Que Significa Ho En Estadistica
La hipótesis nula (Ho) es aquella que recoge el supuesto de que el parámetro toma un valor determinado y es la que soporta la carga de la prueba. La decisión de rechazar la hipótesis nula, que en principio se considera cierta, está en función de que sea o no compatible con la evidencia empírica contenida en la muestra.

¿Qué es Ho y H1 en estadística?

Pruebas de hipótesis Si queremos decidir entre dos hipótesis que afectan a un cierto parámetro de la población, a partir de la información de la muestra usaremos el contraste de hipótesis, cuando optemos por una de estas dos hipótesis, hemos de conocer una medida del error cometido, es decir, cuantas veces de cada cien nos equivocamos.

H0 se llama hipótesis nula y es lo contrario de lo que sospechamos que va a ocurrir (suele llevar los signos igual, mayor o igual y menor o igual) H1 se llama hipótesis alternativa y es lo que sospechamos que va a ser cierto (suele llevar los signos distinto, mayor y menor)

Los contrastes de hipótesis pueden ser de dos tipos :

Bilateral: En la hipótesis alternativa aparece el signo distinto. Unilateral: En la hipótesis alternativa aparece o el signo > o el signo <.

Podemos aceptar una hipótesis cuando en realidad no es cierta, entonces cometeremos unos errores, que podrán ser de dos tipos:

Error de tipo I : Consiste en aceptar la hipótesis alternativa cuando la cierta es la nula. Error de tipo II : Consiste en aceptar la hipótesis nula cuando la cierta es la alternativa.

Estos errores los aceptaremos si no son muy grandes o si no nos importa que sean muy grandes.

alfa : Es la probabilidad de cometer un error de tipo I. beta : Es la probabilidad de cometer un error de tipo II.

De los dos, el más importante es alfa que llamaremos nivel de significación y nos informa de la probabilidad que tenemos de estar equivocados si aceptamos la hipótesis alternativa. Debido a que los dos errores anteriores a la vez son imposibles de controlar, vamos a fijarnos solamente en el nivel de significación, este es el que nos interesa ya que la hipótesis alternativa que estamos interesados en probar y no queremos aceptarla si en realidad no es cierta, es decir, si aceptamos la hipótesis alternativa queremos equivocarnos con un margen de error muy pequeño.

El nivel de significación lo marcamos nosotros. Si es grande es más fácil aceptar la hipótesis alternativa cuando en realidad es falsa. El valor del nivel de significación suele ser un 5%, lo que significa que 5 de cada 100 veces aceptamos la hipótesis alternativa cuando la cierta es la nula. Solamente vamos a estudiar el contraste bilateral para la media.

: Pruebas de hipótesis

¿Qué es ho en probabilidad?

Una hipótesis nula es una suposición que se utiliza para negar o afirmar un suceso en relación a algún o algunos parámetros de una población o muestra. Siempre que se llega a una conclusión acerca un experimento, el investigador debe establecer dos hipótesis, la hipótesis nula y la hipótesis alternativa,

  1. La hipótesis nula (H0) se refiere a la afirmación contraria a la que ha llegado el investigador.
  2. Es la hipótesis que el investigador pretender rechazar.
  3. Si tiene la evidencia suficiente para ello, podrá probar que lo contrario es cierto.
  4. Por lo tanto, la hipótesis alternativa (H1) es la conclusión a la que el investigador ha llegado a través de su investigación.

La afirmación de la hipótesis nula no se puede rechazar a no ser que los datos de la muestra parezcan demostrar que ésta es falsa. Por lo general la hipótesis nula incluye un no (o un desigual a) en su enunciado. Respecto a lo anterior, vale la pena explicar por qué se llama hipótesis nula.

¿Qué significa Ho en hipótesis?

El uso de hipótesis en la investigación científica | Atención Primaria

  • Introducción
  • Al inicio de una investigación, y a veces durante su desarrollo, se produce cierta confusión en el alcance de los conceptos: problema, objetivo e hipótesis.
  • Es preciso que estos términos, inherentes a la investigación, sean entendidos y aceptados del mismo modo por todos los miembros del equipo investigador (EI) ya desde el comienzo del estudio.
  • Este artículo pretende abordar estos aspectos, haciendo especial énfasis en la formulación y aplicación de las pruebas de contraste de hipótesis.
  • En las etapas que integran el proceso de la investigación (planificación, obtención de datos, análisis de la información contenida en las variables y comunicación de resultados), la identificación y enunciado del problema, el/los objetivo/s a alcanzar y la formulación de la/s hipótesis, se inscriben en la primera fase o planificación, siendo el protocolo de investigación el primer documento escrito sobre el que se plasman estas cuestiones 1,2,

El problema nace del desconocimiento y refleja la inquietud ante la ignorancia y el deseo de saber del individuo; de modo natural el no saber se concreta en una pregunta. La búsqueda de su respuesta sigue una estrategia predeterminada, en cuya base subyace la pregunta inicial, omnipresente a lo largo del estudio.

  • El problema-pregunta debe reunir una serie de características (tabla 1) cuyo cumplimiento debe evaluar el EI antes de proseguir con el estudio 3,5,
  • La redacción clara y cuidadosa de la pregunta traduce el esfuerzo para acotar y delimitar el problema.
  • Cuanto más precisa sea la pregunta, más fácil resulta establecer el/los objetivo/s,

La elaboración de objetivos exige una reflexión profunda y tener presente que otros aspectos del diseño de la investigación dependen de la propia esencia de los objetivos (tabla 2). Si la pregunta expresa la incertidumbre, la hipótesis anticipa la posible respuesta.

  1. Concepto de hipótesis La hipótesis se puede definir como una predicción o explicación provisoria (mientras no sea contrastada) de la relación entre 2 o más variables.
  2. Así pues, el problema-pregunta precede a la hipótesis-respuesta que, a su vez, deriva del/los objetivo/s de la investigación.
  3. La hipótesis, como formulación que plantea una presunta relación, se puede expresar en forma de proposición, conjetura, suposición, idea o argumento que se acepta temporalmente para explicar ciertos hechos 3-6,

Es evidente que el carácter tentativo, aunque informado, de la hipótesis la sitúa al inicio de un estudio (hipótesis a priori ) en la fase de planificación y lógicamente antes de la obtención y análisis de los datos. De este modo, la hipótesis se consideraría como una apuesta, siempre previa a cualquier juego 5,

  1. Otra cuestión es que los resultados obtenidos conduzcan a replantear o a formular otra hipótesis de trabajo (hipótesis a posteriori ) que podrá ser contrastada en futuros estudios 5,
  2. Origen de la hipótesis
  3. Las fuentes que generan una hipótesis son comparables a las que dan lugar al propio problema; en realidad, problema e hipótesis son dos perspectivas de un mismo cuadro.
  4. Según el método científico, las hipótesis pueden derivar de la aplicación de un razonamiento lógico inductivo o deductivo 4-6,

El método de razonamiento inductivo parte de la observación de un problema concreto y puede conducir a la formulación de una hipótesis. El problema debe estar correctamente identificado y especificado, ya que, si sólo existe una intuición del mismo, será necesario profundizar más en su definición.

  • El problema no anticipa nada sobre su solución, porque si lo hiciera dejaría de ser problema, y corresponde a la hipótesis plantear las soluciones preseleccionadas.
  • El método deductivo nace de una teoría o de un marco conceptual o teórico 5-7 y conduce a una serie de afirmaciones o hipótesis que, convertidas en un instrumento de trabajo, analizan la teoría.

