t studen prueba de muestreo

193

ARTÍCULOS ORIGINALES

Aplicación de las pruebas de hipótesis
en la investigación en salud:
¿estamos en lo correcto?
PEDRO MONTERREY1
CARLOS GÓMEZ-RESTREPO2

Resumen
Introducción. Las pruebas de hipótesis son comúnmente utilizadas en medicina. No
obstante, por lo general, no se conoce la historia de su desarrollo ni cómo se han generado
a partir de posiciones filosóficas antagónicas que, en ocasiones, combinamos inconscientemente.
Objetivo. Describir la historia de las pruebas de hipótesis y profundizar en el manejo del
valor de P y los intervalos de confianza.
Método. Se hace la revisión histórica y la aplicación estadística en algunos ejemplos
clínicos.
Resultados. Se describe la historia de las pruebas de hipótesis con los planteamientos de
Fisher contrarios a los de Neyman y Pearson. Se esbozan algunos ejemplos en que se
observa la importancia de tener en cuenta cómo se analizan los datos y la información
complementaria que provee el valor de P y los intervalos de confianza.
Conclusión. La presentación explícita de los valores de P, su uso combinado con los
intervalos de confianza y la valoración de los resultados a la luz de su plausibilidad
biológica, son los componentes centrales en el uso adecuado de las pruebas de hipótesis.

Palabras clave
Pruebas de hipótesis, valor de P, intervalos de confianza, plausibilidad biológica.
1

Ph.D. en Matemáticas, especialización en Epidemiología Nutricional; profesor asociado, Departamento
de Epidemiología Clínica y Bioestadística, Pontificia Universidad Javeriana, Bogotá, D. C., Colombia

2

Médico psiquiatra, psicoanalista, M.Sc. en Epidemiología Clínica; profesor asociado, Departamento de
Epidemiología Clínica y Bioestadística y del Departamento de Psiquiatría y Salud Mental, Pontificia
Universidad Javeriana, Bogotá, D. C., Colombia
Recibido: abril 16/2007. Revisado: julio 14/2007. Aceptado: julio 31/2007.

UNIVERSITAS MÉDICA 2007 VOL. 48 Nº 3

194

Abstract
Introduction: Hypothesis testing tools are
commonly used in medicine. Despite this, in general, there is no knowledge about how these tools
were developed and how their generation has
surged out of opposing philosophical positions that
we commonly combine in an unconscious fashion.
Objective: To describe the history of hypothesis
testing tools and to gain a stronger insight into the
handling of the P value and confidence intervals.
Methods: Historical review and statistical
application to some of the clinical examples
mentioned.
Results: The history of hypothesis tests are
described along with the opposing postulations of
Fisher in regards to those of Neyman and Pearson.
Some examples that show the importance of having
in mind how data is analyzed and the additional
information that p values and confidence intervals
bring, are outlined.
Conclusion: The explicit presentation of P values,
its combined use along with confidence intervals,
and the analysis of the results having into account
its biological plausibility are key components in
the proper use of hypothesis testing.

Key words
Hypothesis testing, p value, confidence intervals,
biological plausibility.

Introducción
Desde el siglo XIX y hasta principios
del siglo XX las publicaciones científicas estaban plagadas de presentaciones de casos y análisis que se traducían
en juicios subjetivos los que, en muchos casos, no eran relevantes y producían confusiones que entorpecían el

avance de las diferentes disciplinas
científicas. Esta situación ocurría porque no existía una formalización en el
manejo de los datos, ni procedimientos de análisis que introdujeran un criterio de objetividad en las decisiones
que se tomaban. Ante estas necesidades científicas y editoriales surgieron
las pruebas de hipótesis estadísticas.
Las pruebas de hipótesis fueron
creadas en el período entre 1915 y
1933 como resultado de la labor de
dos grupos o tendencias: por un lado,
Ronald Fisher (1890-1962) y, el por
otro, Jerzy Neyman (1894-1981) en
conjunto con Egon Pearson (18951980). Ambas tendencias tuvieron
como antecedente la famosa prueba de
ji al cuadrado de Karl Pearson (18571936). Los procedimientos de Fisher
y Neyman-Pearson se desarrollaron a
partir de posiciones filosóficas antagónicas, por lo que la historia de las
pruebas de hipótesis no ha estado
exenta de controversias, desacuerdos
científicos y agrias disputas personales que lamentablemente se reflejan en
la actualidad y han conducido a dificultades en su aplicación y aceptación[1-3]. Al aplicar las pruebas de
hipótesis muchos investigadores combinan de manera ecléctica, elementos
de los dos enfoques antagónicos:
“…las pruebas de hipótesis estadísticas son presentadas en los artículos de
las revistas siguiendo normalmente a
Neyman-Pearson pero según la guía
práctica de Fisher…”[3]. Este trata-

