Fundamentos de Pruebas de Hipótesis

¡Hola, futuros estadísticos y profesionales de la salud! Comprender los Fundamentos de Pruebas de Hipótesis es crucial para tomar decisiones informadas en cualquier campo de estudio. Este artículo te guiará a través de los conceptos esenciales, desde cómo plantear una hipótesis hasta interpretar los resultados, asegurando que domines este pilar de la estadística inferencial. Prepárate para desentrañar los misterios detrás de la toma de decisiones basada en datos.

¿Qué son las Pruebas de Hipótesis en Estadística?

Las pruebas de hipótesis son un conjunto de procedimientos estadísticos que nos permiten usar datos muestrales para tomar decisiones sobre una población. Son fundamentales cuando se desea verificar una afirmación o una creencia sobre un parámetro poblacional, como la media o una proporción. Imaginemos que un hospital informa que el tiempo promedio de espera es de 50 minutos. Un investigador podría sospechar que, debido al aumento de pacientes, el tiempo promedio actual es superior, y las pruebas de hipótesis le permitirán verificarlo.

Hipótesis Nula (H₀) y Alternativa (H₁)

El primer paso en cualquier prueba de hipótesis es definir claramente las hipótesis estadísticas:

• Hipótesis Nula (H₀): Representa la afirmación existente o el statu quo. Es la hipótesis que se asume como verdadera hasta que la evidencia estadística demuestre lo contrario. Se formula para incluir siempre un signo de igualdad (por ejemplo, =, ≥, ≤).
• Ejemplo 1 (Tiempo de espera): H₀: El tiempo promedio de espera para atención médica es de 50 minutos (μ = 50).
• Hipótesis Alternativa (H₁): Es la afirmación que se intenta probar. Refleja la sospecha o el cambio que el investigador busca demostrar. Contradice directamente la hipótesis nula y nunca incluye un signo de igualdad.
• Ejemplo 1 (Tiempo de espera): H₁: El tiempo promedio de espera es superior a 50 minutos (μ > 50).

Tipos de Contraste en Pruebas de Hipótesis

El tipo de contraste, o región de rechazo, depende de cómo se formula la hipótesis alternativa:

• Unilateral Derecho: Cuando la H₁ sugiere un aumento (por ejemplo, μ > 50). La región de rechazo se encuentra en el extremo superior de la distribución.
• Ejemplo 1 (Tiempo de espera): El contraste es unilateral derecho porque H₁: μ > 50.
• Unilateral Izquierdo: Cuando la H₁ sugiere una disminución (por ejemplo, μ < 50).
• Bilateral: Cuando la H₁ sugiere una diferencia, ya sea un aumento o una disminución (por ejemplo, μ ≠ 50).

Ejemplos Prácticos de Formulación de Hipótesis

Aquí tienes más ejemplos para asentar estos conceptos clave:

• Ejemplo 2 (Comparación de Terapias): Un centro de rehabilitación desea comparar el tiempo promedio de recuperación entre pacientes tratados con dos terapias distintas (Terapia A y Terapia B).
• H₀: El tiempo promedio de recuperación es el mismo para ambas terapias (μ_A = μ_B).
• H₁: El tiempo promedio de recuperación es diferente para ambas terapias (μ_A ≠ μ_B).
• El tipo de prueba en este caso es un contraste bilateral.
• Ejemplo 3 (Proporción de Éxito de Tratamiento): Históricamente, el 72% de los pacientes completa un tratamiento farmacológico. Se desea verificar si actualmente esa proporción ha aumentado.
• H₀: La proporción de pacientes que completa el tratamiento es del 72% (p = 0.72).
• H₁: La proporción de pacientes que completa el tratamiento ha aumentado (p > 0.72).
• Corresponde una prueba unilateral derecho, justificando que se busca evidencia de un aumento, no de una diferencia en general.

Elegir la Prueba de Hipótesis Adecuada

La selección de la prueba estadística correcta es crucial y depende de la naturaleza de los datos y el objetivo del estudio. Aquí te mostramos qué prueba utilizarías en diversas situaciones:

• a) Estudiar una media poblacional con varianza conocida: Se utilizaría una prueba Z para una media.
• b) Comparar dos medias de muestras independientes con varianzas desconocidas pero iguales: Se utilizaría una prueba t de Student para muestras independientes (asumiendo homogeneidad de varianzas).
• c) Estudiar una proporción poblacional: Se utilizaría una prueba Z para una proporción.
• d) Comparar dos grupos formados por los mismos pacientes antes y después de un tratamiento: Se utilizaría una prueba t de Student para muestras pareadas o dependientes, ya que se mide dos veces a los mismos sujetos.

Decisión en una Prueba de Hipótesis: p-valor y Nivel de Significación (α)

La decisión de rechazar o no la hipótesis nula se basa en comparar el p-valor con el nivel de significación (α).

