable.
Más razonable parece detenerse a considerar cuál de los dos errores que
podemos cometer podría resultar más grave en una situación concreta y procurar
disminuirlo a costa del otro. Así, si es importante evitar cometer un error de tipo 1
(por ejemplo, decidir aplicar un tratamiento que conlleva graves efectos secundarios
cuando en realidad no es necesaria la aplicación del mismo), será conveniente
seleccionar un valor muy pequeño para a (0,001, por ejemplo). Si es importante
evitar cometer un error de tipo 11 (por ejemplo, mandar a alguien a casa cuando de
hecho necesita tratamiento inmediato), será conveniente seleccionar para a un valor
más grande (0,10 o 0,20, por ejemplo). Con todo, de entre los diferentes factores de
los que depende el valor de {3, la manipulación del tamaño muestral n es el que
proporciona una solución más eficaz, al tiempo que sencilla (en el apéndice 3 tra-
tamos esta cuestión).
3.3. Potencia de un contraste
Hasta hace pocos años, la mayor parte de los procedimientos estadísticos

utilizados para analizar resultados experimentales han estado orientados a minimi-
zar (o, al menos, controlar) la probabilidad de cometer errores de tipo 1 (a),
descuidando por completo la probabilidad de cometer errores de tipo 11 (/3). La
mayor parte de los trabajos aparecidos en las revistas científicas se han limitado a
establecer un nivel arbitrario para a (tal como 0,05) ignorando f3 por completo. Es
verdad que, en algunos casos, eso es todo lo que es posible hacer; pero en otros,
según veremos, es posible hacer algo más 14 .
14 Probablemente (como sugiere Howell, 1992, pág. 204) existen varias razones históricas que
justifican este descuido. Entre ellas, la escasa atención prestada en los manuales de estadística a los
problemas relacionados con la potencia, o un tratamiento de los mismos poco apropiado para ser
digerido por el nivel de preparación medio de la comunidad investigadora. Hoy, sin embargo, después de
los trabajos aparecidos en los últimos años, especialmente impulsados por Cohen (ver Cohen, 1988), las
cuestiones relacionadas con la potencia parecen lo basta!He clarificadas y divulgadas como para merecer
nuestra atención.
La potencia ( 1 - /l) de un contraste es la probabilidad de rechazar una

hipótesis nula que en realidad es falsa.
Cuando hablamos de la potencia de un contraste, por tanto, nos estamos

refiriendo a la capacidad de ese contraste para detectar que una hipótesis nula
concreta es falsa.
Veamos cómo se calcula la potencia (1 - /3) de un contraste y, por consiguiente,
también la probabilidad de cometer un error de tipo 11 (/3). Para ello, recordemos
el ejemplo del psicólogo supuestamente capaz de diagnosticar trastornos de tipo
neurótico a través de la escritura. Las hipótesis estadísticas que planteábamos en
ese ejemplo eran las siguientes: H 0 : n ~ 0,5 y H 1 : n > 0,5.
Para poder calcular la potencia de un contraste necesitamos referirnos a una
afirmación concreta de las muchas definidas en H 1 . Por ejemplo, H 1 : n = O, 7 15 .
Para contrastar estas hipótesis habíamos definido dos estadísticos:
T1 = X (número de aciertos)
Ti = P (proporción de aciertos)
La distribución muestra} de T1 o Ti es, según vimos en el ejemplo 3.1, la
binomial con parámetros n y n. Por tanto, para un n dado, tendremos dos
distribuciones muestrales: la especificada en H 0 : n = 0,5 y la especificada en H 1 :
n = 0,7. Esas dos distribuciones muestrales aparecen en la tabla 3.2. (Para simplifi-
car la explicación, vamos a referirnos únicamente al estadístico T1 = X).
Nuestra regla de decisión debe ser tal que nos permita rechazar H 0 si obtenemos
un resultado muestra! incompatible con ella en términos de probabilidad. De entre
las posibles reglas de decisión que podríamos adoptar, ya en el ejemplo 3.1
habíamos establecido la siguiente: rechazar H 0 si T1 toma un valor igual o mayor
que 9 (por supuesto, 9 se refiere al número de aciertos). Esta regla de decisión
equivale a: rechazar H 0 si T 1 (o Ti. indistintamente) toma un valor tan grande que
la probabilidad de obtener un valor como ése o mayor es menor que O!= 0,011 16 •
Con esta regla de decisión, sabemos que la probabilidad de cometer un error de
tipo 1 valdrá justamente 0,011, es decir, el valor fijado para O!. Pero, ¿cuál será la
probabilidad de cometer un error de tipo 11? Es decir, ¿cuál será el valor de {3?
Veamos. Sólo cometeremos un error de tipo 11 cuando, siendo verdadera la
hipótesis H 1 : n = 0,7, tomemos Ja decisión de mantener Ja hipótesis H 0 : n = 0,5.
Y esa decisión únicamente Ja tomaremos cuando nos encontremos con un resultado
muestral (T¡) perteneciente a Ja zona de aceptación, es decir, cuando nos encontre-
15 Ya hemos visto en el apartado anterior que el valor de {i depende, en primer lugar, de la H 1

concreta que consideremos como verdadera. Al igual que ocurre con {l. existe toda una familia de valores
1 - {i dependiendo de los diferentes valores concretos que seleccionemos de entre todos los definidos
en H 1 •
16 Los valores habitualmente utilizados para :x son, según hemos señalado ya, 0,05 y 0.01; pero en
este ejemplo concreto, dadas las probabilidades individuales de la distribución muestra! de T1 bajo H 0 ,
un a de 0,011 nos permite simplificar el problema.
TABLA 3.2
Distribuciones muestra/es de T 1 bajo H 0 : n = 0,5
y H 1 : n = 0,7
H 0 : n = 0,5 H 1: n = 0,7
T, P(T,=t.) T, P(T, = r 1 )
o 0,001 o 0,000
1 0,010 1 0,000
2 0,044 2 0,001
3 0,117 3 0,009
4 0,205 1-IX 4 0,037 /f
5 0,246 5 0,103
6 0,205 6 0,200
7 0,117 7 0,267
8 0,044 8 0,233
0,010 0,121
9
10 0,001 } iX
9
10 0,028
} 1- /f
mos con un número de aciertos inferior a 9. Ahora bien, si H 1 es verdadera, la

probabilidad de tomar la decisión de mantener H 0 (es decir, fJ) será la probabilidad
de encontrar valores muestrales por debajo de 9 aciertos en la distribución definida
por H 1 . La tabla 3.2 nos proporciona esa probabilidad. Sumando las probabili-
dades individuales desde T1 =O hasta T1 = 8, obtenemos: fJ = P(T1 ~ 8) = 0,851.
En consecuencia, la potencia del contraste, para H 1 : n = 0,7, será 1 =
= fJ = 1 - 0,851 = 0,149. Lo cual significa que, si suponemos que el verdadero
valor del parámetro n es 0,7 (es decir, si consideramos que H 1 : n = 0,7 es verdadera)
al contrastar la hipótesis H 0 : n = 0,5 con oc= 0,011, la probabilidad de que nuestro
contraste detecte que H 0 : n = 0,5 es falsa vale 0,149. De otro modo: si el verdadero
valor den es 0,7, sólo en 15 de cada 100 veces que contrastemos (con oc= 0,011 y
una muestra de n = 10 presentaciones independientes) la hipótesis de que el
parámetro n vale 0,5 decidiremos que n = 0,5 es una afirmación falsa; y tomaremos
una decisión equivocada, por tanto, en 85 de cada 100 contrastes.
La figura 3.6 puede ayudarnos a entender mejor lo que acabamos de explicar.
La probabilidad de cometer un error de tipo 11 (/J = 0,851) está representada por la
zona rayada, mientras que la potencia (1 - p = 0,149) está representada por la zona
no rayada de la distribución H 1 • Si el verdadero valor de n es 0,7, el número de
aciertos con el que nos podemos encontrar en una muestra aleatoria de n = 10
presentaciones será cualquiera de los asumibles por la distribución H 1 : n = 0,7.
Como cada vez que obtengamos un resultado muestra) T1 menor que 9 (9 aciertos:
zona situada a la izquierda de la línea vertical) decidiremos mantener H 0 : n = 0,5,
la probabilidad de tomar una decisión errónea (recordemos que estamos suponien-
do que el verdadero valor de n es 0,7) será la probabilidad de obtener valores
0.25
0.20
0.15
0.10
0.05
o 2 3 4 5 6 7 8 9 10
Zona de aceptación Zona de

rechazo
Figura 3.6. Error tipo 11 y potencia en un contraste unilateral derecho con H 1: rr = 0,7 y n = 10.
menores que 9 en una distribución binomial con parámetros n = 10 y n = 0,7. Del

mismo modo, como cada vez que obtengamos un resultado muestral T 1 igual o
mayor que 9 (zona situada a la derecha de la línea vertical) decidiremos rechazar
H 0 : n = 0,5, la probabilidad de tomar una decisión correcta (decisión correcta que
sólo ocurrirá si decidimos rechazar H 0 : n = 0,5) será la probabilidad de obtener
valores iguales o mayores que 9 en una distribución binomial con parámetros
n = 1O y n = O, 7 (los parámetros de la distribución de H ¡).
Por supuesto, si en lugar de considerar que la hipótesis verdadera es H 1 :
n = 0,70, consideramos que la verdadera hipótesis es, por ejemplo, H 1 : n = 0,9, la
distribución muestra) de T1 se encontrará todavía más alejada de la de H 0 y eso
hará que los valores de /3 y 1 - /3 cambien. En la figura 3.7 se muestra este cambio.
Al pasar de H 1 : n = O, 7 a H 1 : n = 0,9, la probabilidad de cometer un error de tipo
11 (/J) ha disminuido y, en consecuencia, la potencia (1 - /3) ha aumentado. Si el
verdadero valor de n es 0,9, la probabilidad de que T1 tome un valor menor que 9
es más pequeña que si el verdadero valor den es 0,7 y, por tanto, la probabilidad de
tomar una decisión errónea (/3) es menor con n = 0,9 que con n = 0,7. Como
ejercicio práctico, pueden calcularse las probabilidades exactas a partir de las cuales
se ha construido la distribución de T1 bajo H 1 : n = 0,9 en la figura 3.7.
Todo lo dicho hasta aquí ha estado referido a una distribución binomial, pero el
razonamiento es válido para cualquier otro tipo de distribución. Sigamos con el
ejemplo del psicólogo supuestamente capaz de diagnosticar a través de la escritura.
Planteemos las mismas hipótesis: H 0 : n = 0,5, H 1 : n = O, 7, pero, en lugar de utilizar
P(T, =1 1 )
0,40
0,35
0,30
0,25
0,20
0,15
0,10·
0,05
o 2 3 4 5 6 7 8 9 10
Zona de aceptación Zona de