Si la hipótesis derivada de una teoría no se confirma, se podrá cuestionar la validez de la propia teoría, pero también se tendrán que considerar las limitaciones o incluso la validez del diseño del estudio. Otras ideas útiles para identificar problemas y generar hipótesis las aportan las comunicaciones y publicaciones científicas sobre un tema de interés para el EI, así como la experiencia profesional de sus miembros.

A todo esto se podría añadir: curiosidad, imaginación, intuición y escepticismo que, en diferentes dosis, siempre contribuyen al progreso del saber. Relación entre objetivos, hipótesis y diseño de estudio Es importante insistir en que la clase de objetivos es clave para valorar la pertinencia de la/s hipótesis 8,9,

El papel de la hipótesis consiste en guiar al EI en la selección y definición de la metodología a utilizar. Es este sentido, los estudios descriptivos cuyo objetivo esencial es la recogida de información no requieren de hipótesis, mientras los estudios analíticos cuyo objetivo es la investigación de relaciones causales precisan de hipótesis que permitan establecer la base para las pruebas de significación estadística 4-8 (tabla 2).

Los estudios descriptivos (simples o mixtos) tienen como objetivo genérico acumular datos para describir fenómenos aún poco conocidos, pero no pretenden explicarlos o verificar las posibles causas subyacentes 9 ; no obstante, el análisis exhaustivo de la distribución de variables puede sugerir o generar determinadas hipótesis que podrán ser analizadas con otros diseños.

Los diseños analíticos (observacionales o experimentales) pretenden poner en evidencia asociaciones causales e intentan averiguar el porqué de ciertas situaciones. En este tipo de estudios, la hipótesis aporta una posible explicación y ésta exige que se disponga de datos suficientes para elaborar una respuesta provisional.

  • En esa línea, la revisión crítica 10 de las publicaciones sobre los antecedentes y del tema informará al EI sobre el estado actual del conocimiento.
  • Estructura de una hipótesis Una hipótesis bien formulada cuenta con una estructura compuesta por: unidad/es de observación (sujetos u objetos) y variables (atributos susceptibles de medición); además, se puede indicar cómo se espera que se relacionen estos dos elementos (direccionalidad de la hipótesis) 5,11,12,

Cabe destacar que la direccionalidad de una hipótesis traduce las expectativas del EI, lo cual, según algunos autores 5, puede ir en detrimento de su imparcialidad. No obstante, todo investigador/a tiene cierta idea o intuición sobre la posible respuesta a su problema, aunque no la formule explícitamente.

  • Clasificación de las hipótesis
  • Las hipótesis se pueden clasificar según diferentes criterios no siempre excluyentes sino complementarios (tabla 3) 11,
  • Es posible formular una misma hipótesis de diferente modo; así destacamos la hipótesis conceptual, operativa y estadística 12,
  • La hipótesis conceptual se redacta como una afirmación directa y es de fácil comprensión (tabla 4).

La lógica de la hipótesis conceptual salta a la vista porque sigue el más puro sentido común. No obstante, no es posible verificar una hipótesis así formulada; para esto es preciso traducir la hipótesis conceptual a términos cuantificables, medibles y en definitiva analizables.

A estas exigencias responden las hipótesis operativas que establecen cómo se medirán (instrumentos y escalas de medida) los conceptos o variables a estudiar. Se trata de cuantificar, para poder comparar y comprobar la relación enunciada, de modo objetivo. Pero, para comprobar o contrastar una hipótesis, se deben aplicar las correspondientes pruebas de significación estadística y éstas requieren de una formulación conocida como hipótesis nula (Ho) 1,3-5,

La Ho, también conocida como hipótesis de no diferencia, es una proposición de conformidad con (o no diferencia respecto de) las condiciones verdaderas de la población de interés. En general, la Ho se establece con el propósito expreso de ser rechazada 4,13-15,

  1. Pruebas de contraste de hipótesis
  2. Según el tipo de supuestos, el número de variables en estudio, la forma en que se han obtenido las muestras y los datos, existen 3 tipos de pruebas de hipótesis.
  3. ­ Conformidad o bondad de ajuste: permite concluir si unos resultados obtenidos están de acuerdo o no con una teoría o con un valor conocidos, o si una distribución experimental de una variable se ajusta o no a una ley teórica.
  4. Ejemplo: se desea saber si el tiempo medio destinado a visitas domiciliarias, en un determinado centro de salud, se ajusta al tiempo medio recomendable.
  5. ­ Homogeneidad: se plantea si 2 o más muestras observadas, que difieren en un valor, pueden pertenecer a una misma población teórica definida por unos parámetros.
  6. Ejemplo: se desea averiguar si 2 o más programas de educación sanitaria destinados al abandono de un hábito tóxico presentan alguna diferencia en su eficacia.
  7. ­ De independencia: se analiza si las variables estudiadas en una muestra están relacionadas en la población de la cual proceden, o de otro modo si existe relación entre los valores que toma una variable y los que presenta otra.
  8. Ejemplo: podemos estudiar si el presupuesto destinado a investigación influye en el número de publicaciones y patentes de los equipos financiados.
  9. Fases en la realización de una prueba de significación estadística
  10. En su formulación, una hipótesis puede negar la asociación entre variables (hipótesis nula) o puede afirmar que la asociación existe, como lo hace la hipótesis alternativa (H1).
  11. El proceso de contraste de la hipótesis estadística sigue varios pasos o fases 1,13-15 (tabla 5):
  12. 1. Formular la hipótesis nula (Ho)

La Ho es la base formal para examinar la significación estadística. Según la Ho, las diferencias observadas en las muestras son debidas únicamente al azar, es decir que las muestras provienen de una misma población. De este modo, la H1 y la Ho se excluyen mutuamente como explicaciones de los resultados de un mismo estudio.

  • La prueba de significación estadística tratará de rechazar la Ho, ante lo cual se aceptará la H1, asumiendo siempre la posibilidad de equivocarse.
  • 2. Formular la hipótesis alternativa (H1)
  • La H1 establece que existen diferencias reales entre los grupos comparados; la relación entre las variables se puede formular de dos modos 13-18 :
  • ­ La H1 bilateral o de 2 colas contempla la posibilidad de que la asociación entre variables se produzca en cualquier sentido; por ejemplo, el ejercicio físico puede modificar (aumentar o disminuir) la incidencia de infarto de miocardio 3,
  • ­ La H1 unilateral o de una cola afirma la asociación en un solo sentido o dirección que puede ser de aumento o disminución; por ejemplo, el empleo de un nuevo tratamiento aumenta la supervivencia media de los pacientes respecto al tratamiento anterior.

La elección del tipo de H1 (uni o bilateral) es anterior a la obtención de los datos. La prueba unilateral se plantea cuando únicamente interesa la diferencia en un sentido; por ejemplo, sólo interesa adquirir la patente de un nuevo producto si, realmente, es más eficaz que el que está siendo utilizado.

No obstante, hay investigadores que sistemáticamente emplean pruebas bilaterales, ya que cuando la diferencia es significativa con una prueba bilateral, aún lo será más con una unilateral. Un inconveniente de esta opción conservadora es que exige un tamaño de muestra superior al de la prueba unilateral.3.

Establecer el nivel de significación alfa ( * ) El nivel de significación ( * ) se elige antes de aplicar las pruebas estadísticas y depende del nivel de confianza (NC=1- * ) que desea el EI para decidir si, finalmente, las diferencias halladas se atribuyen o no al azar.