MONTERREY P., GÓMEZ-RESTREPO C., APLICACIÓN DE LAS PRUEBAS DE HIPÓTESIS...

195

miento ecléctico es consecuencia de
lo que aparece explicado en muchos
libros de texto y que se refleja en la
enseñanza de la estadística, tanto en
el posgrado como en el pregrado.
Independientemente de la visión
teórica y las opiniones o la posición
científica de quien las analice, las
pruebas de hipótesis estadísticas se
han convertido, para muchos, en un
instrumento fundamental del análisis de los datos y, para otros, en la
única técnica para realizarlo, algo así
como la piedra filosofal del conocimiento científico, cuyo uso invalida
o glorifica un resultado. El papel preponderante de las pruebas de hipótesis, como criterio de validez de un
análisis y de la calidad de un reporte
científico, ha conducido al uso y
abuso de la técnica. Su uso desmedido y en ocasiones indiscriminado
ha producido errores, ha conducido
a la obtención de conclusiones erróneas en algunas investigaciones, lo
que ha determinado que para algunos esa técnica sea indeseable, superficial, prescindible e, incluso,
peligrosa por la posibilidad de generar errores y conclusiones equivocadas, por no decir absurdas o tontas.
A esta confusa situación han contribuido, infortunadamente, los sistemas computacionales para el análisis
estadístico, los libros de texto y los
propios criterios de enseñanza de la
estadística[2-4].

Los sistemas de computación, en
lugar de cumplir la loable función de
poner la técnica al alcance de todos,
han simplificado y vulgarizado su uso
al permitir la generalización de la filosofía de “la caja negra” para el análisis, en la que el investigador maneja
técnicas y conceptos que no comprende bien pero cuya ejecución deja al
“sistema de computación” y después
reduce la decisión a un simple, por no
decir simplista o ingenuo, procedimiento dicotómico que reduce su problema de análisis y decisión a un
simple sí/no, según un “místico” valor de P.
Esta situación ha sido favorecida,
por no decir propiciada, por los programas docentes de estadística y los
libros de texto, los que han ayudado
a que esto ocurra al promover un
mecanicismo ingenuo en los análisis
que conducen a que el investigador,
paradójicamente, realice el análisis de
sus datos sin mirar los datos: “sólo
decide sí/no, según el valor de P”.
Esta filosofía ha conducido a algunos a no considerar la plausibilidad
biológica y la lógica de los resultados que van obteniendo, lo que se ha
traducido en la publicación de conclusiones erróneas (4,5). Por otra parte, el valor P se convirtió en una
especie de “dios” cuando muchos
editores de revistas y pares favorecían
la publicación de aquellos estudios
con un P significativo. Esto llegó a


196

ser tan significativo que se introdujo
el famoso sesgo de publicación que,
hoy en día, tiende a ser de menor
magnitud.
En los últimos tiempos, las revistas
científicas dedicadas a la epidemiología y la bioestadística han reflejado un
profundo conflicto entre defensores y
partidarios del uso de las pruebas de
hipótesis. Monterrey et al.[5] presentan un análisis de esa situación, sus
causas y consecuencias. Para que se
tenga una idea de la magnitud e importancia del asunto, basta citar el siguiente párrafo que aparece en las
normas de Vancouver que, como se
sabe, rigen la elaboración de publicaciones en el área de la salud y son seguidas por las revistas más prestigiosas
del área:
“… Describir los métodos estadísticos con suficiente detalle,
para permitir a un lector conocedor, con acceso a los datos originales, la verificación de los
resultados que se presentan.
Cuando sea posible, se deben
cuantificar los hallazgos y presentarlos con los correspondientes indicadores de los errores de
medición e incertidumbre (tales
como intervalos de confianza).
Evite depender exclusivamente
de las pruebas de hipótesis estadísticas, y del uso de valores de
P, los que fallan cuando se pretende transmitir información im-

