Prueba de Hipótesis

Ejemplo 1

Ejemplo de la comparación del largo total de los machos y hembras de zorro pelón:

1- Se realiza un a prueba de t, y por lo tanto, se obtiene un valor de t.

Valor de t = 1.65, queda dentro del área de no significancia Valor de p = 0.051 (0.102/2
=0.051) Conclusión: no hay diferencia significativa entre el largo total de machos y
hembras de zorro pelón
Un caso hipotético: Comparando medias
Evaluar si el uso de cuatriciclos resulta en un incremento del estrés en poblaciones de venados de
campo en un área de Guanacaste. El estrés será evaluado por niveles de hormonas glucocorticoides
(GC) en la sangre o heces de los venados. Venados no expuestos al paso de cuatriciclos tienen una
media de 872 (y su respectivo ee) ng GC/g, mientras venados expuestos al paso de cuatriciclos
tienen una media de 1468 (y su respectivo ee) ng GC/g (Diferencia= 596 (y su respectivo ee)
ngGC/g). Como decidir si la diferencia entre estas 2 medias es suficientemente grande para
atribuírsela al efecto de los cuatriciclos.
La Hipótesis Estadística Nula
Científicos tienden a favorecer explicaciones parsimoniosas o simples. La explicación más simple
es que la diferencia representa la variación aleatoria entre los grupos y no refleja el efecto
sistemático de los cuatriciclos. Aunque se debe recordar que es improbable que las medias de 2
muestras sean iguales, incluso si se extraen dos muestras diferentes de los venados no expuestos a
los cuatriciclos. El nivel de los GC difiere entre individuos por muchas razones, estas variaciones
(incluyendo la variación por errores de medición) es lo que se llama variación aleatoria. Nosotros
queremos saber si la diferencia entre medias de los grupos es mayor a la que esperaríamos además
de variación aleatoria entre individuos. Una típica hipótesis nula estadística es que “la diferencia
entre los grupos no es mayor a la que esperaríamos debido a la variación aleatoria”. Así, la H0
establece que no opera otro mecanismo más que la variación debida al azar (no hay efecto de los
cuatriciclos).

2- Significancia Estadística y Valores de P

En muchos análisis estadísticos la pregunta es si la hipótesis nula de variación debido al azar puede
ser rechazada. El valor de P es la guía para alcanzar una decisión. El valor de P mide la probabilidad
de observar, en estudios idénticos repetidos, la diferencia encontrada o valores aún más extremos,
asumiendo que la hipótesis nula es verdadera. Lo que estamos analizando es P(datos observados o
más extremos|H0) y no P(H0|datos). Esto no es lo mismo que decir: la probabilidad de que H0 sea
verdadera dado los datos observados [P(H0|datos)]. Si quisiéramos establecer la probabilidad de
que H0 es verdadera deberíamos realizar la prueba de hipótesis en el marco de la estadística
Bayesiana.

3 elementos determinan el valor de P El tamaño de muestra (n) A mayor tamaño de muestra

menor el valor de P. Con un tamaño de muestra suficiente se pueden detectar diferencias triviales
entre los grupos en comparación. La diferencia entre medias observada (mediagrupoA –
mediagrupoB) A mayor diferencia entre las medias menor el valor de P. El nivel de variación entre
individuos (variabilidad de los datos) A menor variabilidad en los datos menor el valor de P. A
menor variabilidad en los datos será más fácil detectar una diferencia entre grupos.
El valor de P es interpretado erróneamente de 3 maneras:

Sin embargo, el valor de P es la probabilidad de que un resultado o resultados más extremos

ocurran por azar en la corrida larga (longrun), condicional a que la H0 es verdadera.

3- Prueba de Hipótesis Estadísticas, aproximación clásica

Un resultado no significativo (ejemplo, P = 0,64) no implica que H0 es verdadera. Para algunos
investigadores un resultado no significativo implica que no se tiene evidencia para rechazar H0. La
excepción sería si tenemos una potencia alta de la prueba estadística para detectar una hipótesis
alternativa, entonces podríamos afirmar que el verdadero efecto es probablemente menor que el
efecto específico que estamos buscando.