rechazo
Figura 3.7.-Error tipo 11 y potencia en un contraste unilateral derecho con H 1 : '/[ = 0,9 y n = 10.
el estadístico de contraste T 1 , utilicemos este otro basado en la aproximación

normal a la distribución binomial 17 :
z = (X ± 0,5) - mi:
(3.1)
Jmr(l - n)
Ya sabemos que Z se distribuye aproximadamente N(O, 1). Si mantenemos la

misma regla de decisión que antes (rechazar H 0 si T1 toma un valor igual o mayor
que 9), podemos calcular el valor de 1:1. utilizando la distribución N(O, 1):
(9 - 0,5) - 10(0,5)
z= = 2 21
jl0(0,5)(0,5) '
El valor de 1:1. vendrá dado por la probabilidad de obtener valores T1 iguales o

mayores que 9 (en realidad, mayores que 8,5, utilizando la corrección por continui-
dad); o lo que es equivalente, por la probabilidad de obtener valores iguales o
1 7 Puede consultarse, en el capítulo 1, el apartado 1.3.4 sobre la distribución muestra) de la
proporción.
mayores que z = 2,21. Esa probabilidad, suponiendo que el verdadero valor del
parámetro n es 0,5, puede obtenerse en la tabla de la distribución normal estandari-
zada: P(Z ~ 2,21) = 0,0136. Así pues, con la regla de decisión adoptada y utilizando
el estadístico Z, la probabilidad de cometer un error de tipo 1 (oc) vale 0,0136 (valor
muy parecido al utilizado anteriormente con el estadístico T1 y la distribución
binomial).
Ahora bien, si la hipótesis H 0 : n = 0,5 es falsa, corremos el riesgo de cometer un
error de tipo 11, el cual, como sabemos, se proáucirá cuando tomemos la decisión de
mantener esa H 0 . ¿Cuál será la probabilidad de cometer ese error? Es decir, ¿cuál
será el valor de f3? Si suponemos que la hipótesis verdadera es H 1 : n = 0,7, el valor
de f3 vendrá dado por la probabilidad de encontrar valores menores que 9 (único
caso en el que decidiríamos mantener H 0 : n = 0,5) en la distribución definida por
n = 0,7. Utilizando el estadístico Z obtenemos:
(9 - 0,5) - 10(0, 7)
z= = 1,04
jl0(0,7)(0,3)
La probabilidad de obtener valores menores de 1,04 es justamente {3, es decir, la

probabilidad de cometer un error de tipo 11: la probabilidad de decidir mantener
H 0 : n = 0,5 cuando en realidad la hipótesis verdadera es H 1 : n = O, 7. Del mismo
modo, la probabilidad de obtener valores mayores que 1,04 es 1 - {3, es decir, la
potencia: la probabilidad de decidir rechazar H 0 : n = 0,5 siendo falsa y siendo
verdadera la hipótesis H 1 : n = 0,7. Esas probabilidades podemos encontrarlas en la
tabla de la distribución normal estandarizada: P(Z::::;; 1,04) = /3 = 0,8508; y,
P(Z ~ 1,04) = 1 - {3 = 1 - 0,8508 = 0,1492. La figura 3.8 muestra cada una de
estas probabilidades 18 . Así pues, resumiendo, al contrastar en nuestro ejemplo la
hipótesis nula H 0 : n = 0,5 frente a la alternativa H 1 : n = 0,7 con la regla de decisión
ya comentada y con el estadístico de contraste Z:
l. Si H 0 es verdadera, la probabilidad de tomar una decisión incorrecta (la
probabilidad de cometer un error de tipo 1) vale 0,0136.
2. Si H 0 es falsa y la hipótesis verdadera es H 1 , la probabilidad de tomar una
decisión incorrecta (la probabilidad de cometer un error de tipo 11) vale
0,8508, y la probabilidad de detectar que esa hipótesis es falsa (la potencia
del contraste) vale 0,1492.
18 En la figura 3.8 (al igual que en las figuras 3.12 y 3.13 que aparecerán posteriormente), el eje de
abcisas de ambas distribuciones es doble. En él están representados 1) el estadístico T1 y 2) su tipificación

Z. Aunque las distribuciones de probabilidad de T1 y de Z no son iguales en su forma (a pesar de que el
dibujo lo dé a entender), sí son equivalentes en términos de probabilidad (la probabilidad asociada a un
valor cualquiera de T1 es, aproximadamente, la misma que la asociada a su correspondiente valor
tipificado Z). Por esta razón hemos optado por presentar una única distribución para T1 y para Z.
Perdemos con ello rigor (un rigor que nos parece innecesario en este momento), pero creemos que
ganamos claridad. También por claridad hemos optado por presentar las distribuciones de H 0 y H 1 en
distinto plano, a diferencia ·de como hicimos en las figuras 3.6 y 3.7. La razón de esto es sencilla: a un
mismo valor de T1 le corresponde una puntuación típica Z diferente dependiendo de que esa tipificación
se efectúe en la curva de H 0 o en la curva de H 1, y esto es algo que no puede verse fácilmente si no se
presentan las distribuciones en planos diferentes.
p= 0,8508
o
Figura 3.8.--Áreas correspondientes a las probabilidades ex. {J. 1 - ex y 1 - fJ en un contraste unilateral
derecho (H 1 : ¡¡ = 0,7; n = 10).
3.4. Nivel crítico y tamaño del efecto
Hemos definido el nivel de significación IX como la probabilidad de cometer un

error de tipo 1, es decir, como la probabilidad de rechazar una hipótesis nula
cuando en realidad es verdadera. Esa probabilidad, IX, se establece antes de efectuar
el contraste para evitar que influya en la decisión final. En ese sentido, podemos
entender el nivel de significación como el riesgo máximo que estamos dispuestos a
asumir al tomar la decisión de rechazar una hipótesis concreta.
Efectuar un contraste estableciendo previamente un nivel de significación es lo
que se ha venido haciendo, desde los años 30, en la mayor parte de las áreas de
conocimiento por la mayor parte de los investigadores. Sin embargo, esto no
significa que esta forma de proceder esté libre de inconvenientes. Los tiene, y, en
nuestra opinión, no pequeños. Dos de ellos son éstos:
1. La decisión sobre H 0 puede depender decisivamente del nivel de significa-
ción establecido. Podemos decidir mantener una hipótesis con IX= 0,01 y,
sin embargo, rechazarla con IX = 0,05.
2. Decidir si H 0 es o no falsa no proporciona ningún tipo de información sobre
el grado en el que la evidencia muestra) se muestra incompatible con esa
hipótesis.
En relación con el primero de estos inconvenientes, aunque es cierto que existe

un acuerdo evidente acerca de que ai debe ser un valor pequeño, cómo de pequeño es
algo que nos vemos obligados a establecer de forma arbitraria. Y aunque los niveles
de significación habitualmente utilizados son 0,05 y 0,01, no existe ningún argumen-
to serio que impida utilizar otro nivel de significación cualquiera, por ejemplo, 0,03
o 0,005. En principio, si consideramos que cometer un error de tipo 1 es muy ~¡ralle,
adoptaremos para ai un valor más pequeño que si consideramos que cometer ese
tipo de error no tiene consecuencias graves. Pero recordemos que, al hacer más
pequeño el valor de oi, la potencia del contraste disminuye automáticamente (o, lo
que es lo mismo, la probabilidad de cometer un error de tipo 11 (fJ) se incrementa
automáticamente). Y eso puede llevarnos a, por ejemplo, cometer un error de tipo 11
por intentar evitar comenter un error de tipo l.
Podemos, incluso, servirnos de conocimientos previos (resultados arrojados por
otras investigaciones o por trabajos piloto; predicciones deducibles de alguna teoría;
etc.) para establecer un nivel de significación más grande o más pequeño dependien-
do de si esos conocimientos previos apuntan en la dirección de H 0 o en otra
dirección. Pero incluso así, el valor adoptado para ai seguirá siendo arbitrario
(arbitrario, al menos, en un rango de posibles valores asumibles con cierta cohe-
rencia).
Y siendo el valor de ai arbitrariamente establecido, resulta obligado hacer
referencia al primero de los inconvenientes mencionados. Recordemos el ejemplo
3.2. En él hemos puesto a prueba la hipótesis nula H 0 : µ = 4,5 frente a la alternativa
H 1 : µ # 4,5, con un nivel de confianza de 0,95 (oi = 0,05). Con ese nivel de confianza,
la zona crítica está formada por los valores mayores que 1,96 y lós menores que
- 1,96. Como el estadístico de contraste obtenido (Z = 2, 14) ha caído en la zona
crítica, hemos tomado la decisión de rechazar H 0 . Lo curioso de este contraste es
que, si en lugar de haber establecido para ai un valor de 0,05 hubiéramos adoptado
un valor de 0,01, la zona crítica habría estado formada por los valores mayores que
2,58 y los menores que - 2,58, y eso nos habría llevado a tomar la decisión de
mantener H 0 . En consecuencia, si en el ejemplo 3.2 utilizamos ai = 0,05, tomaremos
la decisión de rechazar H 0 ; si utilizamos ai = 0,01, tomaremos la decisión de
mantenerla. En la figura 3.9 están recogidas y comparadas ambas situaciones.
2,14
A
Figura 3.9. ·-Zonas críticas en un contraste bilateral con ac = 0,05 (figura A) y ac = 0,01 (figura B).
Esto es así porque la probabilidad de encontrar valores como el obtenido o

