Concepto y Objetivo de la Prueba de Hipótesis

Definir qué es una prueba de hipótesis y su importancia en la investigación.

Durante el siglo XIX y principios del XX, muchas publicaciones científicas incluían
análisis subjetivos basados en casos, lo que generaba confusión y dificultaba el
progreso científico. Esto se debía a la falta de métodos formales para manejar y
analizar datos. Como respuesta a esta necesidad, surgieron las pruebas de
hipótesis estadísticas, que introdujeron objetividad en las decisiones científicas y
editoriales.

Una prueba de hipótesis es un método estadístico que permite tomar decisiones

informadas o extraer conclusiones sobre una característica de una población, a
partir del análisis de una muestra representativa. Su finalidad es determinar si existe
suficiente evidencia en los datos recogidos para aceptar o rechazar una suposición
inicial, conocida como hipótesis nula. Garfield y Ben-Zvi (2008) señalan: "hacer
inferencias a partir de los datos es ahora parte de la vida cotidiana y la revisión
crítica de los resultados de inferencia estadística a partir de estudios de
investigación es una capacidad importante para todos los adultos" (p. 262).

Con el paso del tiempo, las pruebas de hipótesis se han consolidado como una
herramienta central en el análisis estadístico. Más allá de las diferencias teóricas,
metodológicas o filosóficas que puedan tener los investigadores, este tipo de
pruebas es ampliamente utilizado en estudios científicos, especialmente en áreas
como la medicina, la biología, la psicología y las ciencias sociales.

Para muchos científicos, las pruebas de hipótesis no solo son una técnica más, sino
que representan el principal camino para validar hallazgos, confirmar teorías o
refutar supuestos. Incluso, algunos las consideran como una especie de “piedra
angular” del conocimiento científico moderno, ya que su correcta aplicación puede
fortalecer la credibilidad de un estudio, mientras que una interpretación errónea
puede conducir a conclusiones equivocadas, en fin permite confirmar o rechazar
teorías, evaluar tratamientos médicos, analizar la efectividad de intervenciones
sanitarias, y tomar decisiones basadas en datos objetivos.
Tipos de Hipótesis: H₀ y H₁

Las pruebas de hipótesis involucran diversos conceptos y términos que son

necesarios comprender para su correcta aplicación e interpretación. Nos parece
muy ilustrativo el mapa conceptual elaborado por Lipson (2000), donde se muestran
los conceptos que intervienen en una prueba de hipótesis y la forma como estos se
relacionan, desde una perspectiva híbrida de los enfoques de Fisher y Neyman-
Pearson.

En una investigación científica, especialmente en el campo de la salud, el uso de

hipótesis es fundamental para estructurar el análisis estadístico. Existen dos tipos
principales de hipótesis que permiten evaluar si los resultados observados son
atribuibles al azar o si reflejan una diferencia real: la hipótesis nula (H₀) y la hipótesis
alternativa (H₁).

La hipótesis nula (H₀) es la afirmación inicial que se formula en una prueba

estadística. Representa una postura conservadora que asume que no existe un
efecto real, ni una diferencia significativa entre los grupos o condiciones estudiadas.
En palabras de Moncho Vasallo (2021), la hipótesis nula es la base del contraste
estadístico y se mantiene como válida hasta que los datos ofrezcan evidencia
estadística suficiente para rechazarla. En el contexto de la salud, un ejemplo de H₀
sería: "El tratamiento no produce cambios en los niveles de colesterol en los
pacientes." Esta hipótesis es crucial porque evita tomar decisiones erróneas
basadas en fluctuaciones aleatorias de los datos.

Por otro lado, la hipótesis alternativa (H₁) representa lo que el investigador espera
demostrar o encontrar. Contradice a la hipótesis nula y propone que sí hay una
diferencia, relación o efecto significativo entre los grupos analizados. Según Álvarez
Cáceres (2007), “esta hipótesis solo se acepta cuando se ha reunido suficiente
evidencia empírica para rechazar la hipótesis nula” . Continuando con el ejemplo
anterior, la H₁ sería: "El tratamiento sí reduce los niveles de colesterol en los
pacientes." La validez de esta hipótesis depende de los resultados estadísticos y del
nivel de significancia establecido.