portante acerca de la medida de
un efecto”[6].
Como se puede apreciar, las normas de Vancouver no recomiendan el
uso único de las pruebas de hipótesis;
sin embargo, en la literatura biomédica
se han presentado situaciones más
extremas que han conducido a no considerar estos métodos, como puede
verse en los trabajo de Walter[7] y de
Gardner y Altman[8]; éste último, por
ejemplo, se utiliza como paradigma
para la presentación de datos en la revista British Medical Journal.
Una breve lectura a cualquier texto básico de estadística permite ver
que en su mayoría está dedicado a las
pruebas de hipótesis y, por tanto, los
cursos de estadística mayoritariamente
se dedican a enseñar pruebas de hipótesis, Además, es un hecho que la mayoría de los artículos científicos que
se publican basan sus análisis en la
aplicación de las pruebas de hipótesis; sin embargo, existen prohibiciones y barreras para su uso. Existen
opiniones encontradas, pero muchos
consideran aún válido el uso de las
pruebas de hipótesis, claro que haciendo modificaciones en la forma de
aplicarlas actualmente. La inmensa
mayoría de los artículos sobre el tema
son difíciles de leer para aquéllos que
no conozcan en profundidad la técnica o no tengan una formación básica
en la teoría de probabilidades. Dadas
estas dificultades, el objetivo del pre-


197

sente artículo es mostrar cómo utilizar
las pruebas de hipótesis en un contexto teórico coherente, analizando la
plausibilidad biológica de los resultados, y presentar los alcances, posibilidades y limitaciones de esa técnica.

Fundamentos para la aplicación
de las pruebas de hipótesis
Para comprender lo que son las pruebas de hipótesis estadísticas hay que
partir del concepto de hipótesis de investigación y establecer sus diferencias con las hipótesis estadísticas.
La hipótesis de investigación es un
enunciado que representa la posible
respuesta a la pregunta de investigación[9]; como tal, tiene dos “valores
de verdad”: verdadero o falso, lo que
determina las correspondientes respuestas a las preguntas de investigación. La investigación se realiza para
determinar el valor de verdad que corresponde a la hipótesis de investigación, es decir, se realiza un estudio
como resultado del cual se obtienen
datos que contienen la información
necesaria para dar respuesta a la pregunta de investigación al decidir si la
hipótesis de investigación es verdadera o falsa. El reto de la estadística
como disciplina es desarrollar métodos para obtener la información contenida en los datos y analizar esas
evidencias para tomar tal decisión.
Las pruebas de hipótesis son uno de

tales instrumentos, pero no el único,
aun cuando sea el más conocido y utilizado.
Las hipótesis estadísticas son enunciados que, en términos de conceptos
estadísticos, representan o caracterizan
la información contenida en los datos.
Para decidir acerca de la validez de
una hipótesis de investigación, pudiera ser necesario trabajar con varias hipótesis estadísticas; por ejemplo, en un
estudio para determinar si la práctica
de deportes tiene influencia sobre el
perfil lipídico de los adultos varones,
la hipótesis de investigación pudiera
ser: la práctica diaria de ejercicios físicos modula los valores del perfil
lipídico de los adultos varones. Para
decidir si esta hipótesis es verdadera
o falsa, se realiza un estudio en el que
se toman dos grupos de individuos,
uno que practica diariamente deportes (grupo A) y otro sedentario (grupo
B), y se comparan las variables del
perfil lipídico; en este caso, la decisión se tomaría considerando varias
hipótesis estadísticas referidas a los valores medios (promedio) de cada una
de las variables del perfil lipídico.
El enfoque teórico de Fisher para
abordar un problema de prueba de hipótesis se fundamenta en la realización de una inferencia inductiva;
consiste en plantear una hipótesis de
interés, que en el ejemplo pudiera ser
H0: µA=µB, es decir, el valor medio del
colesterol total es igual entre los gruUNIVERSITAS MÉDICA 2007 VOL. 48 Nº 3

