En estadísticas inferenciales, la hipótesis nula (a menudo denotada H0) [1] es que dos posibilidades son las mismas. La hipótesis nula es que la diferencia observada se debe al azar sola. Usando pruebas estadísticas, es posible calcular la probabilidad de que la hipótesis nula sea cierta.
La hipótesis nula y la hipótesis alternativa son los tipos de conjeturas utilizadas en las pruebas estadísticas, que son métodos formales para llegar a conclusiones o tomar decisiones sobre la base de los datos. Las hipótesis son conjeturas sobre un modelo estadístico de la población, que se basan en una muestra de la población. Las pruebas son elementos centrales de inferencia estadística, muy utilizadas en la interpretación de datos experimentales científicos, para separar las afirmaciones científicas del ruido estadístico.
«La declaración que se está probando en una prueba de significación estadística se denomina hipótesis nula. La prueba de significación está diseñada para evaluar la fuerza de la evidencia contra la hipótesis nula. Por lo general, la hipótesis nula es una declaración de ‘sin efecto’ o ‘ sin diferencia ‘. «[2] A menudo se simboliza como H0.
La declaración que se está probando contra la hipótesis nula es la hipótesis alternativa. [2] Los símbolos incluyen H1 y HA.
Prueba de significación estadística: «Muy aproximadamente, el procedimiento para decidir es así: tomar una muestra aleatoria de la población. Si los datos de la muestra son consistentes con la hipótesis nula, no rechace la hipótesis nula; si los datos de la muestra son inconsistentes con la hipótesis nula, luego rechace la hipótesis nula y concluye que la hipótesis alternativa es verdadera «[3]
Lo siguiente agrega contexto y matices a las definiciones básicas.
¿Qué es la hipótesis nula?
La hipótesis nula es una teoría estadística típica que sugiere que no existe una relación estadística y significación en un conjunto de variables observadas individuales dada, entre dos conjuntos de datos observados y fenómenos medidos.
La hipótesis nula es una teoría aritmética característica que sugiere que no existe una relación estadística y la importancia en un conjunto de variables individuales y observadas entre dos conjuntos de datos observados y fenómenos medidos. Las hipótesis juegan un papel importante en la prueba de la importancia de las diferencias en los experimentos y entre las observaciones. H0 simboliza la hipótesis nula sin diferencia. Se supone que es cierto hasta que la evidencia indica lo contrario. Tomemos dos conjuntos de muestras de plata de alimentación de molino de la Tabla 9.5 y comparemos el grado medio entre el conjunto y la población y entre dos conjuntos. La hipótesis nula supone y establece que:
donde H0 = hipótesis nula sin diferencia, μ1 = media de la población 1 y μ0 = media de la población 2.
La hipótesis nula establece que la media μ1 de la población principal de la cual se dibujan las muestras es igual o no diferente de la media de la otra población μ0. Las muestras se extraen de la misma población, de modo que la varianza y la forma de las distribuciones también son iguales. Las aplicaciones estadísticas alternativas como T, F y Chi-Square solo pueden rechazar una hipótesis nula o no rechazarla. La evidencia puede afirmar que la media de la población de la cual se dibujan las muestras no es igual a la media de la población especificada y se expresa como:
Como hipótesis nula, se supone que los individuos en una población se distribuyen aleatoriamente entre las unidades de muestreo N de una muestra. Si este es el caso, se espera que la varianza sea igual al promedio para que el ‘índice de dispersión’, S2/X̄, sea aproximadamente igual a 1. Si la relación excede 1, indica que la población tiene un mochil ( o distribución) de distribución, mientras que un valor menor que la unidad indica una distribución par (o regular). Sin embargo, dado que los datos se originan en el muestreo, siempre se asociarán con alguna variación, por lo que es probable que se produzca alguna desviación en S2/X̄ de la unidad incluso si la distribución subyacente es aleatoria. Especialmente si el tamaño de la muestra N es pequeño, S2/X̄ exhibirá una gran variación debido al ruido de muestreo. Se puede usar una prueba χ2 para probar si S2/X̄ se desvía significativamente de 1 ya que χ2 = (N-1) S2/X̄ con N-1 grados de libertad. Cabe señalar que la prueba es de dos colas (en contraste con la mayoría de los casos en los que se usan las pruebas χ2) ya que los valores significativamente más pequeños o mayores que N-1 pueden conducir al rechazo de la hipótesis nula.