mayores vale P(Z ~ 2,14) = 0,0162, valor comprendido entre rx./2 = 0,025 y
rx./2 = 0,005. Necesitaríamos un nivel de significación mm1mo de 0,0324
( =0,0162 + 0,0162, pues el contraste es bilateral) para que el estadístico de contras-
te obtenido nos llevara al rechazo de H 0 • Cualquier valor rx. menor que 0,0324 nos
llevará a tomar la decisión de mantener H 0 .
Estas consideraciones nos permiten introducir un concepto de fundamental
importancia en el contexto del análisis de datos:
Llamamos nitiel crítico, y lo representamos por p, al nivel de significación más

pequeño al que una hipótesis nula puede ser rechazada con el estadístico de
contraste obtenido.
Podemos definir el nivel crítico, más brevemente, como la prohahilidad asociada

al estadístico de contraste. En términos generales, en un contraste unilateral, el nivel
crítico es la probabilidad asociada a los valores mayores (contraste unilateral
derecho) o menores (contraste unilateral izquierdo) que el estadístico de contraste
obtenido; en un contraste bilateral. el nivel crítico es la probabilidad asociada a los
valores que se encuentran tan alejados de H 0 como, al menos, el estadístico de
contraste 19 . Según esto, el nivel crítico se obtiene, a diferencia de lo que ocurre con
el nivel de significación, después de efectuar el contraste, es decir, una vez obtenido
el estadístico de contraste.
Muchos investigadores, en lugar de establecer a priori un nivel de significación rx.,
prefieren esperar a obtener el estadístico de contraste y su nivel crítico para tomar
la decisión apoyándose en el valor de ese nivel crítico: si el nivel crítico es pequeño,
la decisión será la de rechazar H 0 ; si el nivel crítico es grande, la decisión será la de
mantener H 0 . Por supuesto, de nuevo nos encontramos con la arbitrariedad de
tener que determinar cuándo un nivel crítico es grande y cuándo es pequeño. Pero
este problema tiene mejor salida que el de establecer a priori un valor para rx.. Una
regla bastante razonable podría ser esta: a) rechazar H 0 si el nivel crítico es
claramente menor que 0,05; b) mantenerla si es claramente mayor que 0,05;
c) repetir el contraste con una muestra diferente si el nivel crítico toma un valor en
torno a 0,05. Por supuesto, las consideraciones ya mencionadas sobre la gravedad
de cometer cada uno de los dos tipos de errores y los conocimientos previos que se
tengan sobre la hipótesis sometida a contraste podrían ayudarnos a matizar el
significado de las expresiones claramente mayor, claramente menor y en torno a
referidas en la regla propuesta.
La utilización del nivel crítico p en lugar del nivel de significación rx. tiene una
19 En los contrastes en los que se utilizan las dos colas de la distribución muestra(, el nivel crítico p
se obtiene, generalmente, multiplicando por 2 la probabilidad asociada a los valores mayores (si el
estadístico de contraste cae en la cola derecha) o menores (si el estadístico cae en la cola izquierda) que el
estadístico de contraste. Pero, como veremos en próximos capítulos, existen contrastes bilaterales en los
que la zona crítica está situada, toda ella, en la cola derecha de la distribución muestral. En estos casos,
el nivel crítico es la probabilidad asociada a los valores mayores que el estadístico de contraste.
ventaja adicional que nos permite superar, en parte, el segundo de los inconvenien-
tes atribuidos líneas más arriba a la utilización de un nivel de significación
establecido a priori. El nivel crítico, no sólo nos ayuda a tomar una decisión sobre
H 0 , sino que su tamaño nos informa sobre el grado de compatibilidad o discrepan-
cia existente entre la evidencia muestra) observada y esa H 0 . Un nivel crítico de
0,70, por ejemplo, nos está indicando que el resultado muestral obtenido es
perfectamente compatible con la hipótesis planteada; es decir, un nivel crítico de ese
tamaño nos está indicando que, si suponemos que la H 0 planteada es verdadera, la
probabilidad de encontrar un resultado muestra) como el encontrado o más
extremo vale 0,70. Un nivel crítico de 0,05 nos está indicando que el resultado
muestra) observado es poco compatible con H 0 ; sólo encontraríamos un valor como
ese o más extremo en 5 de cada 100 contrastes idénticos que lleváramos a cabo. Un
nivel crítico de 0,000001 nos está indicando que el resultado muestra) observado se
encuentra tan alejado de la predicción efectuada en H 0 que sólo en 1 de cada millón
de contrastes idénticos encontraríamos un resultado semejante; con un nivel crítico
de 0,000001 podríamos sentirnos razonablemente seguros de que la H 0 planteada es
falsa. Podemos decir, por tanto, que el tamaño del nivel crítico nos está inforinando
sobre el grado en el que la evidencia empírica obtenida se muestra incompatible con
la H 0 planteada (información ésta que pasa desapercibida cuando nos limitamos a
tomar la decisión de mantener o rechazar H 0 apoyados en un nivel de significación
previamente establecido).
Pero recordemos en este momento que el tamaño del error típico de la distribu-
ción muestra) de un estadístico se ve fuertemente afectado por el tamaño de la
muestra utilizada (en el apartado 3.2 de este mismo capítulo hemos tratado esta
cuestión). Permaneciendo todo lo demás constante, el valor del estadístico de con-
traste será tanto más extremo (es decir, tomará un valor tanto más alejado de la
predicción formulada en H 0 ) cuanto mayor sea el tamaño de la muestra. En el
estadístico Z utilizado en los ejemplos 3.2 y 3.3 se puede apreciar claramente este
hecho. Cuanto mayor sea n, menor será el denominador (el error típico de la me-
dia) y más extremo el valor de Z. De manera que con la misma media muestra)
X, la misma media poblacional µ y la misma varianza poblacional a 2, aumentando
n obtendremos un valor Z más extremo y, en consecuencia, un nivel crítico más
pequeño.
Por supuesto, lo que ocurre con el estadístico Z puede generalizarse a otro tipo
de estadísticos. Con todos ellos el nivel crítico tiende a O y, por tanto, a indicar gran
discrepancia entre H 0 y el estadístico de contraste, a medida que el tamaño
muestra) n va aumentando (lo que tiene relación directa con el hecho de que la
potencia tienda a 1 a medida que n va aumentando; puede consultarse, en este
mismo capítulo, el apéndice 3 y, en especial, el ejemplo 3.4).
Estos comentarios sugieren que la utilización del nivel crítico como una medida
del grado de discrepancia entre la H 0 planteada y la evidencia muestra) observada
tiene el inconveniente de que el valor del nivel crítico está condicionado por el
tamaño de la muestra concreta utilizada. Necesitamos, por tanto, otra medida de
ese grado de discrepancia que no dependa del tamaño de la muestra. Precisamente
la búsqueda de una medida de ese tipo es lo que se ha venido haciendo en los

últimos años bajo el nombre genérico de tamaño del efecto.
Decidir si una hipótesis es o no falsa no constituye, en la mayor parte de las
situaciones experimentales, un criterio suficiente para determinar si el experimento
realizado contribuye o no de forma significativa al desarrollo de una teoría o de una
línea de investigación. Esto es así porque la decisión a la que se llega en un
contraste de hipótesis sobre la base del grado de discrepancia existente entre la H 0
planteada y la evidencia muestra! observada depende directamente, según hemos
señalado ya, del tamaño de la muestra utilizada. Tamaños muestrales grandes
pueden llevarnos a considerar como estadísticamente significativas discrepancias
muy pequeñas; y tamaños muestrales muy pequeños pueden llevarnos a considerar
estadísticamente insignificantes discrepancias teóricamente relevantes 20 •
Desde los años sesenta se ha venido produciendo una creciente insistencia en la
conveniencia de acompañar la decisión propia de un contraste de hipótesis (mante-
ner o rechazar la H 0 planteada) con alguna medida del grado de discrepancia
existente entre esa H 0 y la evidencia muestra! disponible. Acabamos de destacar la
importancia de la información proporcionada por una medida de este tipo, pero no
hemos ofrecido ninguna solución aceptable (el nivel crítico como medida de esa
discrepancia no constituye una solución lo bastante buena).
En general, puede obtenerse una buena medida del tamaño del efecto en
términos de la proporción de varianza explicada. Si estamos interesados en estudiar
la relación entre las variables X¡ e Y; y utilizamos una muestra de 100 sujetos, un
coeficiente de correlación de Pearson de rxy = 0,20 nos llevará a concluir que la
relación entre las variables X¡ e Y; es estadísticamente significativa 21 . Sin embargo,
la proporción de la variación de Y; debida a (o explicada por) la variable X¡ es
r;Y = 0,04. Aunque un contraste de hipótesis nos llevaría a pensar que existe una
relación significativa entre ambas variables, una medida del tamaño del efecto nos
estaría advirtiendo de que lo que podemos conocer de una variable a partir de la otra
es bastante poco: de hecho, sólo el 4 por 100 de la variación de Y; queda explicado
por la variable X¡.
De momento, en este apartado, basta con que nos formemos una idea general
sobre el importante concepto de tamaño del efecto y sobre la conveniencia de
acompañar la decisión propia de un contraste de hipótesis con algún índice capaz
de proporcionarnos información más concreta sobre la decisión tomada. Más
adelante, a medida que vayamos estudiando cada uno de los procedimientos de
análisis aplicables a diferentes situaciones concretas, haremos referencia explícita a
la forma de evaluar el tamaño del efecto en cada una de ellas.
20 En León (1984) puede encontrarse una interesante discusión sobre el significado del concepto
significativo utilizado en el contexto del análisis de datos y fuera de él. Decir que un resultado muestra( es
estadísticamente significativo no implica necesariamente que ese resultado es teóricamente relevante.
21 Ver capítulo 8.
3.5. Contrastes bilaterales y unilaterales
En el apartado 3.1.4 hemos hecho referencia ya a la distinción entre contrastes