Por consiguiente, antes de la prueba se establece un nivel de significación ( * ), y posteriormente se compara con el resultado (p) obtenido en la correspondiente prueba estadística. El valor p da argumentos al investigador para decidir el rechazo o mantenimiento de la Ho. Así se determina la probabilidad de que las diferencias observadas sean debidas al azar, siempre suponiendo que la Ho sea verdadera.

El nivel de significación ( * ) que permite rechazar a la Ho, suele fijarse en el 0,05, pero naturalmente el EI puede otorgarle otros valores (0,01; 0,001, entre otros) dependiendo de las consecuencias de la decisión a adoptar. Si se establece que * =0,05 (5%), la probabilidad de rechazar erróneamente una Ho verdadera es inferior o igual a 0,05 (1/20).

Si se establece que * =0,01 (1%), dicha probabilidad es inferior o igual a 0,01 (1/100). Así pues, cuanto menor sea *, con mayor seguridad los resultados de una prueba estadística permitirán rechazar la Ho y, en consecuencia, apoyar la H1 17-20,4. Elegir y realizar la prueba de significación estadística adecuada La prueba de significación es un procedimiento estadístico para valorar la verosimilitud de una hipótesis respecto a los datos empíricos.

La prueba elegida depende de un conjunto de factores (tabla 6) cuya valoración es esencial para aplicar la prueba más adecuada 4,13-19,

  1. El resultado de la prueba señala la probabilidad de que la Ho sea cierta, es decir, que el resultado se deba al azar; siempre se debe utilizar una distribución de muestreo apropiada.
  2. Esta probabilidad es el grado de significación estadística ya mencionado, y se representa con la letra p.
  3. 5. Decidir si se rechaza o no la Ho
You might be interested:  Que Significa El Nombre De Aaron

Basándose en la comparación de la p obtenida y la * preestablecida, se decide si se rechaza o no la Ho. Debe evitarse la expresión «se acepta la Ho», porque conduce a pensar que se ha demostrado que ésta es verdadera. Lo más que puede afirmarse es que los datos correspondientes a una de las posibles muestras no permiten rechazar la Ho. También es cierto que en la jerga estadística se utiliza la expresión «se acepta la Ho», pero se debe emplear sabiendo que no implica ninguna demostración y que el rechazo de la Ho queda condicionado a la realización de otras pruebas. Si se ha fijado un valor * de 0,05 y la p obtenida es 0,02, la probabilidad de haber obtenido este resultado por azar se valora como pequeña (0,02 Si por el contrario la p obtenida fuera 0,10, sería un valor superior al nivel de significación ( * =0,05). Se consideraría que la probabilidad de obtener este resultado por azar es bastante grande (0,10>0,05). Por consiguiente, no se rechaza el azar como posible explicación de las diferencias encontradas y se concluye que no se han hallado diferencias estadísticamente significativas. No se rechaza la Ho y sí se rechaza la H1. Errores en la decisión Lógicamente, las decisiones en torno a la aceptación o rechazo de las hipótesis no están exentas del riesgo de cometer algún error; ya que se basan en pruebas estadísticas y en estadística inferencial, no es posible la certeza absoluta, sino que siempre se trata de probabilidades. En la figura 1, se presenta una tabla en la que se compara la realidad con los resultados de una prueba estadística 13-16,18-20, Se observa que tanto si la prueba no rechaza la Ho y ésta es verdadera, como si la prueba rechaza la Ho y es realmente falsa, se toman decisiones correctas, es decir que aparentemente no se comete ningún error porque la realidad coincide con los resultados de la prueba. El error se comete en las otras dos situaciones: ­ Error tipo I o de primera especie: se produce cuando la prueba detecta diferencias significativas y se rechaza la Ho (o se acepta la H1) pero, en realidad, tales diferencias no existen (Ho verdadera). Por ejemplo, en un estudio se concluye que la presencia de un factor de riesgo presenta diferencias estadísticamente significativas en los 2 grupos estudiados, pero en realidad la presencia de ese factor no afecta significativamente a un grupo más que al otro. La probabilidad de cometer un error tipo I se denomina riesgo * y la probabilidad complementaria es el nivel de confianza (NC=1-*). Al riesgo *, también se le denomina nivel de significación estadística. ­ Error tipo II o de segunda especie: la prueba concluye que no hay diferencias estadísticamente significativas y no se rechaza la Ho (se rechaza H1), pero en realidad existen diferencias. Por ejemplo, en un estudio se concluye que no hay diferencias en la eficacia de un nuevo procedimiento de desinfección respecto al utilizado hasta la fecha, pero en realidad ese nuevo procedimiento sí presenta diferencias estadísticamente significativas respecto al anterior. La probabilidad de cometer un error tipo II se denomina riesgo ß

  • El riesgo ß se complementa con la potencia o poder de una prueba (P=1-ß) que indica la capacidad de una prueba estadística de detectar una diferencia cuando ésta existe en la realidad.
  • En el ejemplo anterior, el poder o potencia sería la probabilidad de que la prueba detecte que el nuevo procedimiento es realmente diferente al anterior.
  • Lógicamente, cuanto mayor sea la diferencia a valorar entre los 2 procedimientos y superior el número de sujetos estudiados, mayor será la probabilidad de que la prueba detecte diferencias; por ello se suele comentar que al aumentar el tamaño muestral disminuye el riesgo ß.
  • Las fórmulas propias de las pruebas de significación estadística ponen de manifiesto la estrecha relación entre varios de los parámetros mencionados (tabla 8), de tal modo que conociendo los valores de tres se puede calcular el cuarto 4,13-16,18-20,
  • Por otra parte, el riesgo * representa la probabilidad de concluir exactamente lo contrario de lo que ocurre en la realidad.
  • Interpretación de los resultados de las pruebas de significación estadística

En el análisis de los resultados se deben evitar algunos errores asociados a la interpretación errónea de los valores p. Uno de los más habituales es creer que la expresión «estadísticamente significativo» es asimilable a «clínicamente importante» 1,14,15,21-24,

El verdadero interés de la p es ofrecer un criterio para descartar el azar o la casualidad como explicación de las diferencias observadas. En realidad, se pueden obtener valores de p pequeños (estadísticamente significativos) a expensas de aumentar el tamaño de la muestra, a la vez que crece la probabilidad de detectar pequeñas diferencias (aumenta el poder estadístico).

En cambio, muestras muy pequeñas no permiten identificar diferencias estadísticamente significativas. Así pues, es preciso calcular al inicio del estudio el número necesario de sujetos para poder detectar diferencias en caso de que éstas existan 4,21-24,

Otro error en la interpretación de los resultados significativos, y que sigue igual línea argumental que el anterior, es pensar que cuanto más pequeña sea la p, más intensa es la asociación entre las variables analizadas. Un valor muy significativo de p (0,0001) no supone mayor intensidad en una relación.

En realidad, una p pequeña (inferior a *) significa que es muy poco probable (1/10.000) que las diferencias encontradas sean debidas al azar, por lo que se deduce que existe alguna otra razón que las pueda explicar 25-26, Otra idea, también errónea, es creer que el factor estudiado (por ejemplo, programa de ES, factor de riesgo, tratamiento) sea el causante del efecto observado.

Esta reflexión nos conduce a otro error común, creer que la asociación estadística o el hallazgo de diferencias significativas es equivalente a la identificación de relaciones causales. Puede existir una asociación estadísticamente significativa, pero no ser de tipo causal 27, Para admitir relaciones causales se deben utilizar diseños adecuados; además son muy pocos los casos en que los resultados de un único estudio permiten asegurar que existe una relación causal.