¿Cuándo se acepta la hipótesis nula?
Aceptar la hipótesis nula indicaría que ha demostrado que no existe un efecto. Como has visto, ese no es el caso en absoluto. ¡No puedes demostrar un negativo! En cambio, la fuerza de su evidencia no puede rechazar al nulo. En consecuencia, no lo rechazamos.
No rechazar el nulo indica que nuestra muestra no proporcionó evidencia suficiente para concluir que el efecto existe. Sin embargo, al mismo tiempo, esa falta de evidencia no prueba que el efecto no exista. ¡Capturar toda esa información conduce a la redacción enrevesada!
¿Cuáles son las posibles implicaciones de no rechazar la hipótesis nula? Vamos a trabajar a través de ellos.
Primero, es posible que el efecto realmente no exista en la población, por lo que su prueba de hipótesis no lo detectó en la muestra. Tiene sentido, ¿verdad? Si bien esa es una posibilidad, no termina allí.
Otra posibilidad es que el efecto existe en la población, pero la prueba no la detectó por una variedad de razones. Estas razones incluyen lo siguiente:
- El tamaño de la muestra era demasiado pequeño para detectar el efecto.
- La variabilidad en los datos fue demasiado alta. El efecto existe, pero el ruido en sus datos inundó la señal (efecto).
- Por casualidad, recolectaste una muestra fluida. Cuando se trata de muestras aleatorias, Chance siempre juega un papel en los resultados. La suerte del sorteo podría haber causado que su muestra no refleje un efecto que existe en la población.
¿Qué son las hipótesis nulas y ejemplos?
Aquí hay un ejemplo simple: un director de la escuela afirma que los estudiantes en su escuela obtienen un promedio de siete de cada 10 en los exámenes. La hipótesis nula es que la media de la población es 7.0. Para probar esta hipótesis nula, registramos marcas de, por ejemplo, 30 estudiantes (muestra) de toda la población estudiantil de la escuela (digamos 300) y calculamos la media de esa muestra.
Luego podemos comparar la media de muestra (calculada) con la media de población (hipotética) de 7.0 e intentar rechazar la hipótesis nula. (La hipótesis nula aquí, que la media de la población es 7.0, no se puede probar utilizando los datos de la muestra. Solo puede ser rechazado).
Tome otro ejemplo: se afirma que el rendimiento anual de un fondo mutuo en particular es del 8%. Suponga que ha existido un fondo mutuo durante 20 años. La hipótesis nula es que el rendimiento medio es del 8% para el fondo mutuo. Tomamos una muestra aleatoria de rendimientos anuales del fondo mutuo para, por ejemplo, cinco años (muestra) y calculamos la media de la muestra. Luego comparamos la media de muestra (calculada) con la media de población (reclamada) (8%) para probar la hipótesis nula.
- Ejemplo A: Los estudiantes en la escuela obtienen un promedio de siete de cada 10 en los exámenes.
- Ejemplo B: El rendimiento anual medio del fondo mutuo es del 8% por año.
A los efectos de determinar si rechazar la hipótesis nula, se supone que la hipótesis nula (abreviada H0) es cierta. Luego, el rango probable de valores posibles de la estadística calculada (por ejemplo, el puntaje promedio en las pruebas de 30 estudiantes) se determina bajo esta presunción (por ejemplo, el rango de promedios plausibles podría variar de 6.2 a 7.8 si la media de la población es 7.0). Luego, si el promedio de la muestra está fuera de este rango, se rechaza la hipótesis nula. De lo contrario, se dice que la diferencia es «explicable solo por casualidad», que está dentro del rango que está determinado solo por el azar.
