Hipótesis nula: formulación, contraste y ejemplos claros

La hipótesis nula, representada por H₀, es una afirmación sobre un parámetro o un modelo poblacional que se somete a contraste mediante datos. Establece una referencia para evaluar una discrepancia observada. Con frecuencia expresa ausencia de diferencia, pero también puede fijar un valor concreto distinto de cero.

Un contraste no comprueba una afirmación con certeza absoluta. Compara los datos con lo que cabría esperar bajo H₀ y bajo condiciones estadísticas explícitas. Su conclusión depende del diseño del estudio, del estadístico utilizado y de una regla de decisión definida; no convierte una pregunta científica completa en una sola cifra.

Cómo formular la hipótesis nula y la alternativa

Las hipótesis deben referirse al parámetro poblacional, no a un resultado ya calculado en la muestra. Si interesa el tiempo medio de una tarea, μ representa esa media en la población de interés. La media observada en los participantes es una estimación que puede variar entre muestras.

Una hipótesis de investigación puede proponer que un nuevo método mejora el aprendizaje. Para contrastarla, hace falta traducir “mejora” a una variable, una comparación y una población. La hipótesis estadística resultante es más específica: podría comparar medias de puntuaciones o proporciones de aprobación entre condiciones.

La formulación bilateral considera diferencias en ambas direcciones. Una alternativa unilateral, como μ > 50, responde a otra pregunta y usa una región de rechazo distinta. No es correcto escoger la dirección después de mirar si la media aumentó o disminuyó: esa decisión modifica el procedimiento y sus tasas de error.

En contrastes unilaterales, H₀ puede expresarse como una desigualdad que incluye la igualdad, por ejemplo μ ≤ 50 frente a μ > 50. El cálculo suele realizarse en el valor de frontera apropiado. La forma exacta depende del contraste; no todas las hipótesis nulas se reducen a afirmar que “no ocurre nada”.

Del resultado muestral al estadístico de contraste

El estadístico de contraste resume la discrepancia respecto a H₀ en una escala cuya distribución de referencia se conoce bajo determinadas condiciones. Una diferencia de dos minutos puede ser grande o pequeña estadísticamente según la variabilidad y la cantidad de observaciones. La diferencia bruta no incorpora por sí sola esa información.

En el ejemplo, el error estándar de la media es σ/√n = 10/√100 = 1 minuto. El estadístico normal es z = (52 − 50)/1 = 2. La media observada queda dos errores estándar por encima de la referencia. Estas cuentas usan la desviación poblacional conocida declarada, no una desviación estimada intercambiable sin justificación.

Si σ fuera desconocida y se sustituyera por la desviación muestral, un contraste t para una media podría ser adecuado bajo sus condiciones. Otros problemas requieren contrastes de proporciones, procedimientos para datos apareados o modelos más complejos. La variable y el diseño determinan el método; el nombre de la hipótesis no decide la fórmula.

Independencia y normalidad son condiciones distintas. Medir cien veces el mismo evento o registrar observaciones muy correlacionadas no equivale automáticamente a disponer de cien unidades independientes. La estadística inferencial requiere conectar el análisis con la manera en que se generaron y seleccionaron los datos.

También importa la calidad de la medición. Un instrumento sistemáticamente desajustado puede producir una diferencia estadísticamente clara frente a la referencia sin reflejar el fenómeno de interés. Aumentar el tamaño muestral reduce ciertas fuentes de variación aleatoria, pero no corrige de manera automática errores de selección o medición.

Qué significa el valor p y cómo se toma la decisión

El valor p es la probabilidad, calculada bajo H₀ y las condiciones del modelo, de obtener un estadístico tan extremo como el observado o más extremo, según la alternativa. Se refiere a posibles datos o estadísticos bajo una suposición. No es la probabilidad de que H₀ sea verdadera después de observar la muestra.

Para z = 2 en un contraste normal bilateral, se consideran ambas colas: p = P(|Z| ≥ 2), aproximadamente 0,0455. Si el nivel α se fijó en 0,05, el procedimiento rechaza H₀. Con α = 0,01 no la rechazaría. El resultado numérico es el mismo; cambia la regla de decisión previamente elegida.

