Man3

DISEÑOS DE INVESTIGACIÓN Y
ANÁLISIS DE DATOS

TEMA 2
Contrastes de hipótesis en los
diseños de una muestra

Introducción
• En las investigaciones que parten del
conocimiento proporcionado por los
datos recogidos de una muestra, el
objetivo es inferir las características de la
población de la cual los datos
recolectados constituyen una muestra
representativa.

En este tipo de investigaciones la hipótesis a
contrastar especifica una característica de la
población, por ejemplo:
• Si un determinado parámetro poblacional puede tomar un
valor concreto.
• Si las variables medidas en la muestra son independientes en
la población.
• La forma de la distribución de la variable, X, en la población.
• Si los datos observados en la muestra son independientes
entre sí.

• Los dos primeros casos se incluyen dentro de
los contrastes paramétricos ya que se
relacionan con el estudio de un parámetro
poblacional (media, varianza, proporción,
correlación, etc.) y siempre que la variable de
estudio provenga de una población con una
función de densidad de probabilidad (fdp)
conocida o supuesta.

• Por su parte, los dos siguientes contrastes se
englobarían dentro de los contrastes no
paramétricos que o bien no se relacionan con
parámetros poblacionales o se encuentran
referidas a datos que provienen de una
población con una función de densidad de
probabilidad desconocida.

Contrastes paramétricos vs no
paramétricos
• Resulta difícil proporcionar una definición
precisa del concepto de “técnicas no
paramétricas” ya que no existe un consenso
absoluto al respecto.
• La literatura técnica diferencia estas técnicas
de formas muy diversas.

• Así, por ejemplo, Ross (2004) las define como
aquellas pruebas que se aplican cuando los
datos proceden de una distribución de
probabilidad cuya forma no viene
especificada, es decir, cuando no podemos
asumir una forma concreta de la distribución
poblacional para los datos (normal,
exponencial, binomial, etc.).
• Es por ello que muchos autores denominan a
estas pruebas como “pruebas sin supuesto
distribucional” (distribution-free) en vez de
“no paramétricas”.

• No obstante, sería equivocado afirmar que los
contrastes no paramétricos no realizan ningún
tipo de supuestos (lo que en estadística se
conoce como assumption-free) aunque sí es
cierto que los supuestos realizados por los
contrastes no paramétricos son menos rígidos
que los realizados por los contrastes
paramétricos.

• Contrariamente a lo que se suele afirmar, los
contrastes no paramétricos sí realizan
supuestos aunque estos no están referidos a
la forma específica de la distribución
poblacional.

• Por ejemplo, un supuesto muy utilizado en
pruebas no paramétricas es el supuesto de
distribución simétrica de la variable
dependiente en la población. Debido a que
existen otras muchas distribuciones distintas
de la normal que también son simétricas, este
supuesto no nos obliga a trabajar
necesariamente con una distribución normal
(que es simétrica).

• No obstante, sí nos elimina del área de búsqueda
todas las distribuciones asimétricas (v.g., la F, la
chi-cuadrado, la Gamma). Esta es una de las
razones por las que algunos autores han
introducido otros términos que pretenden
establecer matizaciones a medio camino entre las
técnicas paramétricas y las no paramétricas (v.g.,
técnicas semiparamétricas).

• En relación a las distinciones anteriores, el
estudiante debe diferenciar entre los supuestos
realizados por el método de inferencia de las
pruebas (criterio que diferencia las técnicas
paramétricas de las no paramétricas) de las
distribuciones muestrales utilizadas en los
cálculos para el contraste de hipótesis en
cualquiera de estas técnicas (tanto paramétricas
como no paramétricas).

• Aunque la estadística no paramétrica no
incluya entre sus supuestos a una f.d.p.
(función de densidad de probabilidad)
concreta como la distribución poblacional de
la variable dependiente, no obstante, los
estadísticos que se calculan en la estadística
no paramétrica sí se distribuirán según una u
otra distribución paramétrica concreta.

• Por ejemplo, cuando veamos la prueba de los
signos comprobaremos que no se hace ningún
supuesto sobre cómo se distribuyen los datos
observados en la población de la cual se ha
extraído la muestra de estudio (en este
sentido es un contraste no paramétrico) pero,
sin embargo, utilizará la distribución binomial
como distribución muestral del estadístico
para realizar los cálculos de los niveles de
probabilidad asociados a la hipótesis nula.

• La distribución binomial es una distribución
paramétrica pero la prueba de los signos no la
utiliza como un supuesto necesario para
aplicarla, sino como una herramienta para
calcular niveles de probabilidad.

• Otros autores hacen hincapié simplemente en
que, de forma genérica, estas últimas realizan
supuestos menos restrictivos o rígidos que las
técnicas paramétricas (Daniel, 1990). Desde
esta perspectiva, la distinción entre
paramétrico vs. no paramétrico no es una
distinción cualitativa sino cuantitativa

• Hay procedimientos que se acercan más al
extremo paramétrico y otros al extremo no
paramétrico, existiendo otros en puntos
intermedios del continuo. Aunque esta
clasificación cuantitativa de los contrastes es
una definición más vaga que las anteriores,
resulta muy útil ya que hay técnicas
estadísticas entre cuyos objetivos iniciales
explícitos se encuentra el realizar los menos
supuestos posibles sobre la procedencia de los
datos.

• Una tercera opinión insiste en que lo que
caracteriza a las técnicas no paramétricas es el
nivel de medida de los datos. Las técnicas no
paramétricas se suelen utilizar cuando las
escalas utilizadas para medir la variable
dependiente, es decir, los datos recogidos en
la muestra, son de tipo nominal u ordinal o
bien cuando las escalas sean de tipo de
intervalo/razón pero han sido recodificadas
en variables de tipo nominal u ordinal

• Estamos de acuerdo con Wasserman (2006)
cuando subraya que el punto esencial de las
técnicas no paramétricas consiste en que los
métodos estadísticos desarrollados en este
área tratan de mantener los supuestos lo
menos restrictivos o rígidos posibles.

• Hemos de señalar que cuanto menos
restrictivos sean los supuestos que se realicen
a la hora de seleccionar la prueba que se
aplicará para el contraste de hipótesis, más
amplias serán las posibilidades que tendremos
que contemplar (más amplio el espacio de
búsqueda).

• Este espacio de búsqueda puede llegar a ser
infinito por lo que también se conoce a las
técnicas no paramétricas como “técnicas
paramétricas de dimensionalidad infinita”.

• El concepto de “no paramétrico” no tiene una
definición precisa y universalmente aceptada.

