Contrastes de hipótesis

Un contraste de hipótesis es una regla de decisión que nos permite optar entre dos afirmaciones opuestas relativas a un parámetro poblacional (como la media $\mu$ o la proporción $p$).

• Hipótesis Nula ($H_0$): Es la hipótesis que se desea contrastar. Se asume como verdadera a menos que los datos muestrales proporcionen evidencia suficiente en su contra. Generalmente representa el "status quo" o la ausencia de cambios. Siempre contiene el signo de igualdad ($=, \leq, \geq$).
• Hipótesis Alternativa ($H_1$): Es la afirmación que aceptaremos si rechazamos $H_0$. Representa lo que el investigador sospecha o quiere demostrar.
• Nivel de significación ($\alpha$): Es la probabilidad máxima que estamos dispuestos a asumir de cometer el error de rechazar $H_0$ cuando en realidad es cierta. Los valores más comunes son $0,05$ ($5\%$), $0,01$ ($1\%$) o $0,10$ ($10\%$).

El nivel de confianza del contraste es $1 - \alpha$, que representa la probabilidad de aceptar la hipótesis nula cuando esta es verdadera.

Al tomar una decisión basada en una muestra, siempre existe el riesgo de equivocarse. Existen dos tipos de errores:

1. Error de Tipo I: Ocurre cuando se rechaza la hipótesis nula $H_0$ siendo esta verdadera. La probabilidad de cometer este error es exactamente $\alpha$.
2. Error de Tipo II: Ocurre cuando no se rechaza $H_0$ siendo esta falsa (es decir, cuando $H_1$ es la verdadera). Su probabilidad se denota por $\beta$.

La Potencia del contraste ($1-\beta$) es la capacidad del test para detectar que la hipótesis nula es falsa. Lo ideal es minimizar ambos errores, pero al reducir $\alpha$, suele aumentar $\beta$.

Para decidir si rechazamos $H_0$, dividimos el conjunto de posibles valores del estadístico en dos zonas:

• Región de Aceptación: Conjunto de valores del estadístico de contraste que nos llevan a no rechazar $H_0$. Son valores "probables" si $H_0$ es cierta.
• Región Crítica o de Rechazo: Conjunto de valores muy poco probables si $H_0$ es cierta. Si el estadístico cae aquí, rechazamos $H_0$.
• Valores Críticos: Son los puntos de corte que delimitan ambas regiones. Dependen del nivel de significación $\alpha$ y de la distribución de probabilidad (normalmente la Normal $Z$).

---

Cuando conocemos la desviación típica poblacional ($\sigma$) y la población sigue una distribución normal (o el tamaño muestral $n$ es suficientemente grande, $n \geq 30$), utilizamos el estadístico de contraste Z.

El estadístico se calcula asumiendo que $H_0: \mu = \mu_0$ es cierta:

$Z_{exp} = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}}$

Donde $\bar{x}$ es la media obtenida en la muestra, $\mu_0$ el valor hipotético, $\sigma$ la desviación típica y $n$ el tamaño de la muestra.

Dependiendo de cómo se formule la hipótesis alternativa $H_1$, el contraste tendrá una o dos colas:

1. Bilateral (Dos colas): $H_1: \mu \neq \mu_0$. La región crítica se reparte en ambos extremos de la campana de Gauss ($\alpha/2$ en cada lado). Rechazamos si $|Z_{exp}| > z_{\alpha/2}$.
2. Unilateral Derecho (Cola derecha): $H_1: \mu > \mu_0$. La región crítica está a la derecha. Rechazamos si $Z_{exp} > z_{\alpha}$.
3. Unilateral Izquierdo (Cola izquierda): $H_1: \mu < \mu_0$. La región crítica está a la izquierda. Rechazamos si $Z_{exp} < -z_{\alpha}$.

El p-valor (o nivel crítico) es la probabilidad de obtener un valor del estadístico tan extremo o más que el observado, asumiendo que $H_0$ es cierta. Es una medida de la "credibilidad" de la hipótesis nula.