198

pos A y B y, una vez obtenidos los
datos, calcular un valor, que se identifica con la letra p, que es una medida
de la evidencia que arrojan los datos
contra la hipótesis cuya validez se desea comprobar. En este caso lo importante es saber si la hipótesis es cierta o
se rechaza. Este es el valor de p que
calculan todos los sistemas computacionales para el análisis estadístico;
“…uno de los errores más comunes al
interpretar el valor P es considerarlo
como la probabilidad de que la hipótesis nula sea cierta…” (4).
Ante la ausencia de una hipótesis
alternativa en el proceso de análisis de
Fisher, Neyman y Pearson plantearon
un proceso de decisión de tipo deductivo, diseñado a priori sobre la base
de los datos, que consideraba una hipótesis o decisión alternativa a H0 (hipótesis nula) y las dos tasas de error
que se desea cometer en el proceso de
decisión: los errores de tipo I (α) y II
(β). En el ejemplo, las alternativas pudieran ser, por ejemplo, HA: µA≠µB o
HA: µA<µB.
En el criterio de Fisher, el valor de
P se establece a posteriori, es decir,
sobre la base de los datos; en el de
Neyman y Pearson, los datos se obtienen con una confiabilidad dada a
priori por los errores (α y β).
Lamentablemente y de forma incierta, pero muy extendida, ambos
enfoques se han fusionado en el pro-

cedimiento que aplican los investigadores en la actualidad y que se enseña
en muchos cursos de estadística.
Hubbard y Bayarri[2] señalan al respecto:
“…Los libros de texto actuales
sobre el análisis estadístico en
economía, ciencias sociales o
bioestadística, ya sea en el nivel
posgraduado o de pregrado, presentan usualmente el tema de las
pruebas de hipótesis como si fueran el evangelio: una teoría única, unificada y sin controversias.
Es muy infrecuente que esos textos mencionen, menos aún que
discutan teóricamente, que esa
teoría que presentan es un híbrido anónimo entre las ideas de
Fisher, por un lado, y de Neyman
y Pearson, por el otro...”.
El enfoque de Fisher parece ser más
razonable para la investigación en salud que el de Neyman-Pearson.
Parafraseando a Fisher: “…el procedimiento de Neyman-Pearson es más
apropiado para problemas de control
estadístico de la calidad…”[ 4] .
Siguiendo el enfoque de Fisher y
sus consideraciones sobre el uso de los
valores de P, es aconsejable proceder
según los siguientes tres pasos al aplicar las pruebas de hipótesis:
Paso 1. Identificar el tipo de prueba
que corresponde al problema y la hipótesis nula.


199

Paso 2. Obtención del valor de P.
Este valor de P es parte de la información que brindan los sistemas de
cómputo. Todas las pruebas de hipótesis descansan en la identificación de
un estadígrafo, que es conocido como
el estadígrafo de la prueba. El valor
de P refleja la posición del valor observado del estadígrafo en las colas de
su distribución si H0 fuera cierta y responde a la pregunta de cuán extremo
es el valor observado en la distribución del estadígrafo empleado; por
ello, el valor de P refleja o cuantifica
la evidencia que contienen los datos
contra la hipótesis nula.
Paso 3. Publicación explicita del valor
de P junto con los valores descriptivos
del proceso, es decir, junto con la media, la desviación estándar, la moda, etc.
La interpretación del valor de P
descansa en el hecho de que los valo-

res pequeños son evidencias contra la
validez de la hipótesis nula[5]. Usualmente el investigador prefija el error
de tipo I (α), casi siempre lo identifica
como 0,05 y, cuando P<0,05, decide
rechazar H0. Esta forma de proceder
es inadecuada pues mezcla las ideas
de Fisher con las de Neyman y
Pearson al comparar α, una tasa de
error (a priori), con P, una medida de
evidencia (a posteriori)[2-4]; de esta
manera, se pierde el sentido del valor
de P como evidencia a posteriori contra H 0 y predomina la lógica de
Neyman-Pearson pero de forma incompleta pues, en general, no se controla el error de tipo II.
Divulgar explícitamente el valor de
P permite a los diferentes lectores hacerse una idea clara y personalizada
de la evidencia encontrada; para su
interpretación es aconsejable utilizar
los criterios de Sterne y Smith[4] que
se resumen en el cuadro 1. Es por esto