Contraste sobre la media
poblacional.
• Conocida la varianza poblacional.
Aunque esta situación no es frecuente, si por
trabajos o información previa podemos
asumir un determinado valor para la varianza
poblacional, entonces la distribución muestral
de la media es una distribución normal, y el
estadístico de contraste para la media
poblacional es:

• El estadístico Z cuantifica la distancia entre la
media de la muestra

a la media poblacional asumida en H0

en unidades de error típico de la distribución
muestral.

• Es una regla de tres

1 SX --------------------------

Z= ¿? --------------------------

Ejemplo 2.2
• Por estudios previos conocemos que la
población masculina de la tercera edad de
una determinada Comunidad Autónoma tiene
un gasto medio en medicamentos de 215
euros/año con una desviación típica de 36
euros y queremos saber si la población
femenina tiene el mismo gasto.

Ejemplo 2.2
• Con tal finalidad analizamos el gasto medio de
una muestra de 324 mujeres de la tercera
edad de esa misma comunidad observando
que la media es de 220 euros/año. Asumimos
que esta variable se distribuye normalmente
en la población. Fijando un nivel de confianza
del 95%, contraste si el gasto de las mujeres es
significativamente distinto de 215 euros/año.

No hay dos muestras, solo una: la de
mujeres
DM de la media
Gasto
Variable X farmacéutico
= en mujeres
gasto
farmacéutico

MUESTRA
POBLACIÓN

¡Supuesto! -> Paramétrico
DM de la media
Gasto
Variable X farmacéutico
= en mujeres
gasto
farmacéutico

MUESTRA
POBLACIÓN

Condiciones y supuestos
• El estudio utiliza un diseño de una muestra de
mujeres en la que la variable “gasto medio” se
mide en una escala de razón (variable
cuantitativa) y sabemos que se distribuye
normalmente en la población.
• Adicionalmente conocemos la desviación
típica poblacional que es de 36 euros.

• Se trata de un contraste paramétrico bilateral
ya que, a priori, no sabemos si el gasto de las
mujeres es mayor o menor de 220 euros/año,
solo queremos contrastar que el gasto de las
mujeres es diferente a esa cantidad, pero sin
señalar el sentido de esa diferencia.

Formulación de las hipótesis
• La hipótesis de investigación es que “las
mujeres tienen un gasto distinto a los 215
euros/año” (H1).
• La hipótesis nula (H0) dice que el gasto de las
mujeres es de 215 euros/año y la hipótesis
alternativa que el gasto medio de las mujeres
es un valor distinto.

• Partimos de que, provisionalmente, la
hipótesis nula es verdadera, es decir, que las
mujeres tienen un gasto de 215 euros/año y
se trata de encontrar evidencia contra esta
hipótesis a partir de la información
proporcionada por una muestra
representativa.

• ¿La diferencia de 5 euros entre el valor
observado en la muestra y el que planteamos
en la hipótesis nula significa realmente un
gasto distinto o esta diferencia puede deberse
a fluctuaciones aleatorias?. El rechazo de la
hipótesis nula y la consiguiente aceptación de
la hipótesis alternativa significará que la
diferencia observada es “estadísticamente
significativa” confirmando una diferencia real
que no puede atribuirse al azar o a
fluctuaciones aleatorias debidas al muestreo.

Estadístico de contraste
• Para contrastar nuestra hipótesis se calcula la
discrepancia entre la evidencia observada de
que el gasto medio es de 220 euros en la
muestra de mujeres con el valor
hipotéticamente establecido para la población
general de que el gasto medio es de 215
euros.

Regla de decisión
• Los valores críticos representan la máxima
diferencia atribuible al azar en la distribución
muestral que puede existir entre los datos
empíricos observados en la muestra y los
datos teóricos que planteamos en la hipótesis
nula.

Regla de decisión
• En la muestra el valor observado es 220
euros/año y el valor hipotético planteado es
de 215 euros/año. Esta diferencia corresponde
a 2,5 desviaciones típicas de la distribución
muestral lo cual es poco probable si H0 es
cierta
• Poco probable significa menos probabilidad
que el nivel alpha.

Conclusión
• El valor de este estadístico de contraste
obtenido en el paso anterior, sobrepasa el
valor máximo de 1,96 por lo que debemos
rechazar la hipótesis nula con un nivel de
confianza del 95%.

• De otra forma, al valor del estadístico de
contraste obtenido de Z=2,5 le corresponde
un nivel p-crítico de 0,0124. Esta probabilidad
indica que suponiendo verdadera la hipótesis
de que las mujeres tienen un gasto medio de
215 euros/año, la probabilidad de observar un
gasto de 220 euros/año se obtiene buscando
en la tabla de la distribución normal, la
probabilidad de P(Z≤-2,5) que es 0,0062.

• 1-0.9938 =0.0062
• Como el contraste es bilateral
0.0062 * 2 = 0.0124
• Este valor es el nivel p-crítico y resulta ser
inferior al nivel alpha.
En consecuencia, rechazamos H0

Interpretación
• A la vista de los cálculos podemos decir que,
con un nivel de confianza del 95%, el gasto de
las mujeres difiere significativamente de 215
euros/año, que es el que realizan los hombres.

Interpretación
• Si hubiéramos utilizado un nivel de confianza
del 99% no habría evidencia suficiente para
rechazar la hipótesis nula ya que en este caso
el nivel p-crítico de p=0,0124 es mayor que el
nivel de significación “alfa” de 0,01. Es decir
que la diferencia encontrada es significativa
con “alfa”=0,05 pero no lo es con un nivel de
significación de 0,01.

• Estas conclusiones ponen de manifiesto:

a) la importancia de la replicación de la
investigación para añadir más evidencia a
favor o en contra de la hipótesis

b) la exigencia de informar del valor del
estadístico de contraste y el nivel p-crítico

Contraste sobre la media
poblacional.
• Desconocida la varianza poblacional.
Si se desconoce la varianza poblacional y la
forma de la distribución de la variable en la
población entonces la distribución muestral
de la media es la distribución t de “Student”,
que se aproxima a la normal cuando se
utilizan muestras grandes (con más de 30
elementos).

• En estas circunstancias el estadístico de
contraste es:

• El acento circunflejo representa “estimador”.

es el estimador de la desviación típica
poblacional que se puede realizar bien a partir
de la varianza o de la cuasi-varianza de la
muestra (aunque el mejor estimador es este
último).

• El estimador insesgado de la varianza
poblacional es la cuasi-varianza muestral por
lo que el estadístico de contraste obtenido
utilizando la cuasi-varianza muestral es:

Ejemplo 2.1
• En un experimento sobre atención, un
psicólogo presenta durante 300 mseg un
grupo de 16 letras del alfabeto (con una
disposición de 4 filas y 4 columnas). Cada uno
de los 12 sujetos que participan en el
experimento debe verbalizar tantas letras
como recuerde. El promedio obtenido de
letras bien recordadas es de 7 y la desviación
típica insesgada (cuasi-desviación típica) de la
muestra es de 1,3.