Por último, es importante tener en cuenta que el valor p indica el grado de acuerdo entre los datos y la Ho. Pero lo que a veces interesa no es tanto el valor p, sino el intervalo de confianza (IC) que estima la cuantía o magnitud del efecto y proporciona los límites (inferior y superior) entre los que se encontraría el verdadero valor en la población 28,

Las pruebas de contraste de hipótesis nos informan sobre la significación estadística y el IC ayuda a valorar la significación clínica, biológica o psicológica de los resultados. En todo caso, las pruebas de significación y los IC tienen características específicas y ofrecen información complementaria 13,14,18,26 (tabla 9).

Otro posible error deriva del hecho de que, al realizar múltiples comparaciones independientes en un mismo estudio, aumenta la probabilidad de que alguna de ellas sea significativa simplemente por azar 3,4,13,15,28,29, Ante este problema existen varias soluciones (realizar correcciones, elegir otros diseños, utilizar otros procedimientos estadísticos), pero tal vez la solución más adecuada es la de limitar el número de comparaciones a las que real y directamente sirvan para responder a la cuestión planteada inicialmente y que debería guiar todo el proceso de la investigación, particularmente el análisis de los datos y la interpretación de los resultados 3,4,

¿Qué significa Ho hipótesis nula?

La prueba real comienza considerando dos hipótesis, Se denominan hipótesis nula e hipótesis alternativa, Estas hipótesis contienen puntos de vista opuestos. H 0 : La hipótesis nula: Es una afirmación de que no hay diferencia entre las variables: no están relacionadas.

  1. A menudo, esto puede considerarse el statu quo y, como resultado, si no se puede aceptar lo nulo, se requiere alguna acción.
  2. H a : La hipótesis alternativa: Es una afirmación sobre la población que es contradictoria con H 0 y lo que concluimos cuando rechazamos H 0,
  3. Esto es normalmente lo que el investigador está tratando de probar.

Dado que las hipótesis nula y alternativa son contradictorias, debe examinar las pruebas para decidir si tiene suficiente evidencia para rechazar la hipótesis nula o no. Las pruebas se presentan en forma de datos de muestra. Una vez que haya determinado qué hipótesis apoya la muestra, tome una decisión.

H 0 H a
igual (=) no igual (≠) o mayor que (>) o menor que (<)
mayor o igual que (≥) menor que (<)
menor o igual que (≤) mayor que (>)

Tabla 9.1

¿Cómo saber si se rechaza h0?

Si el valor p es menor que el criterio α de significancia (especificado a priori), se rechaza la hipótesis nula; en el caso contrario se acepta. Usualmente se elige α = 0.05; en el ejemplo se rechazaría la hipótesis nula.

¿Cómo saber si es hipótesis nula o alternativa ejemplos?

Por ejemplo, si estudiamos como hipótesis alternativa que la estatura media de la población de un pueblo de 20.000 habitantes es de 1,70 y tomamos como muestra a 50 habitantes, ha hipótesis nula sería la contraria: que la estatura media no es de 1.70; si de esos cincuenta habitantes la estatura media es de 1.70

¿Qué significa un ho?

Interjección. Hombre. Relacionados: ne, nin.

¿Cuál es el ho?

Holmio (Ho) Propiedades químicas y efectos sobre la salud y el medio ambiente Elemento químico, símbolo Ho, número atómico 67, peso atómico 164.930; es un elemento metálico colocado en el grupo de las tierras raras. El isótopo estable 165 Ho constituye el 100% del elemento en la naturaleza.

  • El metal es paramagnético, pero a medida que la temperatura disminuye se convierte en antiferromagnético y luego al sistema ferromagnético.
  • El holmio fue descubierto por Per Theodro Cleve, un químico sueco, en 1879.
  • Cleve usó el mismo método que Carl Gustaf Mosander usó para descubrir el, el y el, buscó impurezas en los óxidos de otros metales de tierras raras.

Empezó con erbia, el óxido de erbio (Er 2 O 3 ), y eliminó todos los contaminantes conocidos. Después de un mayor procesamiento, obtuvo dos nuevos materiales, uno marrón u otro rojo. Cleve llamó al material marrón holmia y al verde thulia. Holmia es el óxido del elemento holmio y thulia es el óxido del elemento,

  1. El espectro de absorción del holmio fue observado con anterioridad en ese mismo año por J.L.
  2. Soret y M.
  3. Delafontaine, químicos suizos.
  4. Actualmente el holmio se obtiene principalmente a través de un proceso de intercambio iónico con la arena monacita ((Ce, La, Th, Nd, Y)PO 4 ), un material rico en metales de tierras raras que puede contener hasta un 0,05% de holmio.

El holmio no tiene aplicaciones comerciales, aunque tiene propiedades magnéticas inusuales que podrían ser aprovechadas en el futuro. El holmio no forma ningún compuesto comercialmente importante. Algunos de los compuestos del holmio son: óxido de holmio (Ho 2 O 3 ), fluoruro de holmio (HoF 3 ) y yoduro de holmio (HoI 3 ).

¿Qué pasa si se acepta la hipótesis nula?

Cuando aceptamos una hipótesis nula es porque que no hubo pruebas en su contra y decimos que el test es no significativo. Ejemplo: Un modelo genético afirma que la proporción de descendientes negros en un cierto cruce de conejos es 3/13. En una muestra de 100 de tales descendientes 15 eran negros y el resto no.

¿Qué es una hipótesis nula ejemplo?

«Volver al índice del glosario La palabra “nula” se puede entender como “sin cambios”. Normalmente, una La palabra "nula" se puede entender como "sin cambios". Normalmente, una hipótesis(.) ” href=”https://toolbox.eupati.eu/glossary/hipotesis-nula/?lang=es” data-gt-translate-attributes=””>hipótesis nula es la suposición estándar que se define como la predicción de que no hay interacción entre las variables. Por ejemplo, la La palabra "nula" se puede entender como "sin cambios". Normalmente, una hipótesis(.) ” href=”https://toolbox.eupati.eu/glossary/hipotesis-nula/?lang=es” data-gt-translate-attributes=””>hipótesis nula indica que no hay una Es la relación entre un evento (la causa) y un segundo evento (el efecto), donde el(.) ” href=”https://toolbox.eupati.eu/glossary/relacion-causal/?lang=es” data-gt-translate-attributes=””>relación causal entre un tratamiento nuevo y una reducción de los síntomas de la enfermedad. Dicho de otro modo: un tratamiento nuevo no ofrece ninguna mejora con respecto al tratamiento de referencia, y cualquier observación o mejora es fruto de la casualidad. Una afirmación de este tipo se puede probar mediante un estudio científico, como un Un estudio clínico es un estudio de investigación biomédica en el que voluntarios(.) ” href=”https://toolbox.eupati.eu/glossary/estudio-clinico/?lang=es” data-gt-translate-attributes=””>ensayo clínico, y la aplicación de las pruebas estadísticas adecuadas. Si un Un estudio clínico es un estudio de investigación biomédica en el que voluntarios(.) ” href=”https://toolbox.eupati.eu/glossary/estudio-clinico/?lang=es” data-gt-translate-attributes=””>ensayo clínico descubre que realmente existe una relación y el nuevo tratamiento produce una mejora, se demuestra que es falsa la La palabra "nula" se puede entender como "sin cambios". Normalmente, una hipótesis(.) ” href=”https://toolbox.eupati.eu/glossary/hipotesis-nula/?lang=es” data-gt-translate-attributes=””>hipótesis nula y se puede rechazar. En este caso, se puede adoptar la En el desarrollo de medicamentos, podríamos formular, por ejemplo, la hipótesis de(.) ” href=”https://toolbox.eupati.eu/glossary/hipotesis-alternativa/?lang=es” data-gt-translate-attributes=””>hipótesis alternativa o de investigación; en este ejemplo, significa que el nuevo tratamiento es mejor que el de referencia. «Volver al índice del glosario

¿Cuándo se acepta o rechaza la hipótesis nula en Chi cuadrado?