La diferencia principal entre ambas hipótesis radica en su objetivo: H₀ asume que no

hay cambios ni diferencias, mientras que H₁ sostiene que sí los hay. Las pruebas
estadísticas están diseñadas para poner a prueba H₀, y solo si los datos lo justifican,
se puede concluir que H₁ tiene más respaldo. Este enfoque garantiza la rigurosidad
científica en los estudios biomédicos y reduce el riesgo de llegar a conclusiones
equivocadas.

Pasos para Realizar una Prueba de Hipótesis

1. Formular la hipótesis
El primer paso fundamental en la prueba de hipótesis es formular de manera clara y
precisa las dos proposiciones que se evaluarán estadísticamente: la hipótesis nula
(H₀) y la hipótesis alternativa (H₁). La hipótesis nula representa el estado actual o
una suposición general que se acepta hasta que se demuestre lo contrario. Por
ejemplo, podría expresar que "no existe diferencia significativa entre dos
tratamientos médicos". Por otro lado, la hipótesis alternativa plantea que sí existe
una diferencia o efecto real, es decir, que "existe una diferencia significativa entre
los tratamientos".

Esta formulación debe estar directamente relacionada con el objetivo del estudio, y
es esencial que ambas hipótesis sean mutuamente excluyentes y estadísticamente
comprobables. En estudios de salud, este paso orienta la recolección de datos y la
elección del análisis, asegurando que las conclusiones obtenidas sean válidas. Por
ejemplo, en una investigación sobre el efecto de una nueva vacuna, se puede
establecer como H₀ que la vacuna no reduce la tasa de infección, y como H₁ que sí
la reduce.

Formular hipótesis de manera adecuada permite guiar el análisis de datos y obtener

respuestas pertinentes a la pregunta de investigación; de lo contrario, se pueden
cometer errores de interpretación, incluso con cálculos estadísticos correctos
(Daniel & Cross, 2019).

2. Seleccionar el nivel de significancia

El segundo paso en el proceso de prueba de hipótesis consiste en elegir el nivel de

significancia estadística (α), el cual establece el límite máximo aceptado para
cometer un error tipo I, es decir, rechazar una hipótesis nula que en realidad es
verdadera. Este valor debe fijarse antes del análisis para evitar decisiones
sesgadas. El nivel de significancia más común en estudios biomédicos es α = 0.05,
lo que indica que existe un 5% de probabilidad de obtener un resultado extremo solo
por azar.

La elección de α no es arbitraria y depende del contexto del estudio. En

investigaciones clínicas donde los resultados pueden afectar tratamientos médicos o
decisiones sanitarias, los investigadores podrían optar por valores más estrictos
como 0.01. Esta decisión busca minimizar el riesgo de tomar decisiones médicas
equivocadas que puedan perjudicar la salud de los pacientes. Por ejemplo, si se
prueba un nuevo medicamento, establecer un α bajo disminuye el riesgo de aprobar
un fármaco ineficaz.

Pagano y Gauvreau (2022) explican que este parámetro es un “umbral de evidencia”

que ayuda a distinguir entre resultados estadísticamente significativos y aquellos
que podrían haberse producido por azar. La correcta elección del nivel de
significancia permite aumentar la validez y confiabilidad del estudio.

3. Elegir la prueba estadística adecuada

La selección de la prueba estadística adecuada es uno de los pasos más

importantes del análisis. Esta elección debe basarse en el tipo de variable analizada
(cuantitativa o cualitativa), el número de grupos comparados, la distribución de los
datos (normal o no normal), y si las muestras son independientes o relacionadas.
Utilizar la prueba incorrecta puede invalidar completamente las conclusiones del
estudio.