bilaterales y unilaterales. Se trata de una distinción importante sobre la que
debemos profundizar algo más.
Cuando un investigador desea comprobar si un parámetro toma o no un
determinado valor, si dos grupos difieren entre sí en alguna variable, si dos
variables son independientes, etc., puede someter a contraste hipótesis como éstas:
l. H0: n = 0,5
H 1: n # 0,5
2. Ho: µ¡ = µ2
H1: µ1 #µ2
3. Ho: Pxy =O
H1: Pxy #O
En situaciones de este tipo, el investigador o bien no posee una idea previa sobre
la dirección en la que se pueden producir resultados muestrales incompatibles con
H 0 , o bien considera relevante que los resultados muestrales se muestren incompati-
bles con H 0 tanto en una dirección como en la otra. En el caso 1, H 0 será rechazada
tanto sin es mayor que 0,5 como si es menor; en el caso 2, H 0 será rechazada tanto
si µ 1 es mayor que µ 2 como si µ 1 es menor que µ 2; en el caso 3, H 0 será rechazada
tanto si la relación es positiva como si es negativa. A este tipo de contrastes se les
llama bilaterales o bidireccionales. Las hipótesis formuladas no contienen ninguna
predicción sobre la dirección en la que se puede producir un resultado muestra)
incompatible con la afirmación establecida en H 0 . Lo cual está reflejado en H 1 con
el signo « # ».
Así, por ejemplo, si se quiere estudiar si los varones y las mujeres difieren en
inteligencia, y no existe una expectativa justificada (estudios previos, intereses
concretos, etc.) sobre cuál de los dos grupos es más inteligente, lo razonable será
plantear un contraste bilateral: H 0 : µv = µm; H 1 : µv # µm.
Cuando se utiliza la distribución normal o la distribución t de Student en un
contraste bilateral, la zona crítica está repartida, generalmente en partes iguales,
entre las dos colas de la distribución muestra) (ver figura 3.lA). De ahí el nombre
de bilateral. No obstante, existen contrastes bilaterales en los que la zona crítica se
encuentra, toda ella, en la cola derecha de la distribución. Tal es el caso de algunos
contrastes en los que se utiliza la distribución x2 o la F. Esto es algo que tendremos
ocasión de estudiar con detalle en los próximos capítulos.
La situación cambia cuando un investigador desea comprobar si el valor de un
parámetro ha aumentado, si un grupo supera o es mejor que otro en alguna
variable, si dos variables se encuentran negativamente relacionadas, etc., puede
someter a contraste hipótesis como éstas:
l. H 0 : n ~ 0,65
H 1 : n > 0,65
2. H 0 : µ 1 ~ µ2
H1: µ¡ >µ2
3. H 0 :p~O
H 1 : p <0
Aquí, el investigador, o bien posee una idea previa sobre la dirección en la que
se producirán los resultados muestrales incompatibles con H 0 , o bien considera que
sólo son relevantes los resultados muestrales que se muestren incompatibles con H 0
en una de las dos direcciones. En el caso 1, H 0 será rechazada si n es mayor que
0,65, pero no si es menor; en el caso 2, H 0 será rechazada si µ 1 es mayor que µ 2 ,
pero no si es menor; en el caso 3, H 0 será rechazada si la relación es negativa, pero
no si es positiva. A este tipo de contrastes se les llama unilaterales o unidireccionales.
Las hipótesis contienen una predicción concreta sobre la dirección en la que se
puede producir un resultado muestral incompatible con la afirmación establecida en
H 0 . Lo cual está reflejado en H 1 con los signos « < » y « > ».
Si deseamos comprobar, por ejemplo, si un psicólogo posee o no la capacidad
de diagnosticar correctamente trastornos de tipo neurótico a través de la escritura,
consideraremos que el psicólogo posee tal capacidad cuando, al presentarle pares de
muestras de escritura pertenecientes a un sujeto con trastorno y a otro sin trastor-
no, su proporción de aciertos sea mayor que la proporción de aciertos que cabe
esperar por azar; y consideraremos que no posee esa capacidad cuando su propor-
ción de aciertos sea igual o menor que la esperable por azar. Las hipótesis que
tendrá sentido plantear serán: H 0 : 7l:acierto ~ 0,5; H 1 : nacierto > 0,5.
Cuando se utiliza la distribución normal o la distribución t de Student en un
contraste unilateral, la zona crítica está en una de las dos colas de la distribución
(ver figura 3.1 B). De ahí el nombre de unilateral. Con otras distribuciones ocurre algo
parecido, pero esto también es algo que tendremos ocasión de estudiar con más
detenimiento en los próximos capítulos.
Conviene saber que los contrastes bilaterales y los unilaterales no poseen la
misma potencia. Dada una situación experimental concreta, si la verdadera H 1 se
separa de H 0 en la dirección de la zona crítica, los contrastes unilaterales son más
potentes que los bilaterales para cualquier valor posible de oc Por el contrario, si la
verdadera H 1 se aleja de H 0 en dirección contraria a la zona crítica, los contrastes
unilaterales son menos potentes que los bilaterales (en estos casos, la potencia de los
contrastes unilaterales no será mayor que ex).
Estas consideraciones, sin embargo, no deben guiar nuestra decisión sobre si en
una situación concreta debe utilizarse un contraste bilateral o unilateral. Esto debe
decidirse únicamente atendiendo a los intereses del investigador, es decir, atendien-
do a aquello que el investigador desea poner a prueba. Si deseamos comprobar si
un nuevo método terapéutico supera en proporción de mejoras al método tradicio-
nal, el contraste deberá ser unilateral: concluiremos que el nuevo método no
consigue aumentar la proporción de mejoras tanto si con él se obtienen menos
mejoras que con el tradicional, como si obtienen las mismas. Pero si lo que estamos
interesados en comprobar es si los pacientes histéricos difieren de los obsesivos en
ansiedad, tendremos que utilizar un contraste bilateral: tanto si los pacientes

histéricos son más ansiosos que los obsesivos, como si éstos lo son más que los
histéricos, la conclusión será que ambos tipos de pacientes difieren en ansiedad. Es
el tipo de hipótesis que deseamos contrastar lo que básicamente determina el tipo
de contraste que debemos utilizar.
3.6. Estimación por intervalos y contraste de hipótesis
Al estudiar el concepto de intervalo de confianza hemos visto que, a partir de un

valor muestral, era posible determinar la probabilidad (1 - et) con la que podíamos
esperar que un parámetro poblacional se encontrara entre el rango de valores
definidos por los límites del intervalo. Este modo de proceder se encuentra íntima-
mente relacionado con el contraste de hipótesis. No en vano nos hemos referido ya
a la estimación y al contraste como las dos caras de la misma moneda. Ha llegado el
momento de aclarar esta relación.
Al construir un intervalo para cualquier parámetro con un nivel de confianza
de, por ejemplo, 0,95 (1 - r:1. = 0,95), estamos afirmando que, de cada 100 intervalos
que construyamos con muestras del mismo tamaño extraídas en las mismas condi-
ciones, 95 incluirán el verdadero valor de ese parámetro. Lo cual significa que
ninguno de los valores asumibles por ese parámetro dentro del rango de valores
definido por el intervalo podrá ser rechazado como falso en un contraste bilateral
con r:1. = 0,05.
En este sentido, el intervalo de confianza de un parámetro puede ser interpre-
tado como el conjunto de hipótesis aceptables en un contraste bilateral sobre ese
parámetro. Si, por ejemplo, el valor propuesto para el parámetro µ en H 0 en un
contraste bilateral se encuentra dentro del intervalo construido a partir de X con
un nivel de confianza de 1 - r:1., el contraste nos llevará a tomar la decisión de
mantener H 0 con un nivel de significación oc Por el contrario, si el valor propuesto
para el parámetro µ en H 0 no se encuentra dentro del intervalo construido a partir
de X con un nivel de confianza de 1 - ex, el contraste nos llevará tomar la decisión
de rechazar H 0 con un nivel de significación r:1..
La figura 3.1 O puede ayudarnos a comprender mejor la relación entre intervalo
de confianza y contraste de hipótesis. Supongamos que deseamos contrastar la hipó-
tesis nula H 0 : µ = µ 0 frente a la alternativa H 1 : µ =f. µ 0 con un nivel de confianza
de 0,95. En la figura 3.10 aparece la distribución muestra) de la media. Cualquier
valor muestral X perteneciente a la zona rayada nos llevará al rechazo de H 0 . Del
mismo modo, cualquier valor muestra) X perteneciente a la zona rayada nos llevará
a construir un intervalo de confianza que no captará el valor propuesto para µ en
H 0 . Por el contrario, cualquier valor muestral X perteneciente a la zona no rayada
nos llevará tanto a mantener H 0 como a construir un intervalo de confianza que
incluirá el valor propuesto para µ en H 0 . Por tanto, al construir un intervalo de
confianza para el parámetro µ con un nivel de confianza de 0,95, estamos asumien-
do que todas las hipótesis nulas referidas a los valores de µ no incluidos en ese
0,025
µo+ l,96ux
Figura 3.10. -Distribución muestra! de la media. Zonas críticas correspondientes a un contraste

bilateral.
intervalo son falsas. Y lo mismo ocurnra con cualquier otro parámetro sobre el
que deseemos construir un intervalo de confianza o efectuar un contraste de hipó-
tesis.
EJEMPLO 3.3. La escala C de conservadurismo se distribuye N(23, 10) en la

población de estudiantes de una determinada universidad madrileña. Ciertos sucesos
políticos acaecidos hacen sospechar que dicha población ha alterado su promedio en
la mencionada escala. Para comprobarlo, decidimos seleccionar una muestra aleatoria
de 100 estudiantes de esa universidad. Obtenemos en esa muestra una media de 26.
Utilizando :x = 0,05, ¿podemos afirmar que el promedio en conservadurismo se ha
alterado?
Podemos responder a la pregunta efectuando un contraste de hipótesis sobre el
parámetro fl· El contraste debe ser bilateral pues estamos interesados en averiguar si el
promedio en conservadurismo se ha alterado (independientemente de que lo haya
hecho en una dirección o en otra).
a) Hipótesis:
H 0 : /1 = 23.
H 1 : f1 # 23 (contraste bilateral).
b) Supuestos:
Muestra aleatoria de 100 observaciones.
Las puntuaciones en conservadurismo se distribuyen normalmente.
e) Estadístico de contraste y distribución muestra(:
- z =(X - µ)/(a/JnJ = (26 - 23)/(10/j!OO) = 3.

