-¿Qué es el principio de contraste de hipótesis?

Una hipótesis estadística es una afirmación respecto a alguna característica de una población.  Contrastar una

hipótesis es comparar las predicciones con la realidad que observamos. Si dentro del margen de error que nos
permitimos admitir, hay coincidencia, aceptaremos la hipótesis y en caso contrario la rechazaremos.
La hipótesis emitida se suele designar por Ho y se llama Hipótesis nula porque parte del supuesto que la
diferencias entre el valor verdadero del parámetro y su valor hipotético es debida al azar, es decir no hay
diferencia.
La hipótesis contraria se designa por H1 y se llama Hipótesis alternativa
Los contrastes pueden ser unilaterales o bilaterales (también llamados de una o dos colas) según
establezcamos las hipótesis, si las definimos en términos de igual y distinto estamos ante una hipótesis
unilateral, si suponemos una dirección (en términos de mayor o menor) estamos ante uno unilateral.
Se trata pues, de extraer conclusiones a partir de una muestra aleatoria y significativa, que permitan aceptar o
rechazar una hipótesis previamente emitida, sobre el valor de un parámetro desconocido de la población. El
método que seguiremos es el siguiente:
Enunciar la hipótesis
Elegir un nivel de significación a y construir la zona de aceptación, intervalo fuera del cual sólo se encuentran
el a100% de los casos más raros. A la zona de rechazo la llamaremos región crítica, y su área es el nivel de
significación.
Verificar la hipótesis extrayendo una muestra cuyo tamaño se ha decidido en el paso anterior y obteniendo de
ella el correspondiente estadístico (media o proporción en nuestro caso).
Decidir. Si el valor calculado en la muestra cae dentro de la zona de aceptación se acepta la hipótesis y si no se
rechaza.
Aquí nos vamos a limitar a estudiar hipótesis sobre la media y sobre la proporción en una población. En cada
caso se trabaja con un contraste bilateral y otro unilateral. Los contrastes unilaterales son de distinta dirección
en cada ejemplo, pero el método a seguir es análogo para ambos. Pulsa ahora sobre el primer enlace para
continuar.

-¿En qué consiste la regla de decisión?

Una regla de decisión sirve para que el laboratorio pueda emitir conformidad frente a unos requisitos
establecidos. Esta conformidad se puede establecer con cierto nivel de riesgo empleando la incertidumbre de
medida.

¿Cómo se construyen las reglas de decisión?

 
Antes de entrar de lleno en las reglas de decisión quiero que recuerdes algunos conceptos que te serán de
utilidad para entender lo que  viene.

-Explica las diferencias entre pruebas bilaterales y unilaterales

¿CUÁL ES LA DIFERENCIA ENTRE UNA PRUEBA DE DOS COLAS (BILATERAL) Y DE UNA COLA (UNILATERAL)?
Una prueba estadística se basa en dos hipótesis competitivas: la hipótesis nula H0 y la hipótesis alternativa Ha .
El tipo de hipótesis alternativa Ha define si una prueba es de una cola (unilateral) o de dos colas (bilateral). 
Pruebas bilaterales o de dos colas
Una prueba de dos colas se asocia a una hipótesis alternativa para la cual se desconoce el signo de la potencial
diferencia. Por ejemplo, supongamos que deseamos comparar las medias de dos muestras A y B. Antes de
diseñar el experimento y ejecutar la prueba, esperamos que si se resalta una diferencia entre las dos medias,
realmente no saabemos si A debería ser superior a B o a la inversa. Esto nos lleva a elegir una prueba de dos
colas, asociada a la siguiente hipótesis alternativa: Ha: media(A) ≠ media(B). Las pruebas de dos colas son con
diferencia las más utilizadas.
Pruebas unilaterales o de una cola
Una prueba de una cola normalmente está asociada a una hipótesis alternativa para la cual se conoce el signo
de la potencial diferencia antes de ejecutar el experimento y la prueba. En el ejemplo descrito más arriba, la
hipótesis alternativa referida a una prueba de una cola podría redactarse así: media(A) < media(B) o media(A)
> media(B), dependiendo de la dirección esperada de la diferencia.
 
En todos los cuadros de diálogo de las pruebas estadísticas de XLSTAT, el usuario puede elegir entre pruebas
de una y dos colas (normalmente en la pestaña Opciones).