Cuadro 1
Criterios para la interpretación de los valores de P

Valor P

Criterio de análisis del valor P

0,1<P<1,0

Débil evidencia contra la hipótesis nula

0,01<P<0,1

A medida que P disminuye, aumenta la

0,001<P<0,01

evidencia contra la hipótesis nula

0,0001<P<0,001

A medida que P disminuye, hay

P<0,0001

fuerte evidencia contra la hipótesis
nula


200

que no es recomendable publicar el resultado de los análisis estadísticos, utilizando pruebas de hipótesis, con
símbolos como **, NS, P<0,05, etc.;
lo importante es escribir el valor de P
obtenido para que el lector pueda enjuiciar la fuerza de la evidencia contra
H 0 que se obtuvo en el estudio. La
publicación explícita del valor de P es
importante, fundamental para los ejercicios de integración de resultados
conocidos como metaanálisis; de hecho, la evidencia a favor o en contra
de H0 surge de la combinación de diferentes estudios.
El valor de P cambia entre estudios
y este cambio obedece a las leyes de
la probabilidad; por ejemplo, si H0 es
cierta, el valor P queda determinado
por realizaciones de una variable
aleatoria con distribución uniforme[3],
por lo que la probabilidad de encontrar estudios con p<0,05, cuando H 0
es cierta, es de 0,05; es decir, el 5% de
las investigaciones deben rechazar H0
siendo cierta, si se sigue la regla de rechazarla cuando p<0,05. Por eso, es
importante publicar tanto los hallazgos
positivos como los negativos; lamentablemente “…la literatura médica
muestra una fuerte tendencia a acentuar lo positivo, los resultados positivos son reportados más frecuentemente
que los nulos…”[4]. Por otra parte, el
publicar el valor de P obtenido en el
estudio permite al lector pensar en un
sinnúmero de opciones y tomar su propia posición respeto al hallazgo que

se reporta. No es lo mismo, en un experimento clínico que compara dos
medicamentos, obtener un resultado
con un valor P de 0,00001, que uno
de 0,045, de 0,06, o una P de 0,10 o
0,5.
Como la evidencia contra H0 queda determinada por valores pequeños
de P, Fisher propuso utilizar 1:20
(0,05) como una buena medida, pero
rápidamente alertó que esa no es una
regla inflexible y que el valor debía
adecuarse a las características del problema. El umbral de aceptación puede y debe cambiar; sería una buena
ayuda tomar como punto de partida
los valores que pudieran ser relevantes para el error de tipo I de NeymanPearson. En ningún caso es válido ni
correcto considerar universalmente el
umbral 0,05, como se hace usualmente; este valor fue popularizado por
Fisher al ser empleado, junto a 0,01,
en su famoso libro Statistical methods
for research workers, pero estos valores fueron escogidos ante la imposibilidad de publicar tablas con valores
más generales que se encontraban protegidas por los derechos de autor de
la revista Biometrika. Tanto Fisher,
como Neyman y Pearson, recomendaron flexibilidad en la determinación de
los umbrales o las tasas de error, según el caso. En general, la determinación de un valor de umbral depende
del problema y sus características; por
ejemplo, no sería necesario tener un
valor de P del 5% si estamos investi-


201

gando una droga curativa para la
esquizofrenia que, como sabemos, no
existe; en este caso, posiblemente con
un 10% podríamos sentirnos satisfechos. Sin embargo, para un medicamento que combata los síntomas de la
esquizofrenia, dado que existen otros
que lo hacen, podríamos estar satisfechos con un 5% o menos.