Ejemplo 2.1
• Sabiendo que el recuerdo es una variable que
se distribuye normalmente en la población,
¿Puede ser la media de letras recordadas de
8? Trabaje con una probabilidad de 0,95.

DM de la media
Nº de letras
Variable X bien
= recordadas
nº de letras
bien recordadas

MUESTRA
POBLACIÓN

participantes en la que la variable “número
medio de letras recordadas” se mide en una
escala de razón (variable cuantitativa) y
sabemos que se distribuye normalmente en la
población (paramétrico).
• No conocemos la desviación típica
poblacional.
• Conocemos la cuasidesviación típica muestral
(1.3).

Calculamos el resto de
estadísticos muestrales
que podemos necesitar

MUESTRA
DM de la media
Nº de letras
Variable X bien
= recordadas
nº de letras
bien recordadas

POBLACIÓN


• Se plantea un contraste bilateral debido a que
no han dado información acerca de una
posible unilateralidad.


• Partimos de que la H0 es verdadera, es decir,
que el número de palabras recordadas en este
tipo de pruebas es de 8, y se trata de evaluar
si los datos recogidos en una investigación
bien diseñada y utilizando una muestra
aleatoria arrojan evidencia a favor o en contra
de la hipótesis nula.

• La discrepancia entre el estimador (media de
la muestra) y el valor del parámetro
formulado en la hipótesis nula, es:

Regla de decisión

• Con un nivel de confianza del
95% en un contraste bilateral, la
máxima discrepancia que cabe
esperar por simple azar entre el
estimador y el valor planteado en
la hipótesis nula es 2,201 (valores
críticos).

Regla de decisión
• El valor del estadístico de contraste obtenido,
supera este valor máximo lo que nos lleva a
rechazar la hipótesis nula. El nivel p-crítico
asociado a este estadístico de contraste es
p=0,022 que resulta menor que el nivel de
significación fijado en 0,05.

Valor p-crítico = 0.011*2 =
0.022

Área en azul = valor p-crítico = probabilidad de obtener
una t empírica igual o más extrema que la obtenida (2.66)
=

Interpretación
• Interpretación: A partir de la evidencia que
muestran los datos de la investigación,
debemos rechazar la hipótesis nula de que el
número medio de palabras recordadas es de
8. Por tanto y a falta de más evidencia, nada
se opone a rechazar la hipótesis nula con un
nivel de confianza del 95%.

Contrastes no paramétricos
• La prueba de los signos
• Es una prueba no paramétrica equivalente a la
prueba t de una muestra que se aplica cuando
no se cumplen los supuestos que ésta exige.
• El conjunto de observaciones (Xi) procederá de
una población de puntuaciones que siguen
una función de distribución continua y
desconocida a la que denominaremos D.

Prueba de los signos
• Pero si no conocemos ni podemos asumir la
forma concreta de D no podemos utilizar la
prueba paramétrica (t o z). Tendremos que
utilizar, por consiguiente, pruebas no
paramétricas. Esto quiere decir que debemos
admitir que D puede adoptar cualquier forma
(normal, exponencial, gamma, Pareto, ex-
gaussiana, etc.).

• Supongamos que estamos interesados en
poner a prueba la hipótesis de que la mediana
de D, a la que llamaremos (eta)

es igual a un valor específico al que llamaremos
m0. Es decir, estamos poniendo a prueba el
siguiente contraste de hipótesis para la
mediana poblacional:

• Asumiendo que H0 es cierta, esto significa que
en el valor m0 aproximadamente la mitad de
los datos de la muestra deben quedar por
debajo del mismo y la mitad restante por
encima, excepto variaciones debidas al azar.
• En otras palabras, estamos planteando en H0
que m0 es el percentil 50 de la distribución (la
mediana).
• ¡Y esto sin importar el tipo de distribución
concreta que pueda adoptar D en la realidad!

• Si H0 es cierta, entonces cada observación será
menor que m0 con probabilidad 0.5 (o
superior a m0 con probabilidad 1- 0.5 = 0.5).
Es decir, que si H0 es cierta la probabilidad de
que cada observación sea superior o inferior a
m0 será similar al experimento aleatorio
consistente en arrojar una moneda insesgada
(no trucada) y determinar si cae cara o cruz.

• El modelo estadístico que subyace a un
proceso dicotómico del tipo cara-cruz,
repetido varias veces (n ensayos), se modela
mediante una variable aleatoria de Bernouilli
con parámetro p (probabilidad de éxito).

• En nuestro caso, el valor de p deberá ser 0.5
siempre y cuando H0 sea cierta.
• En consecuencia, partiendo de los valores de
Xi obtenidos empíricamente en el
experimento u observación, podemos calcular
otra variable aleatoria, a la que llamaremos I,
que se distribuirá según Bernouilli, es decir,
según la fórmula:

• Esto significa que cada valor concreto de Xi se
transforma en un 1 si es menor que m0 (el
valor propuesto para la mediana en H0) o en
un 0 si es igual o superior a m0. En
consecuencia Ii se puede considerar una
función indicatriz (nos señala si ese valor se
encuentra por encima o por debajo del valor
m0 propuesto en H0).

• Si H0 es cierta, entonces la nueva variable
aleatoria Ii será una variable aleatoria de
Bernouilli con p = 0.5.
• Ahora podemos sumar los valores de Ii (a esta
suma solo aportarán valor efectivo los Ii que
valgan 1 ya que el resto vale 0 y se pierden en
la suma) para toda la muestra.
• Llamemos S al estadístico resultante de sumar
todos los valores de Ii:

• Este valor S (que es igual al número de unos
de Ii) se distribuye según la binominal con
parámetros p y n (en donde p valdrá 0.5 si H0
es cierta y n será el número de datos de la
muestra). En un contraste bilateral, para
calcular la probabilidad de obtener un valor
tan extremo o más que el obtenido en la
muestra para el valor S, asumiendo que H0 es
cierta, aplicaremos la binomial según la
fórmula:

• El nombre de “prueba de los signos” proviene
de que en muchas ocasiones se utiliza como
estadístico el número de signos positivos o
negativos (en lugar de unos y ceros) que se
obtienen realizando la diferencia entre cada
puntuación original y la mediana planteada en
H0, es decir

• Los valores que resultan de este
cálculo (número de signos positivos o
negativos) son conceptualmente
idénticos al cálculo de la variable
aleatoria Ii ya que si Xi es inferior a
m0 entonces el signo es negativo y si
Xi es superior a m0, entonces el signo
es positivo.