• Nivel de Significación (α): Es la probabilidad de cometer un Error Tipo I. Comúnmente se establece en 0.05 (5%) o 0.01 (1%). Si α = 0.05, significa que estamos dispuestos a aceptar un 5% de probabilidad de rechazar H₀ cuando es verdadera.
• p-valor: Es la probabilidad de obtener un resultado tan extremo o más extremo que el observado, asumiendo que la hipótesis nula es verdadera. Es una medida de la fuerza de la evidencia contra H₀.

Regla de Decisión:

• Si p-valor < α: Se rechaza la hipótesis nula (H₀). Esto significa que hay suficiente evidencia estadística para apoyar la hipótesis alternativa (H₁).
• Si p-valor ≥ α: No se rechaza la hipótesis nula (H₀). Esto significa que no hay suficiente evidencia estadística para rechazar H₀; la diferencia observada podría ser debida al azar.

Ejemplo de Decisión (p-valor = 0,018, α = 0,05):

• a) ¿Se rechaza o no se rechaza H₀? Dado que 0.018 < 0.05, se rechaza H₀.
• b) ¿Qué significa esa decisión? Significa que hay evidencia estadística significativa, al nivel de significación del 5%, para concluir que la hipótesis alternativa es verdadera. Es decir, el resultado observado es poco probable si H₀ fuera cierta.

Errores en Pruebas de Hipótesis: Tipo I y Tipo II

Al tomar una decisión en una prueba de hipótesis, siempre existe la posibilidad de cometer un error. Es importante entender estos dos tipos de errores:

• a) Error Tipo I (α): Ocurre cuando se rechaza una hipótesis nula verdadera. También se conoce como un “falso positivo”. La probabilidad de cometer este error es igual al nivel de significación α.
• Ejemplo en salud: Un nuevo fármaco es ineficaz (H₀ verdadera), pero un estudio concluye erróneamente que sí es efectivo y lo aprueba para su comercialización. Los pacientes podrían recibir un tratamiento que no funciona.
• b) Error Tipo II (β): Ocurre cuando no se rechaza una hipótesis nula falsa. También se conoce como un “falso negativo”. La probabilidad de cometer este error se denota con β.
• Ejemplo en salud: Un nuevo fármaco es realmente efectivo (H₀ falsa), pero un estudio concluye erróneamente que no lo es y el fármaco no se comercializa. Los pacientes se pierden un tratamiento potencialmente beneficioso.

Pruebas de Normalidad: Shapiro-Wilk y Kolmogorov-Smirnov

Antes de aplicar muchas pruebas paramétricas (como la prueba t), es fundamental verificar si los datos siguen una distribución normal. Las pruebas de Shapiro-Wilk y Kolmogorov-Smirnov son herramientas comunes para esto.

Las hipótesis para estas pruebas son:

• H₀: Los datos siguen una distribución normal.
• H₁: Los datos no siguen una distribución normal.

Ejemplo de Shapiro-Wilk (p = 0,012, α = 0,05):

• a) Indique las hipótesis:
• H₀: Los datos del estudio con 30 pacientes siguen una distribución normal.
• H₁: Los datos del estudio con 30 pacientes no siguen una distribución normal.
• b) Tome una decisión: Dado que p = 0.012 es menor que α = 0.05, se rechaza H₀.
• c) Interprete el resultado: Existe evidencia estadística significativa para concluir que los datos no siguen una distribución normal. Esto implica que deberíamos considerar el uso de pruebas no paramétricas o transformaciones de datos.

Ejemplo de Kolmogorov-Smirnov (p = 0,231, α = 0,05):

• a) Plantee las hipótesis:
• H₀: Los datos del estudio con 85 pacientes siguen una distribución normal.
• H₁: Los datos del estudio con 85 pacientes no siguen una distribución normal.
• b) Tome una decisión: Dado que p = 0.231 es mayor que α = 0.05, no se rechaza H₀.
• c) Interprete el resultado: No hay evidencia estadística significativa para rechazar la hipótesis de que los datos siguen una distribución normal. Por lo tanto, podemos asumir que los datos se distribuyen normalmente.

Caso Práctico: Prueba de Hipótesis para una Proporción (Vacunación)

Un centro de vacunación afirma que el 90% de las personas desarrolla inmunidad después de recibir una vacuna. Para verificar esta afirmación, se selecciona una muestra aleatoria de 250 personas, observándose que 210 desarrollaron inmunidad. Trabajemos con α = 0,05.