Papel de los intervalos de
confianza en los problemas de
decisión: consideraciones para
su uso
Existe una tendencia a desechar las
pruebas de hipótesis y sustituirlas por
intervalos de confianza[8,10]. La propuesta es bastante conocida pero, tal
vez, no del todo comprendida por algunos en su real significado.
Un intervalo de confianza es un intervalo que se construye a partir de los
datos, es decir, sus extremos son
aleatorios y cambian de muestra en
muestra. Al depender de la muestra,
tienen un componente aleatorio determinado por el muestreo; por ello, se
estudian en el marco de sus propiedades probabilísticas. Concretamente, los
intervalos de confianza se construyen
prefijando la probabilidad de que contengan el verdadero valor del
parámetro que se va a estimar. Esta
afirmación es difícil de entender y ha
generado malas interpretaciones.
Cuando se trata de estimar la estatura

promedio de los adultos varones se
dice, por ejemplo, que debe estar entre 170 y 175 cm, con un nivel de confianza de 95%. Es un error entender
esta afirmación en el sentido de que,
con probabilidad del 95%, la media
está entre 170 y 175; significa en realidad que este intervalo fue construido a partir de un “procedimiento” que
en el 95% de las veces arroja un intervalo que contiene al parámetro. Esa
es la confianza que se tiene en la estimación que se presenta y, por ello, es
una medida de su calidad. La mejor
manera de leerlo o interpretarlo sería
que si yo repitiera el estudio de la estatura en adultos varones en 100 ocasiones, 95 de los 100 intervalos de
confianza obtenidos contendrían el
valor real del parámetro (media).
Los intervalos de confianza son
utilizados como alternativas en el proceso de decisión de Neyman y
Pearson. Para ello se toma el valor del
parámetro que establece H0 y se decide acerca de la validez o no de esa
hipótesis según si el valor contenido
en ella se encuentra o no en el intervalo. De esa forma, si en la situación
anterior H0 establece que µ=177, como
177 no pertenece al intervalo se concluiría que H0 es falsa pues el valor de
ì debe ser uno de los del intervalo,
entre 170 y 175, lo que excluye la
posibilidad de que pueda ser 177. El
error de muchos está en pensar que
en esto consiste la sustitución de las
pruebas de hipótesis por el análisis con

202

intervalos de confianza. Un poco de
historia basta para comprender la falacia. Los intervalos de confianza fueron introducidos por Neyman en 1937
como parte integrante de su teoría de
las pruebas de hipótesis: “… los valores p y los intervalos de confianza son
esencialmente recíprocos…”[ 11]. Y
más allá, posiblemente provean información complementaría el uno al otro.
Otro ejemplo, en un estudio sobre eficacia de un medicamento nuevo para
la depresión, se puede decir que el
medicamento obtuvo un riesgo relativo de 2 y un valor de P de 0,04; esto
es significativo para lo que se proponía, pero se reafirma más la certeza en
la evidencia y sus niveles de incertidumbre al decir que se obtuvo lo anterior descrito más un intervalo del
95% de (1,2 - 2,1). Este último dato
aporta mayor información que presentar solamente el primero.

ancho de los intervalos de confianza
da una clara indicación de cuán poco
informativo es el estudio…”[13]. Es
por ello que el intervalo de confianza
da un ángulo del problema complementario a las pruebas de hipótesis,
además de que, al brindar información
sobre el posible valor del parámetro,
permite tomar una posición respecto
al significado biológico de los resultados obtenidos y proponer otro tipo
de modelos causales.

La mejor postura debe ser unir en
los análisis el valor de P con los intervalos de confianza pues, analizados
correctamente, ambos dan informaciones complementarias. El valor de P tiene la virtud de dar un valor objetivo,
independiente del investigador, que
permite caracterizar si la asociación es
real siguiendo criterios establecidos a
priori o si no lo es[12]. Por otra parte,
la amplitud o diámetro del intervalo
de confianza refleja la variabilidad del
estudio, los niveles de incertidumbre
que el diseño de muestreo o los propios errores no lograron corregir, “…el

La depresión mayor constituye
uno de los problemas más importantes en salud pública en nuestro país y
en el mundo. Se calcula que la depresión será la primera o la segunda
causa en aportar a los años de vida
ajustados por discapacidad (DALY o
AVAD) en el mundo, para el año 2010.
En este contexto los estudios clínicos
para el análisis de la eficacia de diferentes tratamientos resultan especialmente importantes. Se toma como
problema de referencia un experimento clínico aleatorio para analizar
la efectividad de un nuevo tratamien-

Algunos ejemplos sobre cómo
utilizar las pruebas de hipótesis
A continuación se identificará un problema de investigación y, tomándolo
como referencia, se presentarán varias
situaciones alternativas de cómo podría presentarse el análisis de los datos utilizando las pruebas de hipótesis.