Supuestos
• Asumimos que la variable de interés es continua.
Esto significa que teóricamente no deberían
producirse diferencias nulas cuando calculamos (es
decir, que no deberíamos encontrarnos con valores
de Xi y m0 idénticos, en cuyo caso la diferencia sería
0).
• No obstante, como en la práctica se producen debido
a la precisión limitada de nuestros instrumentos de
medida, el procedimiento usual es descartar aquellas
observaciones que generen estas diferencias nulas y
reducir n en consecuencia.

Supuestos
• La variable de interés viene medida, como
mínimo, en una escala ordinal.
• Obsérvese que estamos diferenciando entre la
“variable de interés” real (que asumimos
continua) y la forma en que la medimos
(mediante una escala ordinal como mínimo).

Supuestos
• Así, por ejemplo, teóricamente podríamos
considerar la “belleza” de una obra de arte
como una variable continua pero cuando la
medimos podemos utilizar simplemente una
escala que distinga únicamente tres valores
ordenados: 0 (“me parece fea”), 1 (“normal”)
y 2 (“me parece bella”), aunque obviamente
podríamos utilizar escalas ordinales con un
mayor número de categorías.

Supuestos
• La muestra se ha extraído aleatoriamente de
una población con mediana desconocida.

Ejemplo 2.3
• Sabiendo que la distribución de los tiempos de
reacción (TR) tiene una distribución asimétrica
negativa, un investigador decide aplicar un
contraste no paramétrico para contrastar la
hipótesis de que la mediana en un
experimento de TR simple es de 450 ms.

Ejemplo 2.3
• Ha sometido a 10 participantes a un
experimento de TR simple, calculando para
cada uno de ellos la media de TR en 100
ensayos. Los datos obtenidos han sido
{X1= 430 , X2= 480 , X3= 510 , X4= 500, X5= 390 ,
X6= 455, X7= 440 , X8= 470, X9= 475, X10= 465}.
El investigador publicará sus resultados en una
revista científica que exige un nivel de
confianza del 95%.

• El investigador utiliza un diseño de una
muestra y decide aplicar una prueba no
paramétrica debido a la asimetría de la
distribución de los TR y no debido al nivel de
medida de la variable dependiente, que en
este caso sería de razón.

• La hipótesis de investigación es que la
mediana de los TR en la población es de 450
ms, por lo que la hipótesis alternativa dirá que
no es de 450 ms. Se trata, por tanto, de un
contraste bilateral:

• Para contrastar la hipótesis, transformamos
los datos observados en unos y ceros, o en
signos positivos y negativos:

Los subíndices son una forma de
identificar a la puntuación

Calculamos la diferencia entre cada
puntuación y m0

Las diferencias con signo negativo son
1 y las diferencias positivas son 0

Calculamos la suma de valores (S o S-)

• Con el valor S nos preguntamos por la
probabilidad asociada al mismo bajo el
supuesto de que H0 es cierta ¿cuál es la
probabilidad de obtener 3 valores negativos
(o 7 negativos) si m0 = 450?
• Veamos la función de probabilidad binomial
con n=10 (el número de participantes) y
p = 0.5 (la probabilidad de éxito si H0 es
cierta).

• La probabilidad de obtener un valor del
estadístico de contraste S menor o igual al
obtenido en nuestra muestra (recordemos
que S = 3) viene dado por la suma de los
niveles de probabilidad para n entre 0 y 3, es
decir

• Ahora bien, como estamos trabajando con
una H0 bilateral estamos asumiendo a priori
que el estadístico S puede ser superior o
inferior a la mediana. En el cálculo anterior
sólo hemos contemplado las probabilidades
de obtener valores de S iguales o inferiores a
3, pero tenemos que contemplar también que
S pueda ser igual o superior a n-S, es decir,
igual o superior a 10-3=7.

• Considerando que la distribución binomial,
para p=0.5, es simétrica es fácil ver que para
calcular el nivel de probabilidad asociado con
el estadístico S = 3 sólo tenemos que
multiplicar la p unilateral obtenida por 2.

Regla de decisión
• La decisión a tomar respecto a la H0 la
hacemos comparando este valor de
probabilidad calculado (nivel p-crítico porque
representa la probabilidad de obtener el S
empírico obtenido) con el nivel de
significación, o error tipo I, que estemos
dispuestos a cometer (0.05 en este ejemplo).
0.34 > 0.05

Conclusión
• Si utilizamos un alpha de 0.05 podemos
observar que 0.05 < 0.34. Esto nos conduce a
no rechazar H0. Como ya sabemos, sólo en el
caso de que alpha fuese mayor que la
probabilidad de obtener un estadístico S igual
o más extremo que el calculado (el nivel p-
crítico) rechazaríamos H0.

Interpretación
• Ambos procedimientos conducen a no
rechazar H0: no existe evidencia para
sospechar que la mediana de los TR sea
diferente de 450 ms.

• En el caso anterior hemos puesto a
prueba el contraste bilateral lo cual
se representa gráficamente mediante
un conjunto de valores del
estadístico S (o el número de signos)
compatibles con H0 y otros valores a
derecha e izquierda (más extremos)
poco probables si H0 es cierta.

• Si deseamos hacer un contraste unilateral
izquierdo el procedimiento cambia
ligeramente en función del cambio de H0 pero
es fácil razonar de forma similar a como lo
hicimos anteriormente. De esta forma, si
planteamos la H0 unilateral izquierda

• Estamos proponiendo en H0 (a priori la
asumimos cierta) que la mediana poblacional
es igual o superior a un valor concreto m0. Por
consiguiente, si H0 es cierta esto implica que el
grueso de datos, Xi, serán superiores a m0 y la
diferencia

será mayoritariamente positiva.
A su vez, esto implica que se espera un valor
muy bajo de signos negativos (muy pocos
unos, es decir, una S muy baja si H0 es cierta) :

En el ejemplo anterior calcularíamos la probabilidad
asociada con una S igual o inferior a la obtenida
(como es unilateral, sin multiplicar por dos)

• Por el contrario, si tenemos información que
nos conduzca a realizar un contraste unilateral
derecho:

• Debido a la simetría de la distribución
binomial, daría igual calcular una probabilidad
u otra.

• Ya se vio en cursos anteriores que la binomial
se aproxima a la normal conforme n aumenta.
Por ello cuando el número de elementos
muestrales es lo suficientemente elevado,
puede utilizarse el estadístico Z como
aproximación a la binomial:

• No obstante, no hay acuerdo preciso acerca
del tamaño muestral que garantiza o
recomienda la utilización de Z. Así, Daniel
(1990) defiende que n debería ser igual o
superior a 12. Sin embargo Siegel y Castellan
(1988) recomiendan que la aproximación se
utilice cuando n sea mayor que 25.

