Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En los temas anteriores hemos visto cómo utilizar la información muestral para definir
las características de una población. Así, dada una variable aleatoria X con función de densidad
, donde toma valores en un espacio paramétrico , y una muestra aleatoria simple
, ya somos capaces de decidir qué valor o valores podemos asignar al parámetro
bajo ciertos criterios (estimación puntual o por intervalo). Sin embargo, en muchas ocasiones
interesa comprobar si la información muestral apoya nuestra creencia algún valor concreto del
parámetro. Así, si consideramos una partición del espacio paramétrico de la forma ,
podemos plantearnos como hipótesis la pertenencia del verdadero valor de a uno u otro de los
subespacios, lo que se puede formalizar mediante la expresión:
Ante este problema, parece lógico que pretendamos reducir al máximo la probabilidad
de error; pero si disminuimos uno de ellos normalmente se agranda el otro. Por este motivo se
ha considerado históricamente como regla fijar una probabilidad pequeña para el error de tipo
I y estudiar qué ocurre con el de tipo II. Esta elección introduce una cierta asimetría entre las
hipótesis; al ser menos probable el error de tipo I, cuando admitimos como cierta la hipótesis
alternativa estamos mucho más seguros que cuando lo hacemos con la hipótesis nula. Por este
motivo, se prefiere hablar de rechazar o no rechazar la hipótesis nula más que de aceptar H0 o
aceptar H1.
En muchos casos, la división del espacio muestral en dos partes no es viable, por lo que
se recurre a un estadístico suficiente que resuma la información en un número pequeño de
dimensiones. Si este estadístico, llamado de contraste, toma valores en la región crítica se
rechaza la hipótesis nula en favor de la alternativa; si, por el contrario, el estadístico cae en la
región de confianza, no hay suficiente evidencia empírica para rechazar la hipótesis nula, por lo
que se sigue manteniendo como cierta.
De esta forma, fijado el tamaño del test, la evaluación entre diversos contrastes debe
hacerse con base a su potencia. En teoría, el método para construir «buenos» test es más claro
cuando tanto la hipótesis nula como la alternativa sólo tienen un valor posible para el parámetro
(hipótesis simples), por lo que será éste el caso que analizaremos en primer lugar a través del
siguiente resultado:
Lema: (de Neyman-Pearson)
Este resultado se puede extender fácilmente al caso de hipótesis alternativas con más de
un valor para el parámetro, proporcionando los test uniformemente más potentes (test U.M.P.).