Pruebas de Hipótesis en Estadística: Conceptos Básicos y Errores

Pruebas de Hipótesis: De la Filosofía a la Práctica

Las pruebas de hipótesis en estadística se basan en una clara distinción entre la realidad objetiva y la aleatoriedad de los datos. Una hipótesis es una afirmación sobre un hecho: o es verdadera o es falsa. La probabilidad solo entra en juego durante la recolección de datos, que asumimos es aleatoria.

Ejemplo: Imagina que preguntas: "¿Es verano ahora?" desde dentro de una habitación cerrada. Las reglas del test se establecen de antemano. Criterio: la caída de nieve rechaza la hipótesis nula H0 "Es verano". Esto genera un riesgo de error Tipo I (α): rechazar una H0 verdadera. La probabilidad α se fija de entrada como el nivel de significancia.

Un evento crítico es improbable bajo una H0 verdadera. Pero el criterio debe distinguir H0 de la alternativa H1, minimizando el error Tipo II (β) y maximizando el poder (1-β).

Errores y Elección de la Prueba

El mantra completo: Rechazar H0 si el evento es improbable bajo H0 pero probable bajo H1. H0 goza de presunción de inocencia: solo se rechaza con evidencia fuerte (α bajo).

Criterios malos:

• Un pájaro raro que solo aparece en verano: nunca rechazaría una H0 falsa (β=1).
• Un cometa: igual de probable en cualquier momento, no distingue hipótesis.
• Rango estrecho de temperatura de 26,0–26,1 °C: improbable en verano pero típico de él.

Un buen criterio (como la nieve) es improbable bajo H0 y probable bajo H1.

H1 puede ser una negación simple (no es verano) o específica (otoño/primavera). La elección afecta al poder. En investigación, H0 suele ser "sin efecto" por el conservadurismo científico.

Planificación del Experimento

Las pruebas de hipótesis son una herramienta para la toma de decisiones bajo incertidumbre. Planifica el tamaño muestral de antemano para controlar α y β.

Pasos clave del algoritmo:

• Formula H0 y H1.
• Elige α (nivel de significancia).
• Define el evento crítico para minimizar β.
• Calcula el poder.
• Determina el tamaño muestral.
• Recoge datos y aplica la prueba.

Esto equilibra riesgos de error con costes de decisión.

Lecciones Clave

• H0 está protegida: Solo se rechaza por un evento improbable (α fijado de antemano).
• Poder de la prueba: Probabilidad de detectar una H0 falsa (1-β).
• Aleatoriedad en los datos: La hipótesis es determinista; la aleatoriedad está en la muestra.
• Planifica con antelación: Tamaño muestral y prueba fijos antes del experimento.
• El contexto importa: Adapta α y H1 al problema.

Perspectivas Filosóficas y Críticas

El enfoque Neyman-Pearson asume aleatoriedad en la recolección de datos (como lanzar una moneda para probar su justicia). Los críticos señalan: las propiedades de la moneda son fijas; la probabilidad está en el procedimiento.

Alternativas como los métodos bayesianos evalúan directamente las probabilidades de las hipótesis, pero el enfoque clásico se centra en los errores. En TI y ciencia de datos, se usan ambos: clásico para tests A/B, bayesiano para modelos con priors.

Para desarrolladores: En ML, las pruebas de hipótesis validan modelos (H0: modelo no mejor que baseline). Haz análisis de poder antes de experimentos para evitar muestras subpotenciadas.

— Editorial Team