La prueba de Wilcoxon para una
muestra
• Hemos visto que la prueba de los signos solo
hace uso de la información presente en la
muestra acerca de si cada valor muestral
observado, Xi, es superior o inferior a la
mediana (m0). Esto se podía reflejar ya fuese
en los signos de las diferencias o utilizando
una función indicatriz. En cualquier caso, la
prueba de los signos no utiliza la magnitud de
esta diferencia entre Xi y m0 en sus cálculos

• Ante este problema de falta de sensibilidad
del test de los signos, Frank Wilcoxon (1945,
1949) desarrolló un procedimiento que utiliza
ambas informaciones: la dirección o signo de
la diferencia y la magnitud de esta diferencia,
permitiendo poner a prueba hipótesis sobre la
mediana.
• Además, pone a prueba la hipótesis de que la
distribución sea simétrica (que el conjunto de
datos superior a m0 es igual al conjunto de
datos inferior a m0).

Supuestos
• La muestra se ha seleccionado al azar de la
población que representa.
• La variable dependiente medida es de intervalo o
de razón.
• La distribución poblacional subyacente es simétrica.

• El test de Wilcoxon se recomienda
especialmente como sustituto de la prueba t
cuando se sospeche que el supuesto de
normalidad se incumple de forma obvia.
• La hipótesis nula bilateral es similar a la
formulada para la prueba de los signos:

• Si H0 es cierta y recordando que la mediana
deja por debajo de sí a la mitad de los datos
muestrales, esto se traduce en que la suma de
los órdenes de las puntuaciones por encima
de la mediana deberá ser aproximadamente
igual a la suma de los órdenes de las
puntuaciones por debajo de la mediana, es
decir, ΣR+ ≈ ΣR-. El incumplimiento de esta
desigualdad conducirá al rechazo de H0.

Cálculo de los rangos promediados
• El rango R (u orden) de una observación Xi se
obtiene disponiendo todas las observaciones
en orden de la más pequeña a la mayor. A
cada observación directa se le asocia su orden,
es decir, a la observación más pequeña se le
asocia el rango 1, a la siguiente observación el
2 y así sucesivamente. A la mayor observación
se le proporciona el rango n.

Cálculo de los rangos promediados
• Este procedimiento para asignar rangos a las
observaciones directas asume que no hay
empates, es decir, que no ha dos medidas
exactamente iguales.
• Esto sólo podría suceder si las mediciones
originales se realizasen con una precisión
infinita, lo cual no es el caso en las situaciones
reales. Las observaciones reales tienen una
precisión finita y, por consiguiente, se pueden
producir empates.

• Podemos pensar en dos estudiantes, Juan y
Pedro, a los que se les ha sometido a un
experimento de TR y podrían tener un TR
medio de 453.5432…ms. y 453.5382…ms.
respectivamente. Pero si el cronómetro que se
utilice para su medición sólo puede precisar
hasta el milisegundo significa que obtendrá
para ambos el mismo valor de 453 ms.,
aunque en realidad tienen diferente
puntuación siempre y cuando pudiéramos
medirla con una precisión inferior al
milisegundo.

• Este argumento puede ampliarse a cualquier
nivel de precisión que podamos alcanzar con
un instrumento de medida real. Es por ello
que en la realidad y debido a la precisión finita
de nuestros instrumentos de medida
tendremos empates. En estos casos los rangos
iniciales (1, 2, 3, …, n) se reemplazan por los
rangos promediados.

• Supongamos que disponemos de las
siguientes observaciones de TR:
{450, 500, 732, 322, 450}

• Si disponemos estas puntuaciones en orden y
les asignamos a cada una el número de orden
tendríamos

• Pero como no tiene sentido proporcionar a
una única puntuación directa (450) dos rangos
distintos (el 2 y el 3), se les proporciona un
único rango (2.5) que es la media entre los
rangos otorgados inicialmente.

• Y si tuviéramos tres puntuaciones empatadas,
el procedimiento sería similar. Por ejemplo,
asumamos que las puntuaciones originales
hubiesen sido {322, 450, 450, 500, 450}

• Los rangos apropiados serían:

• El procedimiento que seguimos para calcular
el test de Wilcoxon calcula primero la
diferencia entre cada puntuación directa Xi y
la mediana postulada en H0. De esta forma
obtendremos un conjunto de n puntuaciones
diferencia

El signo de Yi dependerá de que Xi sea mayor
(signo positivo) o menor (signo negativo) que
m0.

Para cada puntuación Yi registraremos también
su orden o rango utilizando los siguientes
criterios:
• Ordenamos los valores absolutos de los Yi, es
decir, sin considerar el signo de Yi. Eliminamos
cualquier Yi que valga 0 porque coincide con la
m0 lo que debería ser imposible según el
supuesto de distribución continua subyacente.

Para cada puntuación Yi registraremos también
su orden o rango utilizando los siguientes
criterios:
• Cuando hayan valores de Yi que en valor
absoluto

se encuentren empatados se proporcionará a
cada valor empatado el promedio de los
órdenes. Se asigna el orden 1 a la puntuación
con el valor absoluto más bajo y el rango
mayor (n) a la puntuación diferencia con el
valor absoluto más alto.

• A continuación se suman los valores absolutos
de las puntuaciones diferencia que tienen
signos positivos para producir una puntuación
que denotaremos por ΣR+ (sumatorio de los
rangos positivos) y los valores absolutos de las
puntuaciones diferencia que tienen signos
negativos para producir ΣR- (sumatorio de los
rangos negativos).

• Si H0 es cierta, es de esperar que los valores
ΣR+ y ΣR- sean similares entre sí.
• Bajo el supuesto anterior entonces la media y
varianza de esta variable son

• Ejemplo:
• Si disponemos del conjunto de datos
{3, 5, 7, 9.5, 12, 15, 22}
representados por un diagrama de puntos
sobre el eje X.

• Si quisiéramos poner a prueba la hipótesis de
que la mediana vale 8 en la población de la
que se han extraído estos datos (la mediana
viene representada por la línea vertical en la
situada en X = 8)

• Rangos correctos: al calcular la distancia en
valor absoluto (es decir, sin considerar el
signo) observemos como los rangos se van
alternando a derecha e izquierda.