El nivel de significación α controla la probabilidad de rechazo erróneo bajo H₀ para el procedimiento, cuando se cumplen sus condiciones. No mide la importancia de una diferencia ni la probabilidad de haberse equivocado en este resultado particular. Su interpretación se refiere al comportamiento del método en repeticiones comparables.

En el ejemplo, rechazar H₀ indica incompatibilidad suficiente con la media de referencia según la regla adoptada. No demuestra que el procedimiento sea útil, costoso o perjudicial. La diferencia estimada es de dos minutos; determinar su importancia práctica exige criterios del problema y una evaluación de la incertidumbre de esa estimación.

El umbral tampoco crea una separación científica absoluta entre p = 0,049 y p = 0,051. Ambos resultados pueden representar evidencias muy parecidas. Informe el valor calculado, la estimación del efecto, el intervalo correspondiente y las condiciones del estudio, en lugar de reducir toda la interpretación a una etiqueta de significación.

Errores de tipo I, tipo II y potencia

Un error de tipo I ocurre al rechazar H₀ cuando es verdadera. Un error de tipo II ocurre al no rechazarla cuando es falsa. Estos nombres describen decisiones en relación con el estado poblacional, que normalmente desconocemos. No permiten identificar directamente qué error ocurrió en un único estudio.

La potencia es la probabilidad de rechazar H₀ para una alternativa determinada. Depende del tamaño del efecto, la variabilidad, el tamaño muestral, α y el procedimiento. No existe una única potencia sin especificar qué desviación se busca detectar. Una diferencia pequeña suele requerir más información que una diferencia grande.

Reducir α manteniendo lo demás constante suele dificultar el rechazo y puede reducir la potencia. Aumentar la muestra puede mejorar la detección, pero también volver estadísticamente claras diferencias de escasa relevancia práctica. Por eso, planificar un estudio incluye definir un efecto de interés y los costos de las decisiones posibles.

Contrastar muchas hipótesis introduce otro problema: aun cuando todas las nulas fueran verdaderas, algunas podrían rechazarse por azar. La selección posterior de resultados llamativos altera la interpretación del conjunto. Las estrategias para comparaciones múltiples y la declaración previa de análisis ayudan a mantener coherencia entre la pregunta y las conclusiones.

Cómo interpretar un resultado sin rechazo

No rechazar H₀ significa que el procedimiento no encontró evidencia suficiente para rechazarla con esos datos y esa regla. Puede haber una diferencia pequeña, una muestra imprecisa o un modelo poco informativo. No equivale a aceptar definitivamente la igualdad ni a demostrar ausencia de efecto.

Si el objetivo es sostener que una diferencia es suficientemente pequeña, conviene plantear un análisis de equivalencia con márgenes justificados. Un contraste convencional de diferencia no responde por sí mismo a esa pregunta. La evidencia de ausencia requiere un diseño capaz de descartar efectos considerados relevantes, no solo un valor p grande.

Las preguntas de investigación orientan esta secuencia: una pregunta clara permite reconocer qué afirma el contraste y qué queda fuera. En procesos de conteo, la probabilidad binomial puede proporcionar una distribución de referencia, siempre que el número de ensayos, la independencia y la probabilidad de éxito estén justificados.

Preguntas frecuentes sobre la hipótesis nula

¿El valor p es la probabilidad de que H₀ sea cierta?

No. El cálculo supone H₀ y evalúa resultados posibles bajo esa referencia y el modelo. Invertir esa condición para afirmar una probabilidad de H₀ es incorrecto. Una probabilidad posterior sobre hipótesis requiere otro marco y supuestos adicionales.

¿Un valor p grande demuestra que no hay diferencia?

No. Puede reflejar datos poco precisos o baja potencia para detectar la diferencia de interés. Deben examinarse la estimación y su incertidumbre. Para sostener equivalencia práctica hace falta definir márgenes y utilizar un procedimiento adecuado.

¿La hipótesis nula es la hipótesis de investigación?

No necesariamente. La hipótesis de investigación expresa una propuesta científica; la nula es una afirmación estadística específica usada como referencia. La traducción exige precisar variables y población. Rechazar una nula no confirma automáticamente toda la explicación científica propuesta.