Por ejemplo, si se desea comparar las medias de dos grupos independientes con
distribución normal y varianzas iguales, se puede utilizar una prueba t de Student. Si
los datos no siguen una distribución normal, se recomienda una prueba no
paramétrica como Mann-Whitney U. En el caso de variables categóricas, como el
resultado positivo o negativo de una prueba médica, se utiliza la prueba de chi-
cuadrado o prueba exacta de Fisher.

Daniel y Cross (2019) subrayan que el investigador debe tener pleno conocimiento
del diseño del estudio y del tipo de variable a analizar antes de decidir qué prueba
aplicar. También indican que en bioestadística se deben considerar otros factores
como el tamaño de muestra, la homogeneidad de varianzas y la independencia de
las observaciones.

Elegir bien la prueba estadística no solo garantiza la validez del análisis, sino que
también fortalece la calidad del estudio y su aplicabilidad en la práctica clínica.

4. Realizar el cálculo y tomar una decisión

Una vez definida la prueba estadística, se procede a realizar los cálculos
correspondientes para obtener el estadístico de prueba y, en consecuencia, el valor
p. Este valor representa la probabilidad de que los resultados observados (o más
extremos) ocurran si la hipótesis nula es verdadera. Comparando el valor p con el
nivel de significancia α previamente definido, se decide si se rechaza o no se
rechaza la hipótesis nula.

Si el valor p es menor que α (por ejemplo, p < 0.05), se concluye que existe
evidencia estadísticamente significativa para rechazar H₀ y aceptar H₁. En cambio,
si p ≥ α, no se tiene suficiente evidencia para rechazar H₀, aunque esto no significa
que H₀ sea verdadera, sino que los datos no lo prueban.

Según Pagano y Gauvreau (2022), esta fase del análisis debe realizarse con
especial precaución, ya que una interpretación incorrecta de los resultados podría
derivar en decisiones médicas inapropiadas. También señalan la importancia de
diferenciar entre significancia estadística y relevancia clínica; por ejemplo, aunque
un fármaco logre reducir la fiebre en 0.3 °C con un valor p significativo, ese cambio
podría no tener un impacto clínico real.

También es esencial considerar el intervalo de confianza, que brinda información

adicional sobre la precisión de la estimación, y no depender únicamente del valor p.
Esta decisión final debe ser interpretada en conjunto con el conocimiento clínico,
epidemiológico y los objetivos del estudio.

EJEMPLO

A continuación, se aplican estos cuatro pasos a un ejemplo simplificado, Imagina

que en un estudio, durante un año, 9 de 500 mujeres que usaban el método
sintotérmico quedaron embarazadas sin planearlo. Este método es una forma
natural de regular la fertilidad. Consiste en que la pareja aprenda a identificar los
días fértiles del ciclo menstrual de la mujer, para evitar el embarazo sin necesidad
de usar anticonceptivos hormonales. El método se basa en observar varios signos
del cuerpo, como el tipo de flujo vaginal, la temperatura del cuerpo al despertar y un
registro en el calendario.
La hipótesis nula que se postula (para desmontarla luego) es que los fracasos de
este método serían equivalentes a otros métodos (de referencia) más usados y que
tienen una eficacia del 96% (índice de fallos = 4%, es decir π = 0,04).

1. Formular la hipótesis

La hipótesis nula (H₀) mantendrá que no existen diferencias entre el sintotérmico y

el método de referencia en cuanto a la proporción (π) de embarazos imprevistos en
la población de la que procede la muestra. Por tanto, las únicas diferencias que se
encontrarían en la muestra serían debidas al azar (por error de muestreo).

 Hipótesis nula (H₀):(La tasa de fracaso del método sintotérmico es igual al

4%)
 Hipótesis alternativa (H₁):(La tasa de fracaso es distinta)

Es una prueba bilateral (dos colas), ya que queremos ver si es diferente, no solo
mayor o menor.