• Rangos correctos:
• Al calcular la distancia en valor absoluto (es
decir, sin considerar el signo) observemos
como los rangos se van alternando a derecha
e izquierda. Estas distancias en valor absoluto
vienen representadas por la longitud de las
flechas horizontales. Ahora sí es razonable
esperar que la suma de los rangos inferiores a
m0 sea aproximadamente igual a la suma de
rangos superiores a m0 (siempre y cuando H0
sea cierta).

• Observamos que los datos han cambiado .
Aunque la situación es cualitativamente
similar a la Figura anterior (3 datos a izquierda
de m0 y 4 a la derecha) ahora los rangos
correctos han cambiado totalmente porque al
utilizar la distancia en valor absoluto de cada
puntuación a m0 ahora los rangos inferiores
quedan todos a mano izquierda de m0 y los
rangos superiores a mano derecha.

• La pregunta a responder es si la diferencia
entre ΣR+ y ΣR- es lo suficientemente grande
como para sospechar que H0 no es cierta. Si el
valor de ΣR+ es significativamente mayor que
el valor de ΣR- nos señala que existe una alta
probabilidad de que la muestra se derive de
una población con una mediana mayor que el
valor planteado en la H0 para la población

• Y a la inversa si ΣR+ es significativamente
menor que el valor de ΣR-.
• Cuando estos valores sean equivalentes
ambos tendrán un valor de n(n+1)/4 excepto
por desviaciones debidas al azar.

• ¿De dónde viene esta media? Anécdota sobre
Gauss, el príncipe de los matemáticos

• La Tabla del estadístico W de Wilcoxon se
encuentra tabulada en función de los valores
inferiores que pueda adoptar cualquiera de las
sumas de rangos.
• Por ello, como estadístico de contraste o
discrepancia entre los rangos observados y los
que cabría esperar si la H0 fuese verdadera, se
adoptará el valor más pequeño de las dos
sumas de rangos (ΣR+ y ΣR-) obtenidas en
nuestra muestra

• A este estadístico (de Wilcoxon) lo
representaremos por W. Para poder
interpretar este valor es necesario calcular la
probabilidad de obtener un valor igual o tan
extremo como el obtenido. Si esta
probabilidad (nivel p-crítico) es inferior al nivel
de significación alpha, rechazaremos H0.

Ejemplo 2.4
• Una muestra aleatoria de estudiantes fueron
entrevistados para determinar el número real
de horas que dedicaban al estudio del examen
final de una asignatura concreta. Los
resultados fueron

{25, 12, 10, 15, 20, 17, 30, 125, 3}

• Si estudios anteriores han mostrado que la
mediana del número de horas que se estudia
es de 15 horas ¿apoya la evidencia esta
observación? Trabaje a un alpha de 0.05.

• El investigador utiliza una muestra para
realizar un contraste sobre la mediana que no
representa un parámetro de una distribución
poblacional y aún tratándose de una variable
medida, al menos con escala de intervalo,
desconoce la distribución de la variable en la
población

• Por otra parte, puede verse un aspecto muy
interesante an la gráfica de los datos: tenemos
un dato muy alejado del resto de datos (un
outlier). Esta puede ser otra de las razones por
las que se ha adoptado por una técnica no
paramétrica (si hubiéramos utilizado un
contraste de la media, este valor extremo
habría desplazado hacia la derecha la
estimación de la media).

• La hipótesis de investigación es que la
mediana de las horas de estudio es de 15
horas. Se trata, por tanto, de un contraste
bilateral

• Para contrastar la hipótesis, calculamos la
diferencia entre cada puntuación y la
mediana, sin tener en cuenta el signo (valor
absoluto).
• Posteriormente ordenamos estas diferencias
asignándoles un rango de menor a mayor y de
n=1 hasta n=6.

• Observemos que tenemos un dato que
coincide con la mediana (m0=15) por lo que
debemos eliminarlo pasando de tener 9 datos
a 8 (n = 8). Además, tenemos dos datos que
están a la misma distancia de m0 (10 y 20) por
lo que tendremos que utilizar el cálculo de los
rangos ponderados para este par de datos.

• Además, tenemos solo 3 datos a la izquierda
de m0 y 5 a la derecha con los rangos
alternando a derecha e izquierda.
Intuitivamente no tenemos una base firme
para sospechar que H0 sea cierta o falsa. En
otros casos, la simple gráfica nos puede dar
indicaciones muy útiles.

• Los estadísticos valen ΣR- = 11.5 y ΣR+= 24.5.
Utilizaremos como estadístico W el valor de
ΣR- ya que es el más pequeño de ambos.
Luego W = 11.5.
• Obsérvese que el signo negativo de ΣR- se ha
utilizado simplemente como señal para sumar
estos valores pero con signo positivo, es decir,
en vez de sumar (-6)+(-3.5)+(-2) sumamos
6+3.5+2 ya que el signo negativo solo es un
indicador de que estos rangos van juntos en
un único sumatorio.

Regla de decisión
• Ahora debemos acudir a las tablas de
Wilcoxon para un contraste bilateral con para
extraer los valores críticos. Para n = 8 en un
contraste bilateral el valor crítico es Wc = 3.

Conclusión
• Debido a que la H0 solo puede rechazarse si
W≤3
y hemos obtenido una W de 11.5, concluimos
que a partir de los datos observados en la
muestra, no hay evidencia para rechazar la H0.

Interpretación
• No hay evidencia para rechazar la hipótesis de
que el número real de horas semanales que
los estudiantes emplean para repasar el
examen final es de 15.

Contraste sobre la proporción
poblacional
• La proporción P, o frecuencia relativa de
aparición de una observación en un conjunto
de datos, es el cociente entre el número de
veces que aparece esa observación y el
número total de observaciones.

poblacional
• En el tema anterior se ha visto que la
distribución muestral de la proporción es una
distribución binomial.
• Sabemos que la distribución binomial se
aproxima a la normal cuando el tamaño de la
muestra es grande (n > 25 o n x p > 5 ).

poblacional
• En esta distribución muestral, la media y
desviación típica (o error típico de la
proporción) valen:

DM de la proporción
Variable
Variable X dicotómica
=
Variable
dicotómica

MUESTRA
POBLACIÓN

poblacional (Pi)
• El intervalo de confianza para la proporción
poblacional a partir de la proporción
observada en una muestra se obtiene
sumando a la proporción observada en la
muestra el error muestral o error máximo de
estimación, que vale

O

• Igual que razonábamos en el caso de la media,
para contrastar una hipótesis referida a un
valor hipotéticamente establecido como
proporción poblacional, podemos determinar
este intervalo con un determinado nivel de
confianza y comprobar si el valor planteado en
la hipótesis nula se encuentra incluido o no en
el intervalo.