Como ejemplo relacionado con los mercados financieros, suponga que Alice ve que su estrategia de inversión produce mayores rendimientos promedio que simplemente comprar y tener una acción. La hipótesis nula establece que no hay diferencia entre los dos retornos promedio, y Alice se inclina a creer esto hasta que pueda concluir resultados contradictorios.
¿Qué es una hipótesis nula y ejemplo?
Supongamos que un investigador ha realizado una investigación sobre el salario mensual promedio por habitante en un vecindario específico de una ciudad. Imagine que el investigador entrevistó a 1,000 personas, concluyendo que el salario mensual promedio per cápita es de 1,500 U.M.
Por lo tanto, el investigador quiere verificar si este salario mensual promedio por habitante es de 1500 U.M. (conclusión del estudio y, por lo tanto, hipótesis alternativa) o si, por el contrario, el salario mensual promedio por habitante es diferente de 1.500 U.M. (Conclusión contraria a la del estudio que debe negar y, por lo tanto, nada hipótesis)
H0: El salario mensual promedio es diferente de 1,500 U.M.
En consecuencia, tenemos la formulación de las dos hipótesis que el investigador pretende contrarrestar. Es importante darse cuenta (como se comentó en el segundo párrafo de la explicación) que la hipótesis no se refiere con precisión a la idea opuesta alcanzada por la investigación.
Como una regla mnemónica para descubrir cómo establecer la hipótesis de nada, siempre debemos pensar en lo que necesitamos para validar la conclusión de nuestra investigación. Si nuestra investigación concluye que el salario mensual promedio es igual a CU1.500, ¿qué necesitamos para validar la conclusión de nuestra investigación?
Debemos rechazar lo contrario. Este es que el salario mensual promedio es diferente de 1500 U.M. (H0). De esta manera podríamos decir que el salario mensual promedio es de 1,500 U.M. (H1).
Después de la comparación, el investigador puede o no rechazar la hipótesis de nada (lo que demuestra que la hipótesis alternativa es cierta). La forma correcta de comentar sobre el resultado de una prueba de hipótesis siempre es hablar en términos de no hipótesis.
¿Qué son las hipótesis nula?
Si tiene referencias o elementos de referencia o si conoce sitios web de calidad que se ocupan del tema abordado aquí, complete el artículo dando las referencias útiles a su verificabilidad y vinculándolos a la «Sección de notas y referencias»
En estadísticas y econometría, la hipótesis cero (símbolo internacional: h0 { displaystyle h_ {0}}) es una hipótesis que postula la igualdad entre los parámetros estadísticos (generalmente, promedio o varianza) de dos muestras que hace que la hipótesis se tome poblaciones equivalentes. Siempre se prueba contra una hipótesis alternativa que postula la diferencia en los datos (prueba bilateral) o la desigualdad (menor o mayor que) entre los datos (prueba unilateral).
La necesidad del concepto de hipótesis nula es una consecuencia de la naturaleza intrínseca del cálculo estadístico, en el que la probabilidad de que un dibujo aleatorio simple esté dentro de un intervalo dado es todo más bajo que este intervalo es pequeña. Mientras queramos demostrar que dos números son diferentes, es suficiente que estén lo suficientemente distantes entre sí para tener una probabilidad lo suficientemente pequeña como para que esta brecha sea una consecuencia del azar. Calculamos en función de un modelo estadístico apropiado un Valeur p que corresponde a la probabilidad de obtener con este modelo una diferencia al menos igual a la observada. Si este valor p es inferior a un límite de referencia, elegido de conformidad con ciertas convenciones arbitrarias, consideramos que la diferencia observada es significativa.
¿Cómo se plantea una hipótesis nula?
- Explique el propósito de las pruebas de hipótesis nulas, incluido el papel del error de muestreo.
- Describa la lógica básica de las pruebas de hipótesis nulas.