203

to no farmacológico (tratamiento A),
que se compara con un procedimiento tradicional de probada eficiencia
(tratamiento B); como criterios de
diagnóstico se consideran la entrevista
estructurada de CIDI para depresión
y la evaluación del puntaje y cambio
de la depresión mediante el puntaje
obtenido en la escala de Hamilton. El
interés en el análisis de los datos del
ensayo clínico sería determinar si en
promedio los puntajes en la escala de
Hamilton para depresión de los individuos sometidos al tratamiento A (µA)
son diferentes, más precisamente
menores, que los puntajes de los sometidos al tratamiento B (µ B), en
cuyo caso se podría afirmar que los
datos del estudio arrojan evidencia a
favor de la mayor eficacia del tratamiento A. En la terminología de las
pruebas de hipótesis, en la formulación de Neyman y Pearson, el problema consistiría en decidir acerca de
la validez de H0:µA=µB o de HA:µA≠µB,
tomando como base los resultados
experimentales.

tura se analizan tres publicaciones cuyos valores de P, resultantes de aplicar la prueba estadística para la
comparación de medias de dos poblaciones independientes, se presentan en
el cuadro 2.

Situación 1. En un estudio de integración de los resultados de la litera-

(3) El estudio C, con P=0,882301,
presenta un valor P elevado (re-

Si se toma un umbral de 1:20 = 0,05
para identificar valores de P pequeños
y mantenerse en un error de tipo 1 de
esa cuantía y utilizando como elemento
central para la interpretación de la evidencia obtenida en cada una de las publicaciones el criterio de Sterne y
Smith[4], que aparece resumido en el
cuadro 1, se tiene lo siguiente.
(1) El estudio A, con P=0,000000,
presenta un valor P pequeño, lo
que es una fuerte evidencia contra H0 .
(2) El estudio B, con P=0,04500 presenta un valor P relativamente pequeño, pero no muy pequeño,
por lo que la evidencia que arroja contra H0 no es muy fuerte.

Cuadro 2
Resultados de tres publicaciones hipotéticas
Estudio

Valor de P

A

0,000000

B

0,045000

C

0,882301


204

cuerde que los valores P oscilan
entre 0 y 1), por lo que la evidencia contra la hipótesis nula es muy
débil.
Los datos para el análisis de las situaciones siguientes se presentan en
el cuadro 3.
Situación 2. El valor P=0,0000 indica una fuerte evidencia contra H 0,
lo que es confirmado por el intervalo
de confianza que estima que la diferencia entre las medias de los dos tratamientos es un número entre -11,2 y
-8,2. El radio del intervalo
11.2 - 8.2
3
=
= 1.5
2
2
El valor obtenido, 1,5 unidades de la
prueba, muestra que el nivel de error
es bajo y, como una diferencia de
puntajes de mínimo 8 unidades es relevante como índice de depresión,
queda confirmada la relevancia de la

disminución de la depresión que se
logra al aplicar el tratamiento A.
Situación 3. El valor P=0,0149 es
un valor P relativamente pequeño, pero
no muy pequeño, por lo que la evidencia que arroja contra H0 no es muy
fuerte. El intervalo de confianza para
estimar la diferencia de las medias
entre los tratamientos (A y B) oscila
entre -17,9 y -2,0, y tiene una amplitud muy grande, por lo que el nivel de
imprecisión en la estimación de la diferencia de medias es elevado y, por
consiguiente, el análisis que se haga
acá es impreciso. Por ello, sus conclusiones deben tomarse cautelosamente
y, como muestran los valores numéricos, no son evidencias fuertes a favor
de que existan diferencias.
En una situación como está debe
valorarse si el tamaño de muestra utilizado es adecuado y analizar todas las
fases de diseño y conducción del estudio en busca de posibles sesgos.