Si el valor p es menor que o igual al nivel de significancia, usted rechaza la hipótesis nula y concluye que hay una asociación estadísticamente significativa entre las variables.

¿Qué pasa si se rechaza H0?

La hipótesis ¿es verdadera o falsa? | Offarm La existencia de un problema, como el control escaso de los hipertensos, da pie a la implementación de una determinada intervención que trate de dar solución a este problema. El análisis del resultado de esta intervención pasa por adelantar una posible explicación al problema.

  1. Explicación que es preciso demostrar posteriormente.
  2. Hipótesis nula e hipótesis verdadera Una hipótesis es una respuesta o intento de explicación que adelantamos a la resolución de un problema.
  3. Es obvio, entonces, que primero habrá que formularla correctamente y después, demostrarla.
  4. Para ello se formularán dos tipos de hipótesis, una nula o H0, donde la intervención no produce efecto alguno, y otra alternativa o H1, que afirma la idoneidad de aquélla.

Sólo una de las dos puede ser cierta y mientras que la nula tiene sólo una posibilidad, la alternativa tiene infinitas. El objetivo consiste entonces en rechazar la hipótesis nula, aceptando así la alternativa. Supongamos que se lleva a cabo una intervención para aumentar el grado de control de la presión arterial de los hipertensos, que inicialmente es del P%.

  • * Hipótesis nula (H0): P = P’
  • * Hipótesis alternativa (H1): P > P’
  • El valor crítico del 5%

Siguiendo con el ejemplo anterior, la puesta en marcha de la intervención ofrecerá distintos resultados en cada individuo. Si el grado de control de la presión arterial final de las personas en donde no se haya administrado la intervención es, por ejemplo, del 35% y el de aquellas en donde se ha intervenido fuera del 36%, a nadie se le ocurriría atribuir el incremento del 1% al éxito de la intervención sino al mero azar, rechazando la H0 y por tanto, aceptando la H1 (que el grado de control es mayor).

  • Del mismo modo, si el control final de la presión hubiera sido del 70%, tampoco sería adecuado atribuir al azar este aumento, aceptando entonces la H0 (que el control es el mismo, con o sin intervención).
  • Es preciso entonces establecer previamente un valor límite que separa la aceptación del rechazo de la hipótesis nula H0; este valor es el valor crítico o Z (fig.1).

Fig.1. Distribución de los valores acorde con una distribución normal. El valor de Z marca el punto que divide la región de aceptación y rechazo para la H0. Para cada probabilidad α hay un valor de Z.

  1. Simplemente por convenio, con la debilidad que ello conlleva, se ha aceptado que la H0 se rechazará cuando la probabilidad de un resultado más extremo sea más pequeña que el 5% (nivel de significación α).
  2. Errores tipo α y β
  3. Cuando se rechaza la hipótesis nula, H0 aunque ésta sea verdadera, se comete un error llamado de tipo α; por otra parte, la aceptación de una hipótesis nula H0, siendo ésta falsa, conduce al error de tipo β (tabla 1).

Continuando con el ejemplo anterior, el rechazo de la hipótesis nula, es decir, no admitir que el 35% de control de la hipertensión en el grupo control es igual que el 36% del grupo de intervención (aceptando por tanto que la intervención produce un resultado diferente), a pesar de ser verdadero (son iguales y la pequeña diferencia es debida al azar) es un error tipo α. El nivel de significación es la probabilidad de rechazar la hipótesis nula cuando es verdadera, por lo que con un nivel de significación del 5% la probabilidad de aceptar la H0, siendo ésta verdadera, es del 95% y sólo un 5% de rechazarla. Por otro lado, aceptar la hipótesis nula (que el resultado del 35% de control sin intervención es igual que el 70% mediante la intervención y que la diferencia es debida al azar), a pesar de que esta hipótesis de igualdad es falsa (puesto que efectivamente los grados de control son diferentes), conduce a un error tipo β. Pruebas de una y dos colas Es habitual que cuando se implemente una determinada intervención se espere obtener un resultado concreto en un sentido dado; es decir, en el caso de la intervención antes referida, el resultado esperado iría únicamente en el sentido de incrementar el porcentaje de control de la presión arterial en la población hipertensa. Por tanto, la hipótesis alternativa, H1, establece una única dirección (P’ > P) y la prueba de significación se efectuará para una sola cola. En este caso, el valor crítico Z para una significación determinada (generalmente, el 5%) se dirigirá hacia un único lado de la curva de distribución. En el caso de que no se establezca una dirección específica de la hipótesis alternativa, H1, como ocurriría si deseamos analizar la intervención anterior, haciendo distinción entre el sexo; en este caso no podemos saber, a priori, si el grado de control de la presión arterial obtenido por la intervención sería mayor o menor en varones que en mujeres, de modo que la H1 sería formulada como: el porcentaje de control de la presión arterial en varones no es igual al de las mujeres, sin especificar dirección alguna (P’=P). Así, la prueba de significación incluye el valor crítico Z hacia los dos lados de la curva anteriormente citada.

  • La importancia de lo expuesto radica en el hecho de que si la hipótesis nula H0 es cierta, es decir, si el grado de control sin la intervención es igual al obtenido con ella, existirá una probabilidad del 95% de hallar el valor del porcentaje de control con la intervención en el rango comprendido por:
  • siendo δ la desviación estándar (en una distribución normal de proporciones se le da el valor de 0,05), de modo que para ese nivel de significación del 5%, Z toma el valor de 1,96 si se trata de una prueba de 2 colas, pero su valor es de 1,65 si se trata de una sola cola.
  • Así, en el caso de evaluar la intervención frente a no intervención, como la H1 ha de ser que el control de la presión arterial es superior con intervención que sin ella (P’>P, indicando una dirección), el rango de P’ para que se considere igual que P es de:
  • Por lo que si P’ está fuera de ese rango se rechazaría H0.
  • Pero en el caso de analizar si la intervención resulta más beneficiosa en varones que en mujeres, al desconocer si actuará en un sentido o en otro, la hipótesis alternativa tendrá que plantearse como que el control de la presión arterial en varones debido a la intervención no es igual que su control en mujeres (P’#=P, no indicando dirección alguna), en cuyo caso el rango de P’ para que se considere igual que P es de:

Finalmente, cuando se requiere otro nivel de significación, para aumentar la precisión, al variar la probabilidad requerida, el valor de Z variará igualmente. En la tabla 2 se indican los valores de Z para los niveles de significancia más habituales. : La hipótesis ¿es verdadera o falsa? | Offarm

¿Cómo se hace la hipótesis nula?

¿Qué es una Hipótesis Nula? – Ahora que ya sabes lo que significa “hipótesis” pasemos a desarrollar lo que nos trajo hasta aquí. Una hipótesis nula es, literalmente, una afirmación totalmente contraria a lo que afirma tu hipótesis central de un proyecto determinado.

Es decir, emula el enunciado de tu hipótesis original, pero con una negación o agregando un “no” por delante de la acción. Verás ejemplos de esto más adelante, ¡Por ahora sigue leyendo! ¿Para qué sirve la Hipótesis Nula? Supongamos que queremos investigar el porcentaje de analfabetismo de una ciudad.