- Z se distribuye según la normal estandarizada N(O, 1).
d) Regla de decisión:
Rechazar Ha si el estadístico de contraste Z toma un valor mayor que el
percentil 100(1 - 'Y./2) = 100(1 - 0,025) = 97,5 o menor que el percentil 100(':1./2) =
= 2,5 de la distribución N(O, 1), es decir, un valor mayor que za. 975 = 1,96 o menor
que za.a 25 = -1,96.
e) Decisión:
Dado que Z = 3 es mayor que za. 975 = 1,96, debemos rechazar Ha y concluir
que disponemos de evidencia empírica suficiente para pensar que Ha: µ = 23 es
falsa. Podemos concluir que la población estudiada ha alterado su promedio en
conservadurismo.
Veamos qué ocurre si, en lugar de efectuar un contraste de hipótesis, intentamos
responder a la pregunta construyendo un intervalo de confianza para µ:
L;=X - lz.dax = 26 - 1,96(10/JIOO) = 24,04

L.= X+ lz 212 lax =26 + 1.96(10/JIOO) = 27,96
Vemos que en el intervalo construido no queda incluido el valor propuesto para µ

en Ha· Podemos afirmar, con un nivel de confianza de 0,95, que el verdadero prome-
dio se encuentra entre 24,04 y 27,96. El valor 23 propuesto para µ en Ha queda fuera
del intervalo construido y, por tanto, debemos rechazar la hipótesis Ha= µ = 23.
AP~NDICE 3
Curva de potencias
Hemos visto que la potencia de un contraste se ve afectada (al igual que ocurre con la
probabilidad de cometer un error de tipo 11) por el valor concreto de H 1 • Ya sabemos que H 1
es una afirmación inexacta, en el sentido de que asigna diferentes valores al parámetro de
referencia o a la forma de una distribución. La hipótesis H 1: n: > 0,5, por ejemplo, está
asignando al parámetro n: todos los posibles valores mayores de 0,5 y, por tanto, no está
asignando un valor concreto, sino muchos. Pues bien, tanto la potencia como la probabilidad
de cometer un error de tipo 11 dependen de cuál de todos esos valores incluidos en H 1
consideremos como verdadero. Según hemos visto, cuanto más alejado se encuentre el
verdadero parámetro del valor propuesto para él en H ª' menor será la probabilidad de
encontrar valores compatibles con Ha y menor también, por tanto, la probabilidad de tomar
una decisión incorrecta (/J). Lo cual significa que existirán tantos valores para fJ (y, por tanto,
para 1 - /J) como valores para el parámetro en cuestión estén definidos en H 1 • En este
sentido, se habla de curva o función de potencias para expresar, en un contraste concreto, la
relación entre cada uno de los valores asignados al parámetro en H 1 y la potencia correspon-
diente a esos valores. permaneciendo todo lo demás constante.
Sigamos con nuestro ejemplo del psicólogo supuestamente capaz de diagnosticar a través
de la escritura. Habíamos planteado las hipótesis: Ha: n: :::;; 0,5, H 1 : n: > 0,5. Como H 1 es una
hipótesis compuesta, si H 0 es falsa, el valor verdadero de rr puede ser cualquiera de los

propuestos en H 1 , es decir, cualquier valor mayor que 0,5. Cada uno de esos valores
propuestos para rr en H 1 nos dará una potencia diferente al contrastar H 0 . La tabla 3.3
recoge la distribución muestra( de T1 para algunos valores rr > 0,5. Para obtener la potencia
que corresponde a esos valores rr > 0,5, basta con sumar, en la columna correspondiente a
cada valor rr 1 , las probabilidades individuales de los valores 9 y 10 de T1 . Eso, suponiendo,
como hemos hecho hasta ahora, que deseemos fijar para IX un valor de 0,011 (lo que, como
sabemos, equivale a establecer la siguiente regla de decisión: rechazar H 0 si T1 toma un valor
igual o mayor que 9). Pero podemos, además, ver qué ocurre con la potencia si utilizamos
valores diferentes para IX, por ejemplo, 0,001 y 0,055. Con IX= 0,055, la potencia para cada
valor tomado por rr 1 puede obtenerse sumando, en la columna correspondiente a cada valor
rr 1, las probabilidades individuales de los valores 8, 9 y 10 de T1 (pues establecer para IX un
valor de 0,055 equivale a establecer la siguiente regla de decisión: rechazar H 0 si T1 toma un
valor igual o mayor que 8). Y con oc= 0,001, la potencia para cada valor rr 1 viene dada por la
probabilidad de que T1 tome el valor 10 (pues establecer para IX un valor de 0,001 equivale a
establecer la siguiente regla de decisión: rechazar H 0 si T1 toma un valor igual a 10).
Por supuesto, dada la relación existente entre IX y /3, debemos esperar que, al aumentar el
valor de IX disminuya el valor de f3 y, por tanto, aumente el de 1 - {3, es decir, aumente la
potencia; y debemos esperar que al disminuir el valor de IX ocurra justamente todo lo
contrario, es decir, que disminuya la potencia.
En la tabla 3.4 hemos calculado la potencia que corresponde a los diferentes valores de rr 1
propuestos en la tabla 3.3. Y lo hemos hecho para IX= 0,001, IX= 0,011 y IX= 0,055. A partir
de esos valores hemos formado las curvas de potencias de la figura 3.11. En ella pueden
observarse algunas de las relaciones comentadas. En concreto, pueden observarse cla-
ramente dos cosas: 1) a medida que el valor de rr 1 se va alejando del valor de rr 0 , la po-
tencia va aumentando (este es el hecho básico reflejado en una curva de potencias); y 2) al
aumentar el valor de ex también aumenta la potencia. En la figura 3.11 queda ilustrada, por
tanto, la relación existente entre la potencia y dos de los factores de los que depende 22 : el
TABLA 3.3
Distribución muestra/ del estadístico T1 con n = 1O y diferentes valores de rr
T, 110 = 0,50 11, = 0,60 11, = 0,70 11¡ = 0,80 11, = 0,90 11, = 0,95 11, = 0,99
10 0,001 0,006 0,028 0,107 0,349 0,599 0,904

9 0,010 0,040 0,121 0,268 0,387 0,315 0,091
8 0,044 0,121 0,233 0,302 0,194 0,075 0,004
7 0,117 0,215 0,267 0,201 0,057 O,QIO 0,000
6 0,205 0,251 0,200 0,088 0,011 0,001 0,000
5 0,246 0,201 0,103 0,026 0,001 0,000 0,000
4 0,205 0,111 0,037 0,006 0,000 0,000 0,000
3 0,117 0,042 0,009 0,001 0,000 0,000 0,000
2 0,044 0,011 0,001 0,000 1
0,000 0,000 0,000
1 0,010 0,002 0,000 0,000 0,000 0,000 0,000
o 0,001 0,000 0,000 0,000
1
0,000 0,000 0,000
22 Todo lo dicho sobre la curva de potencias y los factores de los que depende ha estado referido a
un contraste unilateral (H 0 : 7t .;; 0,5; H 1 : 7t > 0,5). En un contraste bilateral es posible obtener la potencia
y la curva de potencias utilizando razonamientos similares a los expuestos. Estos razonamientos pueden
consultarse, por ejemplo, en San Martín, Espinosa y Fernández, 1987, apartado 6.7.
1 - {J
1,00
0,90
0,80
0,70
0,60
0,50
0,40
0,30
0,20
0,10
o
0,50 0,60 0,70 0,80 0,90 0,99
0,95
Figura 3.11.-Curvas de potencias para diferentes valores de H 1 y :x.
TABLA 3.4
Potencia asociada a diferentes valores de n: 1 y oc
(resultados obtenidos a partir de la tabla 3.3)
"• 2 = 0,001 2 = 0,011 0,055
0,50 0,001 0,011 0,055

0,60 0,006 0,046 0,167
0,70 0,028 0,149 0,382
0,80 0,107 0,375 0,667
0,90 0,349 0,736 0,930
0,95 0,599 0,914 0,989
0,99 0,904 0,995 1,000
verdadero valor de H 1 y el tamaño de oc. En el siguiente apartado de este apéndice nos

ocuparemos de la relación existente entre la potencia y el tercero de los factores de los que
depende: el tamaño de la muestra.
Efecto del tamaño de la muestra sobre la potencia
Según hemos estudiado en el apartado 3.3, el primero de los factores que afectan a la
potencia es el valor concreto de H 1 considerado como verdadero. Pero lo cierto es que saber
esto no nos sirve de mucho a la hora de intentar aumentar la potencia de un contraste. Por
un lado, el verdadero valor de un parámetro concreto no es algo que dependa de nuestros
intereses, por lo que dificilmente podremos manipular ese valor para conseguir con ello
modificar la potencia de un contraste. Por otro lado, puesto que desconocemos cuál es el
verdadero valor del parámetro estudiado (si lo conociéramos no necesitaríamos efectuar un
contraste sobre él) ni siquiera podemos determinar cuál de todas las afirmaciones abarcadas
por H 1 es la verdadera para, con ello, conocer la potencia del contraste.
En segundo lugar, ya sabemos que un aumento de IX tiene como consecuencia directa una
reducción de la probabilidad de cometer un error de tipo 11 (fi) y, por tanto, un aumento de
la potencia. Podríamos, pues, aumentar arbitrariamente IX y conseguir, de esa forma tan
sencilla, una reducción automática de p y un aumento de la potencia. Pero ya sabemos que
aumentar IX significa aumentar la probabilidad asociada al error de tipo l. Por lo que un
aumento de IX con la finalidad de conseguir hacer más potente el contraste no parece
constituir una solución lo bastante razonable (excepto en el caso de que cometer un error de
tipo 11 sea claramente más grave que cometer un error de tipo 1).
Más razonable parece intentar conseguir un aumento de la potencia a través de una
reducción del error típico de la distribución muestra( del estadístico utilizado en el contraste.
Según hemos visto en el apartado 3.2, con una operación tan sencilla como aumentar el
tamaño de la muestra podemos obtener una reducción del tamaño del error típico de la
distribución muestra( del estadístico utilizado y, como consecuencia de ello, una disminución
de P y un aumento de la potencia.
Continuando con nuestro ejemplo del psicólogo supuestamente capaz de diagnosticar
trastornos de tipo neurótico a través de la escritura, recordemos que al contrastar la hipótesis
nula H 0 : n: = 0,5 frente a la alternativa H 1 : n: = 0,7 mediante el estadístico Z y con un
tamaño muestra( n = 10, hemos obtenido una potencia de 0,1492 (apartado 3.3.1).
Manteniendo la misma regla de decisión que entonces y, por tanto, el mismo valor para IX (es
decir, 0,0136), veamos qué ocurre ahora si, en lugar de utilizar una muestra de tamaño
n = 10, utilizamos una muestra de tamaño n = 25 (permaneciendo igual lo demás).
Dado que IX vale 0,0136, rechazaremos H 0 cuando el estadístico Z tome un valor igual o
mayor que 2,21 (ver figura 3.8; esto no ha cambiado respecto a la situación anterior: 2,21 era
y sigue siendo el valor en puntuaciones Z que corresponde a la línea vertical en la
distribución de H 0 ). Esto equivale a decir que rechazaremos H 0 cuando T1 (el número de
aciertos) tome un valor mayor o igual que 18,525, pues:
(T1 - 0,5) - 25(0,5)