-¿Cuáles son los métodos alternativos de contraste de hipótesis?

En capítulos anteriores hemos aprendido a efectuar inferencias acerca de los valores paramétricos
poblacionales, a partir de información muestral, y lo hemos hecho tanto a través de estimadores puntuales
como de intervalos de confianza. Sin embargo, en muchas ocasiones, el investigador tiene una creencia a
priori, posiblemente basada en su experiencia previa con el fenómeno que está estudiando, acerca de los
valores numéricos de los parámetros de dicho proceso. En tal caso, el investigador estará interesado en
estimar los valores numéricos de dichos parámetros desconocidos, pero también querrá contrastar diversas
hipótesis posibles acerca de la distribución de probabilidad de la población que generó la muestra disponible.
Generalmente las hipótesis se refieren a si la información muestral es consistente con su creencia a priori
acerca de los valores paramétricos, lo que configura los denominados problemas de una muestra. En
ocasiones, el investigador dispone de dos muestras, y se cuestiona acerca de si la información que
proporcionan ambas es consistente con la posibilidad de que provengan de la misma población, frente a la
alternativa de que proviene de poblaciones diferentes, problemas estos denominados de dos muestras. Los
contrastes de hipótesis especifican siempre una posibilidad, denominada hipótesis nula, denotada por H0, que
es aquélla en que el investigador está dispuesto a creer a priori. Es preciso especificar asimismo una hipótesis
alternativa, denotada por H1, aquélla que pasará a aceptar si rechaza la hipótesis nula. La idea previa a la
contrastación estadística de hipótesis es que existen razones para creer que la hipótesis nula pueda ser cierta:
es aquél suceso que parece más posible a priori el que debe definir la hipótesis nula. Por otra parte, la
hipótesis alternativa debe estar definida por aquellos sucesos, incompatibles con los que definen la hipótesis
nula, que tienen probabilidad positiva. Un suceso de probabilidad nula no debe estar incluido ni en la hipótesis
nula ni en la hipótesis alternativa. De este modo, la pregunta que un investigador debe hacerse cuando lleva a
cabo un contraste de hipótesis, es acerca de si se encuentra suficiente evidencia en la muestra en contra de la
hipótesis nula, como para rechazarla. Como la hipótesis nula refleja una creencia a priori, sólo la rechazaremos
en favor de la hipótesis alternativa si existe suficiente evidencia en su contra. Hay que insistir, por tanto, en
que sólo deben contrastarse hipótesis nulas en las que el investigador está dispuesto a creer, y acerca de las
cuales tiene fundada creencia a priori. La contrastación de hipótesis no es algo que deba hacerse mecánica ni
sistemáticamente. Sería absurdo plantearse en una aplicación empírica un número elevado de contrastes de
hipótesis, con objeto de ver cuáles se rechazan y cuáles no. En los problemas de una muestra, se contrasta una
hipótesis nula que asigna valores numéricos a uno o más parámetros poblacionales desconocidos, frente a
otro valor o rango de valores, que se incluyen en la hipótesis alternativa. Para resolver el ciontraste de tal
hipótesis, es preciso disponer de información muestral, sobre la cual calcular el valor de un estadístico que
guarde relación estrecha con el poarametro acerca del cual se quiere egectuar el contraste. El valor numérico
obtenido para el estadístico nos dirá si es aceptable nuestra hipótesis a priori acerca del valor delparámetro
desconocido o si, por el contrario, no podemos manetner nuestra hipótesis, debiendo rechazarla en favor de la
hipótesis alternativa. Todo contraste de hipótesis se desarrolla en varias etapas: 1) planteamiento de la
hipótesis nula H0 y de la hipótesis alternativa H1, ambas referentes a valores posibles de un parñametro
desconocido, 2 2) decisión acerca de un estadístico que resuma adecuadamente la información muestral, en
relación con el parámetro acerca del cual se va a llevar a cabo elcontraste 2 3) división del espacio muestral en
dos regiones: región crítica y región de aceptación. Ambas constituyen una partición del espacio muestral 4)