4- Críticas a las Pruebas de Significancia Estadística

1- La significancia estadística depende del tamaño de la muestra Cualquier H0 puede ser
rechazada con un tamaño de muestra suficientemente grande. Por lo tanto, si una H0 no
es rechazada se debe a que el tamaño de muestra no fue suficiente. En el ejemplo del
estrés de los venados una diferencia de 1 nanogramo puede ser detectada como
estadísticamente significativa si el tamaño de muestra es suficientemente grande (más
venados son analizados).
 2- Las H0 son generalmente falsas, por lo tanto, no tiene mucho valor el rechazar H0 Dos
medias poblacionales nunca van a ser exactamente iguales. Por lo tanto su diferencia
nunca va a ser exactamente 0. Ejemplos donde se rechazan hipótesis nulas de manera
trivial: La densidad de árboles fue mayor en áreas no deforestadas que en áreas
deforestadas (P = 0.02) La masa corporal de la población de mapachines del PN Manuel
Antonio difiere de la población de mapachines del PN Santa Rosa (P = 0.03, n = 456)
3- El valor de significancia es arbitrario El uso de α = 0.05 como el criterio para rechazar o no
rechazar una hipótesis es arbitrario. Fisher sugirió primero 0.05, pero más tarde sugirió
usar un nivel de significancia específico para cada ocasión. Neyman-Pearson no establecen
un alfa específica, simplemente un valor escogido a priori.
4- Un valor de P no es informativo 5. Los valores de P no pueden ser comparados si provienen
de tamaños de muestras diferentes 6. Producen un decisión dicotómica Es silencioso con
respecto al tamaño del efecto. P = 0.001 Pero no dice cual es la diferencia entre las medias
o el parámetro que se esté estimando Para un nivel fijo de alfa (α) = 0.05, significativo si P
= 0.049 y no significativo si P = 0.051

Pruebas de Significancia Estadística

Comparación de las hipótesis nula y alternativa

Variable aleatoria: Distancia de dispersión de mapachines machos y hembras de su madriguera

natal.
Estimado de punto e intervalo de confianza

Potencia de una prueba estadística

Si β es el riesgo (probabilidad) de cometer un Error de Tipo II, Poder = 1- β (Error tipo II) A mayor
poder disminuye la probabilidad de cometer un Error de Tipo II. Significa que pruebas robustas
probablemente no resulten en errores de tipo II

Para determinar la potencia de un análisis, se necesita determinar la hipótesis alternativa o el

tamaño del efecto.

Factores que influyen en la potencia estadística:

Tamaño del efecto (TE). Cuan grande es el cambio o diferencia que nos interesa. Es mas probable
detectar cambios grandes. Varianza (σ2) entre unidades de muestreo o experimentales.
Generalmente expresada como error estándar (σ) Nivel de alfa. El poder varía con alfa (α). Tamaño
de muestra (n). Un efecto dado es más fácil de detectar con un tamaño de muestra grande.
Generalmente los investigadores intentan lograr un poder de 0.80 en sus análisis, aunque no hay
una medida establecida formalmente.

Análisis de Potencia Estadístico a priori: Usando la Potencia Estadística para planear la

investigación (Análisis Prospectivo)

Es el más uso más común del análisis de potencia estadística

Análisis de Potencia Estadístico a priori: Usando la Potencia Estadística para planear la

investigación (Análisis Prospectivo)

Si factores externos restringen el tamaño de la muestra a niveles relativamente bajos, se puede

calcular cual es el cambio o tamaño del efecto más pequeño que se podría detectar

Usar Intervalos de Confianza en lugar de Análisis de Potencia Retrospectivo

Tamaño de muestra requerido para una diferencia de medias

Ejemplo: si se quiere detectar una diferencia entre medias de 18, para una variable con un desvió
estándar de 30, el tamaño de muestra por grupo requerido:
 5- Conclusión
El tamaño del efecto (que incluye su intervalo de confianza) es preferido a la prueba de hipótesis
estadística

REFERENCIAS DEL LIBRO

 Haeussler, E. y Paul, R. (2003).

 Matemáticas para Administración y Economía
 (10ma ed.) México:
 Prentice Educación.