- Describa el papel de la fuerza de la relación y el tamaño de la muestra para determinar la significación estadística y hacer juicios razonables sobre la significación estadística basada en estos dos factores.
Como hemos visto, la investigación psicológica generalmente implica medir una o más variables para una muestra y calcular estadísticas descriptivas para esa muestra. En general, sin embargo, el objetivo del investigador no es sacar conclusiones sobre esa muestra, sino sacar conclusiones sobre la población de la que se seleccionó la muestra. Por lo tanto, los investigadores deben usar estadísticas de muestra para sacar conclusiones sobre los valores correspondientes en la población. Se llaman a estos valores correspondientes en la población. Imagine, por ejemplo, que un investigador mide el número de síntomas depresivos exhibidos por cada uno de los 50 adultos clínicamente deprimidos y calcula el número medio de síntomas. El investigador probablemente desee usar esta estadística de muestra (el número medio de síntomas para la muestra) para sacar conclusiones sobre el parámetro de población correspondiente (el número medio de síntomas para adultos clínicamente deprimidos).
Desafortunadamente, las estadísticas de muestra no son estimaciones perfectas de sus parámetros de población correspondientes. Esto se debe a que hay una cierta cantidad de variabilidad aleatoria en cualquier estadística de muestra a muestra. El número medio de síntomas depresivos podría ser 8.73 en una muestra de adultos clínicamente deprimidos, 6.45 en una segunda muestra y 9.44 en un tercio, a pesar de que estas muestras se seleccionan al azar de la misma población. Del mismo modo, la correlación (R de Pearson) entre dos variables podría ser +.24 en una muestra, −.04 en una segunda muestra y +.15 en un tercio, a pesar de que estas muestras se seleccionan al azar de la misma población. Se llama a esta variabilidad aleatoria en un estadístico de muestra a muestra. (Tenga en cuenta que el término error aquí se refiere a una variabilidad aleatoria y no implica que nadie haya cometido un error. Nadie «comete un error de muestreo»).
Una implicación de esto es que cuando hay una relación estadística en una muestra, no siempre está claro que hay una relación estadística en la población. Una pequeña diferencia entre dos medios de grupo en una muestra podría indicar que hay una pequeña diferencia entre las dos medias de grupo en la población. Pero también podría ser que no hay diferencia entre las medias en la población y que la diferencia en la muestra es solo una cuestión de error de muestreo. Del mismo modo, un valor R de Pearson de −.29 en una muestra podría significar que existe una relación negativa en la población. Pero también podría ser que no hay relación en la población y que la relación en la muestra es solo una cuestión de error de muestreo.
De hecho, cualquier relación estadística en una muestra puede interpretarse de dos maneras:
- Explique el propósito de las pruebas de hipótesis nulas, incluido el papel del error de muestreo.
- Describa la lógica básica de las pruebas de hipótesis nulas.
- Describa el papel de la fuerza de la relación y el tamaño de la muestra para determinar la significación estadística y hacer juicios razonables sobre la significación estadística basada en estos dos factores.
El propósito de las pruebas de hipótesis nulas es simplemente ayudar a los investigadores a decidir entre estas dos interpretaciones.
¿Cómo se plantea hipótesis nula?
La hipótesis nula establece que no existe una relación entre dos parámetros de población, es decir, una variable independiente y una variable dependiente. Si la hipótesis muestra una relación entre los dos parámetros, el resultado podría deberse a un error experimental o de muestreo. Sin embargo, si la hipótesis nula regresa falsa, hay una relación en el fenómeno medido.
La hipótesis nula es útil porque se puede probar para concluir si existe o no una relación entre dos fenómenos medidos. Puede informar al usuario si los resultados obtenidos se deben al azar o manipular un fenómeno. Probar una hipótesis prepara el escenario para rechazar o aceptar una hipótesis dentro de un cierto nivel de confianza.
Ronald Fisher y las pruebas de hipótesis de Jerzy Neyman y Egon Pearson pueden utilizar dos enfoques principales de la inferencia estadística en una hipótesis nula