Cuadro 3
Resultados hipotéticos de tres estudios (situaciones)


205

Situación 4. El valor P=0,0000 indica una fuerte evidencia contra H0, es
decir, se puede aceptar que hay diferencias en el puntaje de los individuos
según el tratamiento; los del tratamiento A son los que obtienen una media[22] menor que la de los que reciben
el tratamiento B[23]. Eso es un hecho,
pero una observación del intervalo de
confianza muestra una información
adicional: que la diferencia entre las
medias es un número que se estima en
máximo 1,3, es decir, que la media del
tratamiento A es a lo sumo 1,3 unidades mayor que la del tratamiento B. Diferencias de esta cuantía no son
relevantes clínicamente desde el punto
de vista de la presencia de depresión,
así que, aunque existen diferencias entre los tratamientos que se comparan,
estas diferencias no son clínicamente
relevantes. Esta decisión es muy importante pues la sustitución del tratamiento usual (B) sólo se justifica si el nuevo
tratamiento es más eficiente clínicamente o si tiene una mejor relación costobeneficio.

Conclusiones
En este escrito se presentan datos sobre la importancia de conocer los orígenes de la prueba de hipótesis y de
las posiciones antagónicas que tiene
sus representantes máximos, Fisher,
por un lado, y Newman con Pearson,
por el otro. Se esboza cómo el planteamiento de Fisher podría ser más
útil para las ciencias de la salud. Sin
embargo, es prioritario poder pensar
en la necesidad de tener un valor p
especificado y divulgarlo explícitamente en las publicaciones; no presentarlo de forma aproximada en las
publicaciones resaltando la decisión
que toma con él el autor del estudio;
esta forma de proceder aporta más
información al lector. Es fundamental complementar las pruebas de hipótesis con los intervalos de
confianza y valorar las conclusiones en el marco del significado de
las mediciones y la plausibilidad biológica de las conclusiones a que se
arriba.

Bibliografía
1.

Lehman E. The Fisher, Neyman-Pearson theories of testing hypothesis: one theory or
two? J Am Stat Assoc 1993; 88: 122-49.

2.

Hubbard R, Bayarri M. Confusion over measures of evidence (p´s) versus errors (a´s) in
classical statistical testing. Am Stat 2003; 57): 171-82.

3.
4.

Moran JL. A farewell to P values? Criti Care Resusc 2004; 6: 130-7.
Sterne JA, Smith GD. Sifting the evidence-what´s wrong with significance tests? Br
Med J. 2001; 322: 226-31.

5.

Monterrey PA, Cortés LY, Días ME. Utilidad y limitaciones de las pruebas de hipótesis
en epidemiología nutricional. ¿Cómo proceder frente a un problema? Perspectivas en
Nutrición Humana. 2003; 9: 72-87.

206

6.

http: //www.rbccv.org.br/english/normsOfVancouver.asp

7.

Walker AM. Cómo presentar los resultados en los estudios epidemiológicos. Bol Of
Sanit Panam. 1993; 115): 148-54.
Gardner MJ, Altman DG. Confidence intervals rather than P values: estimation rather
than hypothesis testing. Br Med J 1986; 292: 746-50.

8.
9.

Polit DF, Hungler BP. Investigación científica en ciencias de la salud. Principios y
métodos. McGraw-Hill Interamericana, HealthCare Group; 2000.

10. Goodman SN. Toward evidence-based medical statistics. 1. The P value fallacy. Ann
Intern Med 1999; 130: 995-1004.
11. Feinstein AR. P-values and confidence intervals: two sides of the same unsatisfactory
coin. J Clin Epidemiol 1998; 51: 355-60.
12. Fleiss JL. Confidence intervals vs. significance tests: quantitative interpretation. Am J
Public Health 1986; 76: 587-8.
13. Thompson WD. Statistical criteria in the interpretation of epidemiologic data. Am J
Public Health. 1987; 77: 191-4.


t studen prueba de muestreo

Más contenido relacionado

La actualidad más candente (20)

Similar a t studen prueba de muestreo (20)

t studen prueba de muestreo