Skip to content

Tema 9: Inferencia Estadística y Contraste de Hipótesis

Resumen Ejecutivo

Esta sesión aborda la inferencia estadística centrada en el contraste de hipótesis, una herramienta fundamental para tomar decisiones en situaciones de incertidumbre mediante la comparación de una realidad teórica () frente a una posible transformación (). Se detallan los métodos del valor crítico y del p-valor para determinar la validez de una afirmación basada en datos muestrales, cuantificando siempre el riesgo de error cometido.


Conceptos Clave

  • Hipótesis Nula (): Representa el "status quo", el escenario sin cambios o la situación que se considera cierta mientras no se demuestre lo contrario.

  • Hipótesis Alternativa (): La afirmación que se sospecha es cierta o que representa una transformación de la realidad; es lo que generalmente se desea demostrar.

  • Nivel de Confianza (): Probabilidad de que el parámetro poblacional se encuentre dentro del intervalo de aceptación.

  • Nivel de Significación (): Probabilidad de cometer un Error Tipo I (rechazar siendo verdadera).

  • Región de Aceptación ()/Crítica (): El intervalo de valores donde se acepta la hipótesis nula frente a la zona de rechazo donde se acepta la alternativa.


Desarrollo del Temario

1. El Proceso del Contraste de Hipótesis

El profesor enfatiza que, aunque existen variantes (bilaterales o unilaterales), el procedimiento es mecánico y estructurado:

  1. Definición de hipótesis: Traducir el contexto literal a términos matemáticos.

  2. Establecer condiciones: Definir los límites del intervalo de aceptación según el nivel de confianza exigido.

  3. Muestreo: Obtener los estadísticos de la muestra representativa ().

  4. Contraste: Comprobar si el valor muestral cae dentro o fuera de la región de aceptación.

  5. Conclusiones: Dictaminar cuál es la realidad más probable.

2. Contraste Bilateral vs. Unilateral

La elección depende de la pregunta de investigación:

  • Bilateral: Se busca saber si un parámetro ha cambiado ("aproximadamente", "es diferente de"). Utiliza dos colas ().

  • Unilateral: Se busca saber si un parámetro es específicamente "mayor que" o "menor que". Utiliza una sola cola ().

Ejemplo Real (Los Colchones): Si un fabricante basa sus productos en una altura media de 175 cm de 1971, la es que la media sigue siendo 175 cm. La sería que la altura ha variado (bilateral) o que es estrictamente mayor debido a mejoras genéticas (unilateral).

3. Método del Valor Crítico (Uso de Tablas)

Para construir la región de aceptación en la media poblacional, la fórmula clave es:

¡OJO AL DATO!: El profesor hace hincapié en que si no conocemos la desviación típica (), no podemos usar la tabla Normal (); debemos usar la tabla T-Student y calcular la cuasivarianza muestral () [Transcripción: 108.54 - 120.14].

4. El p-valor: Una vía alternativa

Es el nivel de significación más pequeño para el que se rechazaría .

  • Regla de Oro: Si ****, se rechaza la hipótesis nula.

  • Es muy útil porque permite extraer conclusiones sin necesidad de calcular manualmente todo el intervalo.

5. Tipos de Errores y Calidad del Test

Realidad \ Decisión Aceptar Aceptar
** verdadera** Correcta () Error Tipo I (Falso Positivo)
** falsa** Error Tipo II (Falso Negativo) Correcta ()

Cita del Profesor: "La sensibilidad mide la probabilidad de lanzar una alarma cuando hay motivos para lanzarla".


¡OJO AL DATO!: Puntos Críticos para el Examen

  • Relación Confianza/Intervalo: A mayor nivel de confianza ( vs ), el intervalo es más ancho (mayor ), lo que hace más difícil rechazar la hipótesis nula.

  • El Tamaño de la Muestra (): Aumentar incrementa la precisión y estrecha el intervalo, pero tiene un coste económico mayor.

  • Tipificación: Siempre debemos trabajar con la variable tipificada en la curva para usar las tablas del formulario.


Preguntas de Autoevaluación

  1. ¿En qué se diferencia el uso de frente a en un contraste?
  2. Si un estudio clínico da un "falso positivo", ¿qué tipo de error se ha cometido y qué hipótesis se aceptó erróneamente?
  3. ¿Por qué un resultado puede ser significativo al de significación pero no al ?
  4. Si el p-valor de un experimento es y nuestro nivel de confianza es del , ¿qué decisión debemos tomar sobre ?