• De forma similar se puede determinar el
estadístico de contraste para cuantificar la
discrepancia entre el valor observado en la
muestra y el planteado en la hipótesis nula.
Para el caso de la proporción y sabiendo que
la distribución muestral del estadístico, p, se
aproxima a la normal cuando las muestras son
grandes (n>25 o > 5), este estadístico es:

• Si la hipótesis nula es falsa esta discrepancia
debe superar el valor crítico de la distribución
muestral Z (la distribución normal tipificada).
De igual forma, el nivel p-crítico asociado a
esta discrepancia debe ser menor que el nivel
de significación, alpha , para poder rechazar la
H0.

Ejemplo 2.5
• Un investigador de estudios de mercado cree
que más del 20% de los adolescentes cambian
de móvil cada año. Con esta finalidad realiza
una encuesta sobre una muestra de 150
adolescentes observando que 39 de ellos
afirman haber cambiado de móvil en el último
año.
• Con un nivel de confianza del 99%, ¿podemos
admitir la hipótesis del investigador?

150 adolescentes en la que la variable
“cambiar de móvil” es cualitativa dicotómica
sí/no a nivel de la unidad de observación (en
este caso, el participante).

Contraste de la proporción
DM de la proporción
Variable
Cambiar de dicotómica
móvil (Si/No)
= N = 150
Variable Si =39
dicotómica

MUESTRA
POBLACIÓN

• Cuando contabilizamos en cada muestra el
número de participantes que contestan sí o
no, entonces esta variable tiene una
distribución binomial que, en este caso, se
aproxima a la normal por tratarse de una
muestra grande. El investigador quiere
demostrar que el porcentaje de adolescentes
que cambia de móvil cada año es superior al
20%.

Planteamiento de las hipótesis
• Se trata de un contraste unilateral ya que si la
hipótesis alternativa dice que “la proporción
supera el 0,20”, la hipótesis nula dice que “la
proporción es igual o no supera el 0,20”.

• A partir de los datos de la muestra la
proporción de adolescentes que cambian de
móvil es del 26% (0,26).

Regla de decisión
• Con un nivel de confianza del 99% y en un
contraste unilateral, el valor crítico para
rechazar la hipótesis nula es 2,33.

• El nivel p-crítico asociado al estadístico de
contraste obtenido es 0,0329 que es una
probabilidad mayor que el nivel de
significación establecido a priori.
• Debe buscarse en las tablas de la distribución
normal la probabilidad de obtener
puntuaciones Z mayores que 1, 84.

P(Z≥1,84)=1-P(Z≤1,84)= 1-0,9671=0,0329

Conclusión
• Como el estadístico de contraste (discrepancia
entre datos observados y datos teóricos) no
supera la máxima diferencia que puede
esperarse por simple azar (el valor crítico), no
tenemos evidencia suficiente para rechazar la
hipótesis nula.
• De otra forma, el nivel p-crítico= 0,0329 es
mayor que el nivel de significación por lo que
no podemos rechazar la hipótesis nula.

Interpretación
• A la luz de los datos obtenidos por el
investigador no hay evidencia suficiente para
asumir que más del 20% de los adolescentes
cambian de móvil cada año.

Contraste de hipótesis sobre la
varianza poblacional
• En el tema anterior vimos que si de una
población donde la variable X se distribuye
normalmente con media mu y varianza sigma

se extraen todas las posibles muestras del
mismo tipo y tamaño en las que podemos
calcular sus varianzas, entonces se puede
demostrar que la variable aleatoria:

sigue una distribución chi-cuadrado con n-1
grados de libertad.

• Si en vez de utilizar la varianza utilizamos la
cuasi-varianza muestral:

• que también se distribuye según chi-cuadrado
con n-1 grados de libertad.

• También vimos que el intervalo de confianza
para la varianza poblacional delimita los
valores entre los que se encontrará la varianza
poblacional, con una probabilidad de 1-alpha.

• Adopta la siguiente expresión:

Utilizando la Utilizando la
varianza muestral cuasivarianza muestral

Ejemplo 2.6
• El manual de un test para detectar niños con
problemas de aprendizaje afirma que la
varianza de las puntuaciones del test
disminuye con la edad, tomando el valor de
18,1 para los niños promedio de 5 años.

Ejemplo 2.6
• Un psicólogo infantil considera que
actualmente esta variabilidad ha aumentado y
para probarlo, utiliza una muestra de 25 niños
de 5 años a los que aplica el test obteniendo
una desviación típica sesgada de 4,9 puntos.
Trabajando con un nivel de significación de
0,01, contraste la hipótesis del investigador.

Contraste de la varianza
DM de la varianza
X
X=
Puntuaciones en
el test N = 25

MUESTRA
POBLACIÓN

Contraste de la varianza
DM de la varianza
X
X= N = 25
Puntuaciones en
el test

MUESTRA
POBLACIÓN

• El estudio utiliza un diseño de una muestra
aleatoria de 25 niños a los que se les pasa un
test. Asumimos que estas puntuaciones se
miden, al menos con escala de intervalo y se
distribuyen normalmente en la población con
varianza 18,1.
• En la muestra se obtiene una desviación típica
sesgada de 4,9.

Formulación de hipótesis
• El investigador quiere probar que la varianza del
test en los niños de 5 años es ahora mayor de
18,1 como afirma el manual. Esta es la hipótesis
alternativa.
• Se trata por tanto de un contraste unilateral
derecho.

• Conociendo la cuasi-varianza de la muestra, el
estadístico de contraste es:

• El nivel p-crítico de 33.16 hay que buscarlo en
la tabla de la distribución chi-cuadrado con 24
gl, y por aproximación es: p = 0,10

La puntuación Chi-cuadrado = 33.16 deja por
encima de sí el 0.90 de la distribución

El valor crítico para alpha = 0.01 vale 42.97

Regla de decisión
• En la distribución chi-cuadrado con 24 grados
de libertad y un nivel de confianza del 99%, el
valor crítico para rechazar la hipótesis nula es
aproximadamente 43.
• Rechazaremos la hipótesis nula si el
estadístico de contraste es mayor que el valor
crítico de 43 o si el nivel p-crítico es menor
que el nivel de significación de 0,01.

Interpretación
• No tenemos evidencia suficiente para afirmar
que la variabilidad de las puntuaciones
obtenidas por los niños de 5 años en el test es
ahora mayor de lo que afirma el manual del
test para detectar problemas de aprendizaje.

Conclusión
• Como el estadístico de contraste obtenido no
supera el valor crítico, debemos concluir que
no tenemos evidencia suficiente para rechazar
la hipótesis nula.
• Igualmente, como el nivel p-crítico (p=0.10) es
mayor que el nivel de significación (0.01),
debemos informar que no tenemos evidencia
suficiente para rechazar la hipótesis nula.