2,21 = ~ T1 = 18,525
)25(0,5)(0,5)
La probabilidad de encontrar, en la distribución definida por H 1 : n: = 0,7, un número de

aciertos igual o mayor que 18,525 (es decir, la potencia del contraste), podemos obtenerla a
partir de la puntuación Z correspondiente a 18,525 en la distribución de H 1 :
(18,525 - 0,5) - 25(0,7)

z = = 0,23
)25(0,7)(0,3)
La probabilidad de encontrar valores Z mayores o iguales que 0,23 vale (buscando en la

tabla de la distribución normal estandarizada) P(Z ~ 0,23) = 0,4090. De modo que, aumen-
tando el tamaño muestral de 10 a 25, la potencia del contraste ha pasado de 0,1492 a 0,4090.
La figura 3.12 recoge estas probabilidades.
Cl = 0,0136
17,5 18,525
--------..-------z
o 0,23
Figura 3.12. Áreas correspondientes a las probabilidades ex, p, 1 - ex y 1 - p en un contraste unilateral
derecho (H i: n = O, 7; n = 25).
El efecto del tamaño de la muestra sobre la potencia de un contraste quedará, creemos,

definitivamente ilustrado si repetimos la misma operación utilizando un tamaño muestral
aún mayor. Siguiendo con la misma regla de decisión, veamos qué ocurre si aumentamos el
tamaño de la muestra de 25 a 100. Al igual que antes, :x = 0,0136, de modo que rechazaremos
H 0 cuando el estadístico Z tome un valor igual o mayor que 2,21 (ver de nuevo la figura 3.8;
2,21 era y sigue siendo el valor en puntuaciones Z que corresponde a la línea vertical en la
distribución de H 0 ). Esto equivale a decir que rechazaremos H 0 cuando T1 (número de
aciertos) tome un valor mayor o igual que 61,55, pues:
(Ti - 0,5) - 100(0,5)
2,21 = => Ti = 61,55
J 100(0,5)(0,5)
Por tanto, la potencia del contraste será la probabilidad de obtener, en la distribución
definida por Hi: n = 0,7, un número de aciertos igual o mayor que 61,55. Transformando
61,55 en puntuación Z en la distribución de H 1 podemos determinar esa probabilidad:
(61,55 + 0,5) - 100(0,7)

Z= = -1,73
J 100(0, 7)(0,3)
La probabilidad de encontrar valores Z mayores o iguales que -1,73 vale:

P(Z;;:::: -1,73) = 0,9582. De modo que, al aumentar el tamaño muestra! de 25 a 100, la
potencia del contraste ha pasado de 0,4090 a 0,9582. La figura 3.13 recoge estas probabili-
dades 23.
~ = 0,0136
Figura 3.13.-Áreas correspondientes a las probabilidades ~, {J, 1 - ~ y 1 - fJ en un contraste unilateral

derecho (H 1: n = 0,7; 11 = 100).
El efecto del tamaño muestra! sobre la potencia puede apreciarse con toda claridad
observando la curva de potencias. Para un nivel de significación ex dado, la curva de potencias
muestra un notable incremento en la potencia de un contraste a medida que el tamaño
muestra! va aumentando. La figura 3.14 ilustra esta idea. En ella están representadas las
curvas de potencias obtenidas al contrastar H 0 : n = 0,5 frente a H 1 : n > 0,5. Esas curvas se
han dibujado a partir de los datos de la tabla 3.5, los cuales se han obtenido utilizando la
tabla de la distribución binomial con: n = 0,5, 0,6, ... , 0,99; n = 10, 20; y ex = 0,001.
Por supuesto, al decir que la potencia de un contraste aumenta conforme lo hace el
tamaño muestra), lo que estamos diciendo es que la probabilidad de rechazar la H 0 sometida
a contraste es tanto mayor cuanto mayor es el tamaño de la muestra utilizada. La consecuen-
cia de esto es tan llamativa que no nos puede pasar desapercibida: cualquier hipótesis que se
nos ocurra plantear puede terminar siendo rechazada con la única condición de que el
23 La relación entre la potencia y el tamaño de la muestra es similar a la relación antes vista entre la
potencia y el verdadero valor de H 1 • Hemos visto que, a medida que el valor propuesto para el
parámetro en H 1 se va alejando del valor propuesto en H 0 , la potencia va aumentando. Del mismo
modo, a medida que 11 va aumentando, también la potencia lo va haciendo, permaneciendo todo lo
demás igual.
1-P
1,00
0,90
0,80
0,70
0,60
0,50
0,40
0,30
0,20
0,10
o
0,50 0,60 0,70 0,80 0,90 0,99
0,95
Figura 3.14.-Curvas de potencias para dos tamaños muestrales diferentes.
TABLA 3.5
Potencias asociadas a diferentes tamaños muestra/es
( n = 10 y n = 20) al contrastar
H 0 : n = 0,5 frente a H 1 : n > 0,5 con :x = 0,001
1 - p con n = 10 1-Pconn=20
"•
0,50 0,001 0,001
0,60 0,006 0,015
0,70 0,028 0,108
0,80 0,107 0,412
0,90 0,349 0,867
0,95 0,599 0,984
0,99 0,904 1,000
tamaño de la muestra sea lo bastante grande (siempre, claro está, que esa hipótesis no sea
exactamente verdadera; es decir, siempre que exista una ligera discrepancia, por pequeña que
sea, entre la hipótesis plateada y la situación verdadera). Un sencillo ejemplo nos ayudará a
comprender esta idea.
EJEMPLO 3.4. La variable cociente intelectual (CI) se distribuye, en la población

española, normalmente con media 100 y desviación típica 15: N(IOO, 15). Parece ser
que las personas con ideas políticas radicales poseen un CI superior a la media aunque
igualmente distribuido. Para confirmar esta sospecha, un psicólogo selecciona aleato-
riamente una muestra de 25 personas radicales y, tras medir su CI obtiene una media
de 102. ¿Podemos, con estos datos y con un nivel de confianza de 0,95, afirmar que la
inteligencia media de las personas radicales es superior a la de la población española?
Se trata de un contraste sobre la media de una población. El procedimiento que
debemos seguir es idéntico al expuesto en el ejemplo 3.2.
l. Hipótesis:
H 0 : µ = 100.
H 1 : µ > 100 (contraste unilateral derecho).
2. Supuestos:
Podemos suponer, como se nos dice, que la variable CI se distribuye normal-
mente en la población.
Extraemos una muestra aleatoria de 25 observaciones.
3. Estadístico de contraste y distribución muestra(:
z =(X - ~ z = (102 - 100)/(15/j25) = 0,67.

µ)/(a/Jnl
Z se distribuye según la normal estandarizada N(O, 1).
Rechazar H 0 si el estadístico de contraste Z toma un valor mayor que el
percentil 100(1 - oc)= 100(1 - 0,05) = 95 de la distribución N(O, 1), es decir, un
valor mayor que z0 . 95 = 1,64 (contraste unilateral derecho).
5. Decisión:
Dado que z = 0,67 es menor que z0 • 95 = 1,64, debemos mantener H 0 y
concluir que no disponemos de evidencia suficiente para pensar que H 0 : µ = 100
es falsa. No podemos concluir que la población de personas radicales poseen un
CI superior al del resto de la población.
A esta conclusión hemos llegado utilizando una muestra de 25 sujetos. Veamos qué
ocurre si vamos aumentando el tamaño de la muestra y suponemos que el CI
observado es siempre el mismo: 102. Comencemos con un tamaño muestra! de 50:
z = (102 - 100)/(15/.jSo) = 0,94. Dado que z = 0,94 es menor que z0 •95 = 1,64, con
n = 50 seguimos manteniendo H 0 .
Con n = 100: z = (102 - 100)/(15/..jTOO) = 1,33. Como z = 1,33 es menor que
z0 •95 = 1,64, también con n = 100 mantenemos H 0 .
Con n = 200: z = (102 - 100)/(15/)200) = 1,89. Como z = 1,89 es mayor que
z0 , 95 = 1,64, rechazamos H 0 •
A pesar de que una discrepancia de 2 puntos (la que hay entre 100 y 102) es
bastante pequeña en términos de CI, aumentando el tamaño muestra) lo suficiente
(hasta 200) hemos terminado rechazando la hipótesis H 0 : µ = 1OO.
Llegados a este punto, cabe preguntarse cuál ha de ser el tamaño de la muestra para
conseguir que un contraste concreto alcance una determinada potencia. Continuemos con el
ejemplo del psicólogo supuestamente capaz de diagnosticar a través de la escritura. Plantee-
mos la hipótesis nula H 0 : n = 0,5 frente a la alternativa H 1 : n = O, 7 y llamemos Pe al punto
que separa la zona crítica de la zona de aceptación. Si nos fijamos en la figura 3.13 podremos
constatar que, en la distribución correspondiente a H 0 , se verifica:
(3.2)
Algo parecido ocurre en la distribución correspondiente a H 1:

P, - nn 1
Zp = => P, = nn 1 + zpjnn 1(1 - n 1) (3.3)
Jnn 1(1 - n 1)
De (3.2) y (3.3) se deduce que:
(3.4)
por lo que:
(3.5)
La ecuación (3.5) nos permite obtener el tamaño muestra! necesario para alcanzar una
determinada potencia, con un nivel de significación oc y una distancia dada entre n 0 y n 1 . Es
decir, el tamaño necesario para que el contraste sea capaz de detectar, con una probabilidad
1 - p, que H 0 : n = n 0 es falsa (y siendo verdadera H 1 : n = n ¡). En todo momento nos
estamos refiriendo a un contraste unilateral (derecho o izquierdo, indistintamente). Si el
contraste es bilateral, basta con sustituir z 1 - · por z 1 _ 012 •
En ocasiones, obtener una determinada potencia requerirá un tamaño muestra! demasia-
do grande, un tamaño tal vez dificil de conseguir. Muchas de las investigaciones llevadas a
cabo en el contexto de las ciencias sociales, y especialmente en psicología, necesitan utilizar
diseños en los que resulta muy costoso y nada fácil trabajar con muestras grandes. Es el
investigador quien debe evaluar la importancia de cometer cada tipo de error en una
situación concreta y si la ganancia que se obtiene al aumentar la potencia del contraste
compensa el esfuerzo necesario para incrementar el tamaño muestra!.
La ecuación (3.5) es fácilmente generalizable a otro tipo de situaciones. Incluso puede
simplificarse considerablemente cuando el error típico de la distribución muestra! utilizada
sea el mismo bajo H 0 y H 1 , como en el caso de la media. Dado que ax= a/Jn,
tendremos,
de acuerdo con (3.4):
(J (J
µ1 - µO= Z1 -• Jn- Zp Jn (3.6)
por lo que:
(3.7)
172 / Análisis de datos en psicologfa 11
nos permitirá obtener el tamaño muestra) necesario para alcanzar una determinada potencia,
para un nivel de significación IX y para una distancia dada entre µ 0 y µ 1 • Si desconocemos u 2 ,
podemos estimarla.
EJEMPLO3.5. Al contrastar la hipótesis nula H 0 : n = 0,5 frente a la alternativa

H 1: n 0,7 con un nivel de significación IX= 0,05, ¿cuál debe ser el tamaño de la
=
muestra para que la potencia del contraste valga 0,80?
Aplicamos la ecuación 3.5:
n = (zo.9sJ0,5(1 - 0,5) - z0 •20 J0,7{1=-0,7}) 2
0,7 - 0,5
l,64J0,25 - (-0,84)J0,21) 2
=( = 36 297
0,2 '
Redondeando al entero mayor, vemos que el tamaño necesario para obtener una
potencia de 0,80, con IX = 0,05 y n 1 - n 0 = 0,2 es de 37.
EJERCICIOS
3.1. ¿Cuáles de las hipótesis que siguen están bien formuladas?

a) H 0 : 11 = 3; H 1: 11 ~ 3 e) H 0: µ ~ 3; H 1: µ ~ 3
b) H 0 : µ > 3; H 1: 11 < 3 f) H 0 : n ~ 0,5; H 1: n i' 0,5
e) H 0 : n ~ 0,5; H 1: n < 0,5 g) H 0 : µ i' 3; H 1: µ = 3
d) H 0 : n = 0,5; H 1: n > 0,5 h) H 0 : µ < 3; H 1: µ ~ 3
3.2. Asigne a cada concepto el número de la definición que le corresponde:

1. Probabilidad de rechazar H 0 siendo falsa ()IX
2. Probabilidad de aceptar H 0 siendo falsa ( ) fJ

3. Probabilidad de rechazar H 0 siendo verdadera ( ) 1- IX
4. Probabilidad de aceptar H 0 siendo verdadera () 1 -P
3.3. Sean H 0 : µ = 30 y H 1 : µ = 40 las hipótesis nula y alternativa acerca de una población

normal con a 2 = 100. Si extraemos de esa población una muestra aleatoria de 25 sujetos,
¿que valor debe tomar la probabilidad de cometer un error de tipo 1 para que al contrastar
las mencionadas hipótesis valga 0,9962 la probabilidad de rechazar H 0 siendo falsa?
3.4. Queremos contrastar la hipótesis de que el nivel de ingresos medio de cierto colectivo
español es de 115.000 pesetas, con u = 30.000, frente a la hipótesis alternativa de que el nivel
de ingresos medio es de 100.000 pesetas. Si utilizamos una muestra aleatoria de 25 sujetos y
un nivel de confianza de 0,95, ¿cuál será la potencia del contraste?
3.5. ¿Cuánto disminuiríamos la probabilidad de cometer un error de tipo 11 en el contraste

del ejercicio anterior si, permaneciendo todo exactamente igual, utilizáramos una muestra de
50 sujetos?
3.6. ¿Cuánto vale, utilizando un nivel de riesgo de 0,01, la probabilidad de cometer un error
de tipo 11 al contrastar la hipótesis nula H 0 : µ = 60 frente a la alternativa H 1 : µ = 65 con una
muestra aleatoria de 40 sujetos extraída de una población normal con a 2 = 160?
3.7. ¿Qué tamaño debería tener la muestra del ejercicio anterior para que la potencia del
contraste aumentara un 15 por ciento? (ver apéndice 3).
3.8. En un contraste sobre H 0 : µ = 420, ¿para qué valores de X rechazaríamos H 0

utilizando una muestra aleatoria de tamaño 36 extraída de una población normal con
a 2 = 324? (considérese ex = 0,01 y el contraste bilateral).
3.9. Utilizando ex= 0,05 y una muestra aleatoria de 20 sujetos extraída de una poblaciór1
normal con a 2 = 80, trace la curva de potencias que se obtendría al contrastar la hipótesis
nula H 0 : µ = 30 frente a las alternativas H 1 : µ = 31, H 1 : µ = 32, H 1 : µ = 33, H 1 : µ = 34, H 1 :
µ = 35, H 1 : µ = 36 y H 1 : µ = 37 (ver apéndice 3).
3.10. ¿Qué curva de potencias obtendríamos si efectuáramos los contrastes del ejercicio
anterior con el mismo nivel de significación pero con una muestra de 80 sujetos? (ver
apéndice 3).
3.1 t. Un estadístico de contraste V tiene las funciones de distribución de probabilidad que

aparecen en la tabla 3.6. Llevado a cabo un contraste unilateral izquierdo con una determi-
nada muestra obtenemos V= - l.
TABLA 3.6
V -1 -0,5 o 0,5 1 1,5 2
F(v) bajo H 0 verdadera 0,03 0,05 0,37 0,65 0,90 0,97 1

F(v) bajo H 0 falsa 0,15 0,35 0,63 0,77 0,85 0,94 1
a) Establezca una regla de decisión en términos de probabilidad.

b) ¿Qué decisión tomará sobre H 0 ? ¿Por qué?
e) ¿Cuál será el valor del nivel crítico?
d) ¿Cuál será la potencia del contraste si utilizamos ex = 0,05?
3.12. El estadístico de contraste X se distribuye según se muestra en la tabla 3.7.
TABLA 3.7
X o 1 2 3 4
f(x) con 7t = 0,40 0,130 0,345 0,345 0,154 0,026

f(x) con 7t = 0,60 0,026 0,154 0,345 0,345 0,130
Si planteamos, con :x = 0,05, el siguiente contraste: H 0 : n = 0,40, H 1 : n = 0,60,

a) ¿Cuál será la decisión respecto a H 0 si x = 3?
b) ¿Qué tipo de error podríamos estar cometiendo con nuestra decisión?
c) ¿Cuál es la probabilidad de cometer tal error?
d) ¿Cuál es la potencia del contraste?
3.13. (Diga cuál de las siguientes afirmaciones es verdadera). Si en un contraste unilateral

derecho utilizamos como nivel de significación 0,005:
a) La probabilidad de mantener H 0 siendo falsa es 0,005.
b) La probabilidad de rechazar H 0 siendo falsa es 0,005.
c) La probabilidad de rechazar H 0 siendo verdadera es 0,005.
d) La probabilidad de mantener H 0 siendo falsa es 0,995.
e) La probabilidad de rechazar H 0 siendo verdadera es 0,995.
3.14. (Diga cuál de las siguientes afirmaciones es verdadera). En un contraste cualquiera

obtenemos un estadístico de contraste H = 6,13 tal que P(H < 6,13) = 0,05. Si el contraste es
unilateral derecho:
a) Decidiremos mantener H 0 •
b) Decidiremos rechazar H 0 •
c) La probabilidad de rechazar H 0 , siendo falsa. vale 0.9.5
d) Podemos rechazar H 0 con una probabilidad de equivocarnos de 0,05.
e) Al mantener H 0 siendo verdadera, la probabilidad de equivocarnos es de al menos
0,05.
3.15. Supongamos que la variable aleatoria C¡ se distribuye N(µ, 10) en una determinada
población. Planteamos dos hipótesis acerca del parámetro desconocido µ:
H 0 : µ = 50
H 1 : µ = 58
Para efectuar el contraste, extraemos una muestra aleatoria de 25 observaciones. Razone

sobre cuál de las siguientes dos regiones criticas es mejor teniendo en cuenta los valores de
:x y P:
(46 ~e~ 54)