Para esto podríamos partir de investigaciones que nos muestren porcentajes y plantear la hipótesis de que: “El promedio de los salarios en ciudad x es de 500 dólares o más”. Ahora bien, para saber si esta premisa es valedera podemos formular una hipótesis nula, y aquí llegamos a su utilidad.

  • La hipótesis nula podría ser: “El promedio de los salarios en ciudad x no supera los 500 dólares”.
  • Si las investigaciones acreditan que efectivamente el promedio es de esa cifra o más, tu primera hipótesis automáticamente quedará validada.
  • En resumen, la hipótesis nula nos sirve para comprobar si la hipótesis que queremos usar en nuestra investigación es realmente sólida para empezar a desarrollar todo el proceso investigativo.

👉 Puede interesarte también:

¿Cómo saber si una hipótesis es verdadera o falsa?

En la sección Series, Medwave publica artículos relacionados con el desarrollo y discusión de herramientas metodológicas para la investigación clínica, la gestión en salud, la gesión de la calidad y otros temas de interés. En esta edición se presentan dos artículos que forman parte del programa de formación en Medicina Basada en Evidencias que se dicta por e-Campus de Medwave.

  1. El artículo siguiente pertenece a la Serie “Estadística Aplicada a la Investigación en Salud”,
  2. Introducción Es frecuente, especialmente en el campo de la salud, que un profesional en ejercicio de su actividad se detenga en un fenómeno que lo hace pensar que el grupo al que está observando tiene un comportamiento especial respecto a una determinada variable.

Así, por ejemplo, un kinesiólogo puede pensar que los pacientes sometidos a una secuencia especial de ejercicios demoran menos en recuperar la función muscular que aquellos tratados con el método tradicional. A un médico psiquiatra radicado en Punta Arenas le puede parecer que los suicidios adolescentes son más frecuentes en su región.

Un profesional de la nutrición puede creer que los pacientes con problemas de absorción intestinal responden mejor a una alimentación con verduras que con carnes. El director de salud de una municipalidad puede pensar que su consultorio tiene mejor resolución de problemas complejos que el consultorio del municipio vecino.

Detrás de todas estas situaciones se esconde una hipótesis que espera para ser verificada. Definición de hipótesis Una hipótesis se define como una afirmación transitoria que debe ser sometida a prueba. La inferencia estadística propone un procedimiento para llevar a cabo la prueba de las hipótesis.

Propone, primero, enunciarlas formalmente y luego contrastarlas con la evidencia de los datos. Son los datos, entonces, con su coro de características, los que dirán si una hipótesis es falsa o verdadera. Este procedimiento se realiza considerando a los parámetros, que ya sabemos corresponden al universo, como los objetos para los cuales se enuncian las hipótesis.

Dicho de otro modo, una hipótesis se enuncia para una característica del universo o población y se origina en la observación del comportamiento de la misma característica en un grupo restringido o muestra. Una hipótesis por ejemplo, al decir: “estos enfermos demoran en promedio 25 días en recuperarse” está afirmando que, en el universo, el promedio de los pacientes tardan 25 días en mejorar.

Será tarea del investigador probar la veracidad o falsedad de dicha afirmación contrastando el valor propuesto para el parámetro del universo (25 días), con los datos reales provenientes de una muestra cualquiera. Si luego de esta comparación resulta que el promedio obtenido en la muestra es de 22 días, se le encarga a la estadística que resuelva el dilema de si la diferencia entre el promedio muestral (22 días) y el poblacional (25 días) permite aceptar como verdadera la hipótesis planteada.

Será el método estadístico el que permita en definitiva resolver este dilema, evaluando la significación de la diferencia entre 22 y 25. ¿Azar o no? El método de las pruebas de hipótesis consiste fundamentalmente en establecer la probabilidad de que sea consecuencia del azar la diferencia existente entre dos cantidades.

Se pueden distinguir dos situaciones: a) Diferencia entre un valor muestral y un valor poblacional, o valor teórico. b) Diferencia entre dos o más valores muestrales. En el caso a se tratará de evaluar la diferencia entre un valor obtenido en la muestra (estadístico) y un valor correspondiente en el universo (parámetro), y en el caso b se evaluará la diferencia entre dos valores provenientes de dos muestras (estadísticos).

Los valores que se comparen, ya sean de la muestra o del universo, pueden ser promedios, porcentajes u otros. Nosotros nos ocuparemos sólo de promedios y porcentajes. En general, lo que hace una prueba estadística es evaluar la diferencia entre dos o más valores (dos promedios, dos porcentajes).

  1. Respecto de esta diferencia se elabora una hipótesis previa y se plantea formalmente en términos estadísticos.
  2. Luego, usando la distribución de probabilidad adecuada, se calcula la probabilidad de la diferencia entre los valores comparados.
  3. Si la probabilidad de obtener tal diferencia es pequeña, diremos que dicha diferencia es significativa.

Una diferencia es significativa cuando la probabilidad de que se produzca por azar es pequeña. Estadístico de prueba Para realizar tan delicada operación debemos utilizar el instrumento apropiado: le llamaremos estadístico de prueba, el que podremos calcular con los datos de nuestra muestra. El esquema a seguir: 1. Plantear la hipótesis en términos estadísticos Esta etapa consiste en representar el problema de investigación bajo la forma de dos hipótesis excluyentes: la Hipótesis Nula y la Hipótesis Alternativa.

Hipótesis Nula. Esta hipótesis plantea que los valores comparados son iguales. Dependiendo del problema podrá presentarse como:

Hipótesis Alternativa. Esta hipótesis plantea que los valores comparados son distintos y por lo tanto pertenecen a universos distintos. Dependiendo del problema podrá presentarse como:

2. Elegir un nivel de significación El nivel de significación es la probabilidad de que la diferencia observada se deba al azar. Interesa que esta probabilidad sea pequeña, por eso, en la práctica se utilizan valores iguales o inferiores a 0,05. El valor más usado es 0,05 pero también puede ser 0,04; 0,02; 0,01; etc. 3. Calcular el estadístico de prueba a base de los datos muestrales El estadístico que se utilice para la prueba de la hipótesis dependerá de los elementos que participan en él. Así, cuando se trate de comparar 2 promedios usaremos el estadístico t de student, cuando necesitemos comparar dos porcentajes muestrales usaremos Z, etc.

La probabilidad de obtener un valor igual o mayor al estadístico calculado, cuando éste sea positivo, o La probabilidad de obtener un valor menor o igual, cuando el estadístico sea negativo. En resumen: P(z > z 0 ) cuando z 0 sea positivo o P(z < z 0 ) cuando z 0 sea negativo.

5. Comparar la probabilidad obtenida en la tabla con el nivel de significación elegido en el punto 2 y tomar una decisión respecto de las hipótesis planteadas Parece evidente que para tomar una buena decisión es conveniente disponer de criterios. Debemos decidir si la hipótesis nula es verdadera o falsa.

Entonces, de acuerdo a la evidencia aportada por los datos de la muestra aceptaremos o rechazaremos la hipótesis nula según el siguiente criterio: Se rechazará la hipótesis nula si la probabilidad encontrada en la tabla es inferior a la mitad del nivel de significación(α/2).6. Elaborar una conclusión derivada de la decisión Una vez tomada la decisión sobre las hipótesis debemos exponer lo que esto significa en el contexto de nuestro problema particular.7.

Apoyar todo el proceso de análisis con un gráfico del problema A la hora de tomar la decisión es muy útil y orientador un buen gráfico donde se consigne el nivel de significación, el valor del estadístico y la probabilidad asociada a él. Nota: Con el objeto de facilitar la comprensión nos hemos limitado a tratar sólo las hipótesis bilaterales, ya que ésta es la forma más frecuente de plantear una hipótesis.