• a) Defina las hipótesis:
• H₀: La proporción de personas que desarrolla inmunidad es del 90% (p = 0.90).
• H₁: La proporción de personas que desarrolla inmunidad es diferente del 90% (p ≠ 0.90). (Se asume bilateral si no se especifica dirección de la sospecha).
• b) Indique qué prueba corresponde y justifique: Corresponde una prueba Z para una proporción porque estamos estudiando una única proporción poblacional y el tamaño de la muestra es suficientemente grande (np ≥ 5 y n(1-p) ≥ 5).
• c) Calcule la proporción muestral:
• Proporción muestral (p̂) = X / n = 210 / 250 = 0.84.
• d) Calcule el estadístico de prueba:
• Z = (p̂ - p) / sqrt(p*(1-p)/n)
• Z = (0.84 - 0.90) / sqrt(0.90 * (1 - 0.90) / 250)
• Z = -0.06 / sqrt(0.90 * 0.10 / 250)
• Z = -0.06 / sqrt(0.09 / 250)
• Z = -0.06 / sqrt(0.00036)
• Z = -0.06 / 0.01897
• Z ≈ -3.16.
• e) Determine la región crítica (para α = 0.05, bilateral):
• Para una prueba bilateral con α = 0.05, los valores críticos de Z son ±1.96.
• La región crítica es Z < -1.96 o Z > 1.96.
• f) Tome una decisión: Dado que el estadístico de prueba Z = -3.16 es menor que -1.96, se rechaza H₀.
• g) Interprete el resultado en el contexto: Existe evidencia estadística significativa, al nivel de significación del 5%, para concluir que la proporción de personas que desarrolla inmunidad después de recibir la vacuna es significativamente diferente del 90%, y específicamente, parece ser menor (0.84).

Caso Práctico: Comparación de Medias de Dos Tratamientos

Se desea comparar el tiempo promedio de recuperación (en días) entre dos tratamientos (A y B). Utilice α = 0.05.

• a) Plantee las hipótesis:
• H₀: El tiempo promedio de recuperación es el mismo para ambos tratamientos (μ_A = μ_B).
• H₁: El tiempo promedio de recuperación es diferente entre los tratamientos (μ_A ≠ μ_B). (Se asume bilateral si no se especifica dirección de la sospecha).
• b) Indique la prueba estadística adecuada: Se utilizaría una prueba t de Student para muestras independientes (asumiendo que las varianzas son iguales, ya que las desviaciones estándar son similares y el tamaño de las muestras es pequeño).
• c) Calcule el estadístico de prueba: (Necesitamos la varianza agrupada y luego el error estándar)
• Varianza muestral de A (s_A²) = 2.9² = 8.41
• Varianza muestral de B (s_B²) = 3.1² = 9.61
• Grados de libertad (df) = n_A + n_B - 2 = 18 + 20 - 2 = 36
• Varianza agrupada (s_p²) = [ (n_A-1)s_A² + (n_B-1)s_B² ] / (n_A + n_B - 2)
• s_p² = [ (17 * 8.41) + (19 * 9.61) ] / 36
• s_p² = [ 143.07 + 182.59 ] / 36 = 325.66 / 36 = 9.046
• Estadístico t = (x̄_A - x̄_B) / sqrt[ s_p² * (1/n_A + 1/n_B) ]
• t = (14.2 - 11.6) / sqrt[ 9.046 * (1/18 + 1/20) ]
• t = 2.6 / sqrt[ 9.046 * (0.05556 + 0.05) ]
• t = 2.6 / sqrt[ 9.046 * 0.10556 ]
• t = 2.6 / sqrt[ 0.9547 ]
• t = 2.6 / 0.977
• t ≈ 2.66.
• d) Determine el valor crítico (para α = 0.05, bilateral, df = 36):
• Consultando una tabla t de Student para df = 36 y α/2 = 0.025 (para prueba bilateral), el valor crítico aproximado es ±2.028.
• e) Tome la decisión: Dado que el estadístico de prueba t = 2.66 es mayor que 2.028, se rechaza H₀.
• f) Interprete el resultado: Existe evidencia estadística significativa, al nivel de significación del 5%, para concluir que hay una diferencia significativa en el tiempo promedio de recuperación entre el Tratamiento A y el Tratamiento B. Específicamente, el Tratamiento B parece tener un tiempo de recuperación promedio menor.

Preguntas Frecuentes sobre Pruebas de Hipótesis

¿Cuál es la diferencia entre una prueba unilateral y una bilateral?

La diferencia radica en la dirección de la hipótesis alternativa (H₁). Una prueba unilateral busca una diferencia en una dirección específica (mayor que o menor que), mientras que una prueba bilateral busca cualquier diferencia, sin importar la dirección (diferente de).

¿Por qué es importante el nivel de significación (α) en las pruebas de hipótesis?

El nivel de significación (α) es importante porque define la probabilidad máxima que estamos dispuestos a aceptar de cometer un Error Tipo I (rechazar la hipótesis nula cuando es verdadera). Es un umbral preestablecido que guía nuestra decisión de rechazar o no la H₀.

¿Cuándo debo usar una prueba t y cuándo una prueba Z?

Generalmente, se usa una prueba Z cuando se conoce la desviación estándar poblacional o cuando el tamaño de la muestra es grande (n ≥ 30) y se puede aplicar el Teorema del Límite Central. Se usa una prueba t cuando la desviación estándar poblacional es desconocida y se estima a partir de la muestra, especialmente con tamaños de muestra pequeños (n < 30).

¿Qué significa si el p-valor es muy alto?

Si el p-valor es muy alto (mayor que el nivel de significación α), significa que la evidencia observada no es lo suficientemente fuerte como para rechazar la hipótesis nula. Esto no prueba que la hipótesis nula sea verdadera, sino que simplemente no hay suficiente evidencia para afirmar lo contrario.