Cálculo de la Potencia del
contraste
• Recordemos los tipos de error:
Rechazar una hipótesis nula que es verdadera
(error tipo I) y no rechazar una hipótesis nula
que es falsa (error tipo II).
• Vamos a ver, apoyándonos en el desarrollo de
un ejemplo, el procedimiento para calcular la
potencia de un contraste paramétrico referido
a la media poblacional en el diseño de una
muestra.

Ejemplo 2.7
• Supongamos que la duración media de una
lámpara de bajo consumo de una
determinada marca es de 1000 horas con un
desviación estándar de 220 horas. La empresa
que las fabrica introduce un nuevo proceso de
fabricación y afirma que la vida media de las
nuevas es superior a las antiguas.

Ejemplo 2.7
• Vamos a suponer que como hipótesis
alternativa única se plantea un promedio de
duración de 1060 horas. Tomando un nivel de
significación del 5%, determinar el error tipo II
y la potencia de la prueba, si el estudio se
realizara con un muestra de 100 lámparas.

Contraste de la media
DM de la media
X
N = 100
X = Duración de
lás lámparas

MUESTRA
POBLACIÓN

Ejemplo 2.7
• Una vez establecido el error tipo I (0,05) y que
se corresponde con una puntuación
estandarizada de 1,64, se trata de determinar
a qué valor corresponde esta puntuación Z en
la distribución muestral de las duraciones
medias de las lámparas.

• Luego sabemos que una duración de 1036
horas deja por encima de sí el 0.05 de todos
los valores posibles si H0 es cierta.
• Para determinar el error tipo II primero es
preciso saber a puntuación estandarizada se
corresponde este valor (1036) respecto del
valor planteado como hipótesis alternativa, es
decir, desde

• La probabilidad de obtener un valor de Z igual
o menor de -1,09 es 0,1379, que es la
probabilidad de cometer un error tipo II.

• Si se rechazara la hipótesis nula de que el
promedio de duración es de 1000 horas pero
en realidad esta hipótesis fuera verdadera (es
decir, el nuevo proceso de fabricación no
alarga la duración) entonces estaríamos
cometiendo un error (tipo I). Esto se producirá
el 5 % de las veces en que realizáramos este
experimento y H0 fuese cierta.

• Por el contrario, si se acepta la hipótesis nula,
pero la alternativa es la verdadera, estaríamos
cometiendo un error tipo II. Siendo H0, la
probabilidad de cometer este error (tipo II) es
del 13,79%.
• Por tanto, la potencia de la prueba es del
86,21% (1 – 0,1379 = 0,8621).

• En este ejemplo hemos visto que para calcular
la potencia de un contraste se necesita que la
hipótesis nula y la alternativa sean simples, es
decir, que establezcan un único valor como
parámetro poblacional.
• Cuando la hipótesis alternativa es compuesta,
es decir, plantea más de un valor como media
poblacional, v.g.,

Entonces, la potencia del contraste, o
probabilidad de rechazar una hipótesis nula
que en realidad es falsa, varía en función de
dos factores:
• la distancia entre el valor de la hipótesis nula y
la hipótesis alternativa y
• el tamaño muestral (n).

• De este modo y para un concreto valor del
error tipo I, se pueden confeccionar lo que se
denomina curvas de potencia, las cuales
permiten fácilmente localizar la potencia de
un contraste según sea el valor que puede
tomar H1 y el tamaño de la muestra.

Nivel p-crítico y errores en los
contrastes
• En la prueba clásica de contraste que hemos
explicado, tanto en los paramétricos como no
paramétricos, es preciso establecer el error
tipo I (nivel de “alfa”) antes de realizar el
contraste, de modo que este valor no influya
en la decisión final que se toma..

contrastes
• Este error es, pues, el máximo riesgo que
estamos dispuestos a admitir al tomar una
decisión. No obstante, establecer previamente
un nivel de error tipo I, presenta algún
inconveniente que puede ser decisivo en la
decisión que se tome.

contrastes
• La decisión que se tome sobre H0 puede
depender del nivel de significación que se
establezca, y se puede dar la circunstancia de
que sea rechazada con un nivel del 5% y
aceptada con uno del 1%.

contrastes
• Aunque hay un acuerdo en el ámbito científico
acerca de que debe ser un valor pequeño,
es más difícil determinar cuán pequeño debe
ser, ya que en parte dependerá de algunos
factores como las creencias previas sobre los
procesos de toma de decisión que se han
realizado anteriormente sobre la misma o
parecida cuestión, y también sobre las
consecuencias que se deriven al tomar una
decisión errónea (errores tipo I y II).

contrastes
• Debido a estos inconvenientes, en el análisis
de datos se introdujo el denominado nivel p-
crítico (que se designa como p) y que se
define como el nivel de significación más
pequeño al que una hipótesis puede ser
rechazada con la medida de discrepancia
obtenida.
• Es decir, el nivel p-crítico es la probabilidad
asociada a la medida de discrepancia.

• Al utilizar como criterio para la decisión el
nivel crítico no hay que establecer necesaria y
previamente un nivel de significación, y ésta
se toma en función del valor de p. Si p es
pequeño se rechazará H0, y si es grande se
aceptará H0

• Obviamente, persiste el problema de
determinar qué es grande y qué pequeño.
Entonces para tomar una decisión hay que
recurrir al criterio del grado de cercanía o
alejamiento de p a, por ejemplo, el valor 0,05.
Si es claramente inferior, se rechaza H0, si es
claramente superior se acepta H0, y si está en
torno a ese valor, se vuelve a tomar nueva
evidencia muestral y se repite el contraste.

• No obstante, el empleo del nivel crítico como
criterio de decisión no está exento de
problemas, ya que, al igual que las medidas de
discrepancia observada entre H0 y la evidencia
muestral, depende del tamaño de la muestra
utilizada, y es por ello que, desde la década de
los ochenta del siglo pasado se han explorado
nuevas medidas independientes del tamaño
muestral, que explicamos más adelante.

• What do you call a tea
party with more than 30
people?

• A Z party!!!

• Why did the statistician take
Viagra?
• Since his sample was large, he
did not want to be rejected with
a small p-value and be declared
practically nonsignificant!!

• What is a triple-blinded, completely
randomized case-control clinical drug trial?
• One in which the patients do not know which
drug treatment they are receiving, the nurses
do not know which drug treatment they are
administering, and the physicians conducting
the study do not know what they are doing!!!

Man3

Más contenido relacionado

La actualidad más candente (20)

Similar a Man3 (20)

Último (20)

Man3