¿Qué significa p 0 05?

Una p y una p > 0,05 que la hipótesis nula es verdadera: siempre nos movemos en el terreno de la probabilidad.

¿Qué es el p valor y cómo se interpreta?

Idolatrada, pero incomprendida. El significado del valor de p. El valor de p indica la probabilidad de obtener un valor tan o más extremo al observado, partiendo de la suposición de la igualdad de efecto que marca la hipótesis nula. Sin embargo, es frecuente malinterpretar este valor, dándose interpretaciones al valor de p que poco tienen que ver con su significado real. Se explica el significado del valor de p y algunas de sus malinterpretaciones más frecuentes. La estadística se nos atraganta un poco a la mayoría de los que nos denominamos “clínicos”. Los conocimientos sobre el tema adquiridos durante nuestros años de formación hace tiempo que habitan en el mundo neblinoso del olvido. Recordamos vagamente términos como distribución de probabilidad, contraste de hipótesis, análisis de la varianza, regresión Es por este motivo que siempre nos da un poco de aprensión cuando llegamos al apartado de métodos de los artículos científicos, en los que se detallan todas estas técnicas que, aunque nos resultan conocidas, no conocemos con la profundidad suficiente para interpretar correctamente sus resultados. Menos mal que la Providencia nos ha puesto un salvavidas: nuestra querida e idolatrada p. ¿Quién no se habrá perdido con una descripción farragosa de métodos matemáticos para respirar, por fin, aliviado al encontrar el valor de p? Sobre todo, si la p es pequeña y tiene muchos ceros. El problema con la p es que, aunque es unánimemente idolatrada, también es mayoritariamente incomprendida. Su valor es, con mucha frecuencia, malinterpretado. Y esto es así porque muchos albergamos ideas erróneas sobre lo que significa realmente el valor de p. Vamos a intentar aclararlo. Siempre que queremos saber algo sobre una variable, el efecto de una exposición, la comparación de dos tratamientos, etc., nos encontraremos con la ubicuidad del azar: está en todas partes y nunca podemos librarnos de él, aunque podemos intentar limitarlo y, desde luego, tratar de medir su efecto. Pongamos un ejemplo para entenderlo mejor. Supongamos que hacemos un ensayo clínico para comparar el efecto de dos dietas, A y B, sobre la ganancia de peso en dos grupos de participantes. Simplificando, el resultado del ensayo tendrá una de las tres características: los de la dieta A ganan más peso, los de la dieta B ganan más peso, ambos grupos ganan igual peso (podría haber, incluso, una cuarta: los dos grupos pierden peso). En cualquier caso, siempre vamos a obtener un resultado diferente, aunque sea por azar (incluso en el supuesto de que las dos dietas sean iguales). Imaginaos que los de la dieta A engordan 2 kg y los de la dieta B, 3 kg. ¿Se engorda más con la dieta B o la diferencia se debe al azar (muestras elegidas, variabilidad biológica, imprecisión de mediciones, etc.)? Aquí es donde entra nuestro contraste de hipótesis. Cuando nosotros vamos a hacer el ensayo partimos de la hipótesis de igualdad, de no diferencia de efecto (se engorda igual con las dos dietas). Esto es lo que llamamos hipótesis nula (H0) que, repito para que quede claro, asumimos que es la cierta. Si la variable que estamos midiendo sigue una distribución de probabilidad conocida (normal, ji-cuadrado, t de Student, etc.), podemos calcular la probabilidad de presentarse cada uno de los valores de la distribución. En otras palabras, podemos calcular la probabilidad de obtener un resultado tan distinto de la igualdad como el que hemos obtenido, siempre bajo el supuesto de la H0. Ese es el valor de p: la probabilidad de que la diferencia de resultado observada se deba al azar. Por convenio, si esa probabilidad es menor del 5% (0,05) nos parecerá poco probable que la diferencia se deba al azar y rechazaremos H0, la hipótesis de igualdad, aceptando la hipótesis alternativa (Ha) que, en este ejemplo, dirá que una dieta engorda más que la otra. Por otra parte, si la probabilidad es mayor del 5%, no nos sentiremos lo suficientemente seguros para afirmar que la diferencia no se debe a la casualidad, así que NO rechazamos H0 y nos quedamos con la hipótesis de igualdad: las dos dietas son similares. Tened en cuenta que siempre nos movemos en el terreno de la probabilidad. Si la p es menor de 0,05 (estadísticamente significativa), rechazaremos H0, pero siempre con una probabilidad de cometer un error de tipo 1: dar por bueno un efecto que, en realidad, no existe (un falso positivo). Por otra parte, si p es mayor de 0,05, nos quedamos con H0 y decimos que no hay diferencia de efecto, pero siempre con una probabilidad de cometer un error de tipo 2: no detectar un efecto que, en realidad, existe (falso negativo). Podemos ver, por tanto, que el valor de p es algo sencillo desde el punto de vista conceptual. Sin embargo, hay una serie de errores habituales sobre lo que representa o no representa el valor de p. Vamos a tratar de aclararlos. Es falso que una p menor de 0,05 signifique que la hipótesis nula es falsa y una p mayor de 0,05 que la hipótesis nula es cierta. Como ya hemos mencionado, el abordaje es siempre probabilístico. La p 0,05 tampoco se asegura que H0 sea cierta, ya que puede existir un efecto real y que el estudio no tenga potencia suficiente para detectarlo. En este punto hay que recalcar un hecho: la hipótesis nula solo es falsable. Esto quiere decir que solo podemos rechazarla (con lo que nos quedamos con Ha, con una probabilidad de error), pero nunca podemos afirmar que es cierta. Si p > 0,05 no podremos rechazarla, así que nos mantendremos en el supuesto inicial de igualdad de efecto, que no podemos demostrar de una forma positiva. Es falso que el valor de p tenga relación con la fiabilidad del estudio. Podemos pensar que las conclusiones del estudio serán más fiables cuanto menor sea el valor de p, pero tampoco es cierto. En realidad, el valor de p es la probabilidad de obtener un valor semejante por azar si repetimos el experimento en las mismas condiciones y no solo depende de que el efecto que queremos demostrar exista o no. Hay otros factores que pueden influir en la magnitud de la p: el tamaño de la muestra, el tamaño del efecto, la varianza de la variable medida, la distribución de probabilidad empleada, etc. Es falso que el valor de p indique la importancia del resultado. Como ya hemos repetido varias veces, el valor de p solo es la probabilidad de que la diferencia observada se deba al azar. Una diferencia estadísticamente significativa no tiene obligatoriamente que ser clínicamente importante. La importancia clínica la establece el investigador y es posible encontrar resultados con una p muy pequeña que no sean importantes desde el punto de vista clínico y viceversa, valores no significativos que sean importantes. Es falso que el valor de p represente la probabilidad de que la hipótesis nula sea cierta. Esta creencia hace que, a veces, busquemos el valor exacto de p y no nos conformemos con saber solo si es mayor o menor de 0,05. La culpa de este error de concepto la tiene una mala interpretación de la probabilidad condicional. A nosotros nos interesa saber cuál es la probabilidad de que H0 sea cierta una vez que hemos obtenido unos resultados con nuestro ensayo. Expresado matemáticamente, queremos saber P(H0|resultados). Sin embargo, el valor de p lo que nos proporciona es la probabilidad de obtener nuestros resultados bajo el supuesto de que la hipótesis nula es cierta, o sea, P(resultados|H0). Por tanto, si interpretamos que la probabilidad de que H0 sea cierta a la vista de nuestros resultados (P(H0|resultados)) es igual al valor de p (P(resultados|H0)) estaremos cayendo en una falacia inversa o falacia de la transposición de los condicionales. En realidad, la probabilidad de que H0 sea cierta no depende solo de los resultados del estudio, sino que también se ve influida por la probabilidad previa que se estimase antes del estudio, que es una medida de la creencia subjetiva que refleja su plausibilidad, generalmente basada en estudios y conocimientos previos. Pensemos que queremos contrastar un efecto que creemos muy poco probable que sea cierto. Valoraremos con precaución un valor de p < 0,05, aunque sea significativo. Por el contrario, si estamos convencidos de que el efecto existe, con poca p nos daremos por satisfechos. En resumen, para calcular la probabilidad de que el efecto sea real deberemos calibrar el valor de p con el valor de la probabilidad basal de H0, que será asignada por el investigador o por datos previos disponibles. Existen métodos matemáticos para calcular esta probabilidad en función de su probabilidad basal y el valor de p, pero lo más sencillo es recurrir a una herramienta gráfica que es el nomograma de Held, que podéis ver en la figura. Para utilizar el nomograma de Held solo tenemos que trazar una línea desde la probabilidad previa que consideremos que tiene H0 hasta el valor de p y prolongarla para ver qué valor de probabilidad posterior alcanzamos. Como ejemplo, hemos representado un estudio con un valor de p = 0,03 en el que creemos que la probabilidad de la H0 es del 20% (creemos que hay un 80% de que el efecto sea real). Si prolongamos la línea nos dice que la probabilidad mínima de H0 del 6%: hay un 94% de probabilidad de que el efecto sea real. Por otro lado, pensad en otro estudio con el mismo valor de p pero en el que pensamos que la probabilidad del efecto es más baja, por ejemplo, del 20% (la probabilidad de H0 es del 80%), Para un mismo valor de p, la probabilidad mínima posterior de H0 es del 50%, luego hay un 50% de que el efecto sea real. Vemos, así, como la probabilidad posterior cambia según la probabilidad previa. Y hasta aquí hemos llegado por hoy. Hemos visto cómo la p solo nos da una idea del papel que el azar ha podido tener en nuestros resultados y que, además, puede depender de otros factores, quizás el más importante el tamaño muestral. La conclusión es que, en muchas ocasiones, el valor de p es un parámetro que permite valorar de forma muy limitada la importancia de los resultados de un estudio. Para hacerlo mejor, es preferible recurrir al uso de los intervalos de confianza, que nos permitirán valorar la importancia clínica y la significación estadística. Pero esa es otra historia 1. Molina Arias M. ¿Qué significa realmente el valor de p? Rev Pediatr Aten Primaria.2017;19:377-81. () 2. Held L. A nomogram for P values. BMC Med Res Methodol.2010;10:21. () 3. du Prel JP, Hommel G, Röhrig B, Blettner M. Confidence interval or p-value? Dtsch Arztebl Int.2009;106:335–9. () Cómo citar: Molina Arias, M. (2020). Idolatrada, pero incomprendida. El significado del valor de p. Revista Electrónica AnestesiaR, 12 (3), 3. : Idolatrada, pero incomprendida. El significado del valor de p.