obtención de una muestra de un determinado tamaño, en la que medir la característica de interés 5) cálculo
del valor del estadístico en la muestra recogida 6) resolución del contraste: si el valor muestral del estadístico
cae en la región crítica, se recha la hipñotesis nula H0 en favor de la alternativa H1; si el valor muestra del
estadístico cae en la región de aceptación, no se rechaza la hipótesis nula. Como ejemplo, vamos a considerar
el caso de contrastación de una hipótesis acerca de la proporción de elementos poblacionales que satisfacen
una determinada característica, utilizando para ello una determinada muestra; es decir, queremos contrastar
una hipótesis acerca del parámetro p de una distribución Bernouilli. Supongamos que, antes de acometer una
campaña publicitaria a nivel nacional, lo que representa un enorme gasto, una empresa de cosmética ha
realizado una campaña publicitaria acerca de una de sus colonias en una determinada ciudad, y quiere
contrastar si dicha campaña ha sido efectiva, lo que le motivaría a implantarla a nivel nacional. Evidentemente,
para que este análisis sea riguroso, debe cumplirse que la ciudad utilizada como muestra sea representativa,
es decir, que no haya razones para pensar que la proporción de usuarios antes o después de la campaña vaya a
ser distinta en la ciudad utilizada que en el resto del país. El departamento de marketing de la empresa realiza
una encuesta tras la campaña de publicidad en dicha ciudad, entrevistando a 200 personas. El porcentaje de
personas que consumían habitualmente su producto antes de la campaña publicitaria, que es conocido, era
del 5% y la empresa decidirá que la campaña ha sido efectiva si el nuevo porcentaje es superior a un
determinado umbral, por ejemplo, del 7%. Ahora bien, no conocemos la proporción de consumidores tras la
campaña. Todo lo que hacemos es encuestar a 200 personas, y calcular una estimación de la nueva proporción
de consumidores. Lo primero que hemos de hacer es escoger un estimador del parámetro objeto de contraste.
Ya sabemos que la proporción muestral es un estimador insesgado de la proporción poblacional, por lo que
parece razonable que utilicemos el porcentaje muestral. Imaginemos que 15 personas, un 7,5% de los
encuestados, contesta afirmativamente, con lo que concluimos que la campaña ha sido un éxito. Ahora bien,
proceder de este modo supone asignar a la información muestral una fiabilidad absoluta, que nos lleva a
comparar la estimación en ella obtenida, con el umbral establecido del 7%. Sin embargo, la estimación es tan
sólo una realización del estimador (la proporción muestral, en este caso), que ha sido de 7,5% en esta muestra,
pero que habría sido diferente si tomásemos otra muestra distinta. Salvo que entrevistásemos a todos los
potenciales consumidores de la ciudad, no podemos conocer el verdadero valor de la proporción tras la
campaña publicitaria. Tratar adecuadamente estas variaciones muestrales es crucial, pues nada impide que
tengamos una estimación como la mencionada, incluso si la proporción poblacional es, realmente,
prácticamente la misma de antes de la campaña, lo que nos llevaría a incurrir en el enorme coste que
representa efectuar la campaña publicitaria a nivel nacional, cuando ésta no es, en realidad, eficaz. Ello
constituiría lo que denominamos un Error de tipo I, por rechazar la hipótesis nula de ausencia de cambio en la
proporción de consumidores, cuando ésta es cierta, puesto que no ha habido variación relevante, aunque la
información muestral nos hace creer que sí la ha habido. También podría suceder lo contrario, y obtener
"sólo" 13 respuestas afirmativas, una proporción del 6,5%, lo que nos llevaría a no rechazar la hipótesis nula
cuando, realmente, el consumo se ha extendido con respecto al existente antes de la campaña. Esto es lo que
denominamos un Error de tipo II, consistente en no rechazar la hipótesis nula cuando ésta es falsa
Formalicemos un poco más el proceso: Queremos contrastar una hipótesis, denominada hipótesis nula,
consistente en que la campaña publicitaria no ha tenido efecto, es decir, que el porcentaje de consumidores
no es significativamente superior al de antes de la misma. Representamos esta hipótesis nula mediante: H0: p