(C ~ 53,4)
3.16. Para contrastar la hipótesis de que el 50 por 100 de los sujetos de una ciudad española
se encuentran en paro se adoptó la siguiente regla de decisión: rechazar dicha hipótesis si en
una muestra de tamaño 100 seleccionada aleatoriamente de esa ciudad se obtienen menos de 40
o más de 60 sujetos en paro: mantenerla en caso contrario. Averiguar:
a) La probabilidad de rechazar la hipótesis cuando en realidad es verdadera.
b) La probabilidad de mantener la hipótesis cuando en realidad hay un 70 por 100 de
parados.
3.17. Los habitantes de Niagara-Falls (Estados Unidos) corren el riesgo de sufrir taras
genéticas irremediables debidas a ciertos desechos químicos enterrados en el subsuelo. Las
autoridades proponen evacuar la ciudad si más de la quinta parte de la población presenta
anomalías cromosómicas.
Hace unas semanas se tomaron aleatoria e independientemente muestras de sangre de 36
habitantes, 11 de los cuales presentaron anomalías cromosómicas. Ante los datos obtenidos
en la muestra:
a) ¿A partir de qué nivel de significación se tomará la decisión de evacuar la población?
b) ¿Cuál es la potencia del contraste frente a la hipótesis de que la verdadera proporción
de afectados es de un tercio?
3.18. ¿Cuál es el nivel de significación utilizado en un determinado experimento si al

contrastar la hipótesis nula H 0 : µ = 15 frente a la alternativa H 1 : µ = 21, utilizando una
muestra aleatoria de de tamaño 20 extraída de una población normal con u 2 = 180, vale 0,80
la probabilidad de rechazar la hipótesis nula siendo falsa?
3.19. Un test de inteligencia baremado en la población argentina se distribue N(l00, 15). Al

trasladarlo a la población española se supone que el promedio será superior a 100. Extraída
una muestra aleatoria de 100 sujetos españoles se obtiene una media de 103,5.
a) ¿Qué podemos inferir con un nivel de confianza de 0,99?
b) Supongamos que sea absolutamente necesario reestandarizar el test (adaptar los
baremos) si el promedio poblacional para los españoles es de al menos 103. ¿Cuál
sería la potencia del contraste del apartado anterior?
e) ¿Cuál habría de ser el tamaño de la muestra para alcanzar una potencia de 0,95?
(Ver apéndice 3).
3.20. Consideremos una población en la que la variable aleatoria Y¡ se distribue N(µ, 15). Se
desea contrastar la hipóteis nula H 0 : µ = 30 frente a la alternativa H 0 : µ = 33, con una
muestra de tamaño 100. Deseamos que la probabilidad de mantener H 0 siendo verdadera
valga como mínimo 0,95.
a) ¿Cuál será el valor de rY.?
b) ¿Cuál será el valor de fJ?
e) ¿Cuál ha de ser el tamaño de la muestra para que, sin modificar rY., el valor de Pquede
reducido a la mitad?
SOLUCIONES
3.1. La e y la d.
3.2. (3) (1.
(2) p
(4) 1 -(1.
(1) 1 -P
3.3. rx = P(Z ~ 2,33) = 0,01.
3.4. 1- p= P(Z::::; 0,86) = 0,8051.
3.5. O, 1651.
3.6. p= P(Z ::::; -0, 17) = 0,4325.
3.7. n = 47.
3.8. Rechazaríamos H 0 paraX<412,26yX>427,74.
3.9. XC= 33,28.

Con H 1: µ = 31, (1 - p) = 0,1271 1-P
1,00
Con H 1: µ = 32, (1-P)=0,2611
0,90
Con H 1: µ = 33, (1 - p) = 0,4443 0,80
Con H 1: µ = 34, (1 - p) = 0,6406 0,70
0,60
Con H 1: µ = 35, (1 - p) = 0,8051 0,50
0,40
Con H 1: µ = 36, (1 - p¡ = 0,9131
0,30
Con H 1: µ = 37, (1 - p¡ = 0,9686 0,20
0,10
0-1-'IA.~~~~~~~~~ H,
31 32 33 34 35 36 37
3.10. XC= 31,64.

Con H 1: µ = 31, (1 - p) = 0,2611 1-p
Con H 1: µ = 32, (1 - p) = 0,6406 1,00
0,90
Con H 1: µ = 33, (1 - p) = 0,9131 0,80
Con H 1: µ = 34, (1 - p) = 0,9909 0,70
0,60
Con H 1: µ = 35, (1 - p¡ = 0,9996 0,50
Con H 1: µ = 36, (1 - p) = 0,9999 0,40
0,30
Con H 1: µ = 37, (1 - p) = 0,9999 0,20
0,10
o~-.---,----r~..--.---,----r-H 1
31 32 33 34 35 36 37
3.11. a) Rechazar H 0 si P( V::::; vk) ::::; 0,05.

b) Rechazarla. Por que P( V::::; - 1) < 0,05.
e) P(V::::; -1) = 0,03.
d) 1 - p = 0,35.
3.12. a) Mantenerla, pues P(X ~ 3) = 0,180 > 0,05.

b) Error de tipo 11.
e) p = 0,870.
d) 1 - p = O, 130.
3.13. Sólo es verdadera la afirmación c.
3.14. Sólo es verdadera la afirmación a.
3.15. Con la primera región crítica: IX= 0,0456 y p = 0,0228.

Con la segunda región crítica: IX= 0,0446 y p = 0,0107.
La segunda región crítica parece mejor (IX es parecida en las dos, pero p es el doble de
grande en la primera).
3.16. a) IX= P(-2,1~Z~2,1) = 0,0358 (con corrección por continuidad).

b) fl = P(-6,66 ~ Z ~ -2,07) = 0,0192 (con corrección por continuidad).
3.17. a) p = P(Z ~ 1,37) = 0,0853 (con corrección por continuidad).

b) 1 - fl = P(Z ~ -0,53) = 0,7019 (con corrección por continuidad).
3.18. IX= P(Z ~ 1,16) = 0,123.
3.19. a) P(Z ~ 2,333) < 0,01; por tanto, rechazamos H 0 y concluimos que, con los datos
disponibles, existe evidencia suficiente para pensar que la media de la población
española es mayor que 100.
b) 1 - p = P(Z ~ 0,33) = 0,3707.
e) /1 = 395.
3.20. a) IX = 0,05 (probabilidad de rechazar H 0 cuando es verdadera).

b) /1 = P(Z ~ -0,36) = 0,3594.
e) n = 164.

Contraste de Hipótesis

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Contraste de Hipótesis

Cargado por

Copyright:

Formatos disponibles

Contraste de hipótesis

3.1. La lógica del contraste de hipótesis.

parcela de la realidad y se plantean con la intención de cubrir alguna laguna

3.1. La lógica del contraste de hipótesis

El primer paso del proceso de verificación de una hipótesis consiste en formular

Podemos formular Ja hipótesis de que «el psicólogo no posee tal capacidad». Si

Un contraste de /1ipútesis es un proceso de decisión en el que una hipótesis

Acabamos de exponer la lógica general de ese proceso. Ahora vamos a profundi-

3.1.1. Las hipótesis estadísticas

l. La hipótesis 1111/a. representada por H 0 •

La hipótesis nula H 0 es Ja hipótesis que se somete a contraste. Consiste

Conviene no pasar por alto un detalle de especial importancia: el signo « = »,

3.1.2. Los supuestos

Los supuestos de un contraste de hipótesis son un conjunto de afirmaciones

3.1.3. El estadístico de contraste

Un estadístico de contraste es un resultado muestra! que cumple la doble

~;) Ediciones Piramide

Si la hipótesis que deseamos contrastar es H 0 : µ = 30, debemos recurrir a un

T 1 =X (número de aciertos o de diagnósticos correctos)

La distribución muestra! de X o de P (tabla 3.1) nos proporciona la probabili-

3.1.4. La regla de decisión

La regla de decisión es el criterio que vamos a utilizar para decidir si la hipótesis

los valores del estadístico de contraste próximos a la afirmación establecida en H 0 .

La 1'eyla de decisión consiste en reclw::ar H 0 si el estadístico de contraste toma

En el contraste 2, por el contrario, los únicos valores muestrales incompatibles

encontraremos con excepciones a esta regla.

3.1 .5. La decisión

Planteada la hipótesis, formulados los supuestos, definido el estadístico de

H 1: 1tacierto > 0,5. (H 1 : el psicólogo posee capacidad de diagnóstico).

3. Estadístico de contraste y distribución muestra):

3. Estadístico de contraste y distribución muestra(:

- Z =(X - µ)/(u/Jn) =:> z = (5,1 - 4,5)/(l,4/j25) = 2,14.

z, 12 = -1,96 Z1 -2/2 = 1,96

Figura 3.2.-Probabilidades asociadas a los puntos críticos correspondientes a un nivel de

3.2. Errores de tipo 1 y 11

estaremos tomando una decisión correcta; si es falsa y la rechazamos, también esta-

Llamamos error de tipo I al que se comete cuando se decide rechazar una H 0

Por tanto, 1 - :x será la probabilidad de tomar una decisión correcta cuando H 0

Decisión correcta Error tipo 11

La probabilidad de cometer un error de tipo 1 con nuestra decisión es una

Zona de aceptación Zona de rechazo

Figura 3.3. -Áreas correspondientes a las probabilidades !X, p, 1 - :x y 1 - p en un contraste unilateral

H 0 : µ = µ 0 (µ 0 se refiere a un valor concreto cualquiera). En la cola derecha de esa

concreto µ 1 que consideremos. Fijándonos en la figura 3.3 podremos comprobar

Zona de aceptación Zona de rechazo

Figura 3.4.~Áreas correspondientes a las probabilidades !X, p, 1 - !X y 1 - P en un contraste unilateral

Una vez seleccionado un valor concreto µ 1 en H 1 , el tamaño del área fJ depende,

mayor es el error típico de una distribución, más ancha es esa distribución). Y

Zona de aceptación Zona de rechazo

Figura 3.5.-Áreas correspondientes a las probabilidades <X, p, 1 - <X y 1 - p en un contraste unilateral

En el caso que nos ocupa, estamos contrastando la hipótesis H 0 : µ = µ 0 . Esto

3.3. Potencia de un contraste

Hasta hace pocos años, la mayor parte de los procedimientos estadísticos

La potencia ( 1 - /l) de un contraste es la probabilidad de rechazar una

Cuando hablamos de la potencia de un contraste, por tanto, nos estamos

15 Ya hemos visto en el apartado anterior que el valor de {i depende, en primer lugar, de la H 1

mos con un número de aciertos inferior a 9. Ahora bien, si H 1 es verdadera, la

Zona de aceptación Zona de

menores que 9 en una distribución binomial con parámetros n = 10 y n = 0,7. Del

Zona de aceptación Zona de

el estadístico de contraste T 1 , utilicemos este otro basado en la aproximación

Ya sabemos que Z se distribuye aproximadamente N(O, 1). Si mantenemos la

El valor de 1:1. vendrá dado por la probabilidad de obtener valores T1 iguales o