• Si p-valor $< \alpha$: Los datos son muy improbables bajo $H_0$. Rechazamos la hipótesis nula (el resultado es estadísticamente significativo).
• Si p-valor $\geq \alpha$: Los datos son compatibles con $H_0$. No tenemos evidencia suficiente para rechazarla.

---

En ciencias sociales es muy común trabajar con proporciones (por ejemplo, intención de voto o tasa de desempleo). Para realizar un contraste sobre una proporción poblacional $p$, debemos cumplir ciertas condiciones para usar la aproximación a la Normal:

1. La muestra debe ser aleatoria.
2. $n \cdot p_0 \geq 5$ y $n \cdot (1-p_0) \geq 5$ (donde $p_0$ es el valor de la hipótesis nula).
3. Si se cumplen, la proporción muestral $\hat{p}$ sigue una distribución $N\left(p_0, \sqrt{\frac{p_0(1-p_0)}{n}}\right)$.

Para contrastar $H_0: p = p_0$, calculamos el estadístico $Z$ de la siguiente manera:

$Z_{exp} = \frac{\hat{p} - p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}}$

Donde $\hat{p}$ es la proporción observada en la muestra ($casos\_favorables / n$).

Ejemplo: Un partido político afirma que el $40\%$ de los ciudadanos apoya una ley. En una encuesta a $400$ personas, solo $144$ la apoyan. ¿Es válida la afirmación con $\alpha = 0,05$?

1. Hipótesis: $H_0: p = 0,40$; $H_1: p \neq 0,40$ (Bilateral).
2. Datos: $n=400, \hat{p} = 144/400 = 0,36$.
3. Estadístico: $Z_{exp} = \frac{0,36 - 0,40}{\sqrt{\frac{0,40 \cdot 0,60}{400}}} = \frac{-0,04}{0,0245} \approx -1,63$.
4. Región Crítica: Para $\alpha=0,05$ bilateral, los valores críticos son $\pm 1,96$.
5. Decisión: Como $-1,63$ no es menor que $-1,96$ (está en la zona de aceptación), no rechazamos $H_0$. No hay evidencia suficiente para decir que el apoyo no es del $40\%$.

---

Para resolver cualquier problema de selectividad o investigación, debemos seguir este protocolo:

1. Establecer las hipótesis: Definir claramente $H_0$ y $H_1$.
2. Fijar el nivel de significación: Determinar $\alpha$ (y por tanto el valor crítico $z_{\alpha}$ o $z_{\alpha/2}$).
3. Calcular el estadístico de contraste: Aplicar la fórmula correspondiente según sea para media o proporción.
4. Determinar la región de aceptación/rechazo: Comparar el estadístico calculado con el valor crítico.
5. Conclusión: Redactar la decisión en el contexto del problema (ej. "Existen pruebas suficientes para afirmar que...").

Existe una dualidad entre los intervalos de confianza y los contrastes bilaterales. Si el valor hipotético del parámetro $\mu_0$ está contenido dentro del intervalo de confianza calculado para un nivel $1-\alpha$, entonces no rechazaremos $H_0$ para ese mismo nivel de significación $\alpha$.

• Intervalo: Nos da un rango de valores plausibles para el parámetro.
• Contraste: Nos da una respuesta de "sí/no" sobre un valor específico.

Es fundamental entender que la significación estadística no siempre implica relevancia práctica. Con muestras extremadamente grandes, diferencias mínimas y sin importancia real pueden resultar "estadísticamente significativas".

En Ciencias Sociales, también debemos vigilar los sesgos muestrales: si la muestra no es representativa (por ejemplo, una encuesta de internet sobre hábitos de ahorro), los resultados del contraste no serán válidos para la población general, por muy perfecto que sea el cálculo matemático. La estadística es una herramienta de apoyo, pero la interpretación debe ser siempre crítica y contextualizada.