La hipótesis alternativa (H₁) propondría que el método sintotérmico no es igual, sino

que su tasa de fallos es inferior a la proporción de referencia. Esto es lo que se
pretende demostrar

2. Seleccionar el nivel de significancia

En la muestra se halló una proporción de embarazos de 0,018 (9/500) con el

método sintotérmico, mientras que H₀ mantiene que esta proporción sería 0,04.

Si H₀ fuese cierta, la diferencia entre ambas proporciones en la población sería

exactamente igual a 0, pero lo que hay en la muestra es de -0,022 (0,018 – 0,04 = -
0,022). El efecto observado es, por tanto, -0,022.

Efecto = p_muestral – π | H₀ = 0,018 – 0,04 = –0,022

La barra vertical significa «condicionado a».

Aunque H₀ fuese cierta en la población, prácticamente nunca se hallaría en la
muestra una diferencia con respecto a H₀ exactamente igual a 0, ya que existe el
error de muestreo. La pregunta es: ¿esta diferencia (-0,022) se debe simplemente al
azar o se debe a un efecto real (poblacional) por tener el método sintotérmico en
realidad menos fallos que el 4% de referencia como mantiene H₁?

3. Calcular la probabilidad de hallar unos resultados como los hallados o más

distantes aún de H₀ bajo el supuesto de que H₀ sea cierta.

Si las diferencias encontradas (efecto) se debiesen solo al azar, ¿cuál sería la

probabilidad de hallar ese efecto o uno todavía mayor?

Para responder a esta pregunta suele obtenerse un cociente efecto/error. El error

estima la variabilidad esperable por el proceso de muestreo y habitualmente
corresponde al error estándar:

Efecto / Error = (diferencia observada – esperado | H₀) / error estándar

Este cociente es el núcleo común general de las ecuaciones que se usarán para
muchos contrastes de hipótesis. Este cociente es interpretable como un modo de
medir el efecto (–0,022, en el ejemplo) en unidades de error estándar. Mide cuántos
errores estándar separan lo observado (0,018) de lo esperado (0,04), si H₀ fuese
verdad.

Aquí se contrasta una proporción, por lo que el error estándar corresponderá

a una proporción:

(π = proporción teórica)

Ese cociente vale –2,51, lo cual significa que el efecto se separa de H₀ en 2,51 errores estándar, y
que se separa hacia abajo (de ahí el signo menos). Como se asume ya de partida, como primer paso,
que H₀ es cierta, se usarán π y 1 – π para el error estándar en vez de usar p y q.
La gran ventaja de este cociente es que se ajustará a una distribución teórica concreta bajo el
supuesto de que H₀ fuese cierta. En muchos casos, como sucede en este ejemplo, seguirá la
distribución normal:

Basta mirar en la normal la probabilidad que corresponde a esta z para responder al paso 3.º del
contraste de hipótesis y obtener la probabilidad de hallar unos resultados como los hallados o más
distantes aún de H₀ si H₀ fuese cierta. A esa probabilidad se le llama valor p de significación
estadística.

Se obtendrá tal probabilidad (valor ppp) desde la normal de modo siguiente:

Excel
=DISTR.NORM.ESTAND(-2,51)

Se obtendrá una probabilidad del 0,6%, es decir, p=0,06

El valor p que se obtuvo (0.006) nos dice que, si la hipótesis inicial fuera cierta, solo habría
un 0.6% de probabilidad de obtener un resultado como el que se observó (o uno más
extremo) solo por azar. Como esa probabilidad es muy baja, esto nos hace pensar que lo que
encontramos no se debe al azar, y por eso tenemos motivos para dudar de la hipótesis inicial
y pensar que, en realidad, el método que se está evaluando podría ser más efectivo.

La probabilidad igual a 0,006 debe interpretarse como el porcentaje de muestras que sería
esperable que estuviesen a esta distancia (-2,51 errores estándar) o todavía más lejos.