= 0,05. Esta hipótesis nula se dice simple, por contener sólo un valor numérico del parámetro desconocido.
Frente a ésta, hemos de formular una hipótesis alternativa, en la que recogemos los valores del parámetro que
pasaremos a aceptar en caso de rechazar la hipótesis nula. Tomemos, de momento: H1: p … 0,05. Esta
hipótesis alternativa es compuesta, pues incluye todo un rango de valores alternativos para el parámetro
desconocido. A diferencia de la hipótesis nula, que es simple, la hipótesis alternativa no define una única
distribución de probabilidad. La hipótesis nula sí lo hace, pues de ser cierta, la distribución de probabilidad de
la variable indicatriz que para cada persona en la población toma el valor 1 si consume la colonia, y 0 si no lo
hace, queda totalmente determinada como una distribución Bernouilli, B(p), con p = 0,05. De este modo,
tenemos: Error de tipo I: Rechazar H0 y, por tanto, aceptar H1, cuando H0 es cierta Error de tipo II: No
rechazar H0 cuando H1 es cierta, es decir, cuando H0 es falsa. El nivel de significación o tamaño de un
contraste de hipótesis, que denotaremos por ", es la probabilidad de cometer un error de tipo I, es decir, la
probabilidad de rechazar la hipótesis nula cuando es cierta. La potencia de un contraste es la probabilidad de
rechazar la hipótesis nula cuando es falsa, lo cual es algo que querríamos hacer. Por tanto, a diferencia del
nivel de significación del contraste, que preferiremos que sea reducido, querremos que la potencia del
contraste sea elevada. Si denotamos por $ la probabilidad de cometer un error de tipo II, entonces la potencia
es igual a 1-$, ya que: y el primer sumando es igual a $. Veremos en la próximas secciones que la forma de
resolver el contraste de hipótesis es distinta con cada especificación de la hipótesis alternativa, ya sea ésta
simple o compuesta y, si es compuesta, el contraste se lleva a cabo también de distinta manera según el rango
de valores paramétricos alternativos que incluya. Tal como hemos expuesto este ejemplo, se llevaría a cabo un
contraste llamado de dos colas, en el que rechazaremos la hipótesis nula si encontramos mucha evidencia en
su contra, lo que ocurrirá si la proporción muestral difiere apreciablemente de p = 0,05. Sin embargo, no
puede aceptarse a priori que la campaña publicitaria haya tenido un efecto perjudicial sobre el consumo, es
decir, que la proporción de clientes sea inferior tras la campaña publicitaria, por lo que la hipótesis alternativa
debería ser: H1: p > 0,05. En tal caso, 4 " ' P p$$0,07/p'0,05 ' P X n $0,07/p'0,05 " ' P X n $0,07/p'0,05 ' P
X$(0,07)(200)'14/p'0,05 ' ' 1& ' 13 i'0 P(X'i/p'0,05) ' 1& ' 13 i'0 200 i (0,05)i (0,95)200&i detectaremos evidencia
en contra de H0, si obtenemos una proporción muestral relativamente alta, pero no si es baja. Un ejemplo del
tipo de contrastes que llevamos a cabo en problemas de dos muestras es de las hipótesis: H0: ph = pm: la
proporción de fumadores entre los alumnos de la Facultad de CCEE es igual para hombres que para mujeres,
para lo que habría que extraer dos muestras, una de cada grupo poblacional. La alternativa podría consistir
simplemente en que ambas proporciones son diferentes H1: ph … pm, o ser más estricta, en el sentido de
especificar que la proporción de fumadores entre los estudiantes varones es superior a la de las mujeres: H1:
ph > pm. La forma de resolver el contraste de hipótesis es distinta con cada especificación de la hipótesis
alternativa: en el primer caso efectuaríamos un contraste de dos colas, mientras que en el segundo
efectuaríamos un contraste de una sóla cola. En este tipo de problemas no se trata de contrastar un valor
numérico concreto para ambos parámetros, sino tan sólo que ambos son iguales entre sí. A la vez que efectúa
el contraste, el investigador estimará las proporciones de ambas poblaciones, potencialmente diferentes, y
también podría estimar una única proporción, utilizando ambas muestras, si es que no rechaza la hipótesis
nula. Los problemas de dos muestras más habituales se refieren, además del expuesto en el ejemplo, al
contraste de hipótesis de igualdad de esperanzas matemáticas o de varianzas entre poblaciones posiblemente
diferentes.