¿Cuando la hipótesis nula es falsa?

Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de tipo II. La probabilidad de cometer un error de tipo II es β, que depende de la potencia de la prueba. Puede reducir el riesgo de cometer un error de tipo II al asegurarse de que la prueba tenga suficiente potencia.

¿Qué es una hipótesis nula ejemplo?

«Volver al índice del glosario La palabra “nula” se puede entender como “sin cambios”. Normalmente, una La palabra "nula" se puede entender como "sin cambios". Normalmente, una hipótesis(.) ” href=”https://toolbox.eupati.eu/glossary/hipotesis-nula/?lang=es” data-gt-translate-attributes=””>hipótesis nula es la suposición estándar que se define como la predicción de que no hay interacción entre las variables. Por ejemplo, la La palabra "nula" se puede entender como "sin cambios". Normalmente, una hipótesis(.) ” href=”https://toolbox.eupati.eu/glossary/hipotesis-nula/?lang=es” data-gt-translate-attributes=””>hipótesis nula indica que no hay una Es la relación entre un evento (la causa) y un segundo evento (el efecto), donde el(.) ” href=”https://toolbox.eupati.eu/glossary/relacion-causal/?lang=es” data-gt-translate-attributes=””>relación causal entre un tratamiento nuevo y una reducción de los síntomas de la enfermedad. Dicho de otro modo: un tratamiento nuevo no ofrece ninguna mejora con respecto al tratamiento de referencia, y cualquier observación o mejora es fruto de la casualidad. Una afirmación de este tipo se puede probar mediante un estudio científico, como un Un estudio clínico es un estudio de investigación biomédica en el que voluntarios(.) ” href=”https://toolbox.eupati.eu/glossary/estudio-clinico/?lang=es” data-gt-translate-attributes=””>ensayo clínico, y la aplicación de las pruebas estadísticas adecuadas. Si un Un estudio clínico es un estudio de investigación biomédica en el que voluntarios(.) ” href=”https://toolbox.eupati.eu/glossary/estudio-clinico/?lang=es” data-gt-translate-attributes=””>ensayo clínico descubre que realmente existe una relación y el nuevo tratamiento produce una mejora, se demuestra que es falsa la La palabra "nula" se puede entender como "sin cambios". Normalmente, una hipótesis(.) ” href=”https://toolbox.eupati.eu/glossary/hipotesis-nula/?lang=es” data-gt-translate-attributes=””>hipótesis nula y se puede rechazar. En este caso, se puede adoptar la En el desarrollo de medicamentos, podríamos formular, por ejemplo, la hipótesis de(.) ” href=”https://toolbox.eupati.eu/glossary/hipotesis-alternativa/?lang=es” data-gt-translate-attributes=””>hipótesis alternativa o de investigación; en este ejemplo, significa que el nuevo tratamiento es mejor que el de referencia. «Volver al índice del glosario

¿Cuándo aceptamos la hipótesis nula?

Cuando aceptamos una hipótesis nula es porque que no hubo pruebas en su contra y decimos que el test es no significativo. Ejemplo: Un modelo genético afirma que la proporción de descendientes negros en un cierto cruce de conejos es 3/13. En una muestra de 100 de tales descendientes 15 eran negros y el resto no.

¿Qué es una hipótesis alternativa ejemplo?

Ejemplo de hipótesis alternativa o H1 – A continuación, vamos a detallar una situación ficticia para que puedas comprender de forma práctica todo lo que hemos teorizado sobre la hipótesis alternativa, Toma nota: Un investigador desea conocer cuál es el salario medio mensual de una ciudad.

La hipótesis alternativa es que el salario medio mensual es, efectivamente 1500. Él ha llegado a esta conclusión a partir de las encuestas. La hipótesis nula es lo contrario a lo anterior. Es decir, el salario medio mensual es distinto a 1500. Esta sería la conclusión contraria.

De esta forma, el investigador tiene que comparar ambas hipótesis, para determinar la veracidad de la que propone. Para ello, aplica la siguiente fórmula:

H0: El salario medio mensual es distinto a 1500 U.M. H1: El salario medio mensual es igual a 1500 U.M.

Él tratará de demostrar que lo contrario a la hipótesis alternativa (la H0) es falso, puesto que sostiene la veracidad de la H1. Como queda demostrado, la H0 se expresa luego de haber concluido la H1. Finalmente, luego de hacer el contraste, el investigador, en términos de hipótesis nula, rechaza o no su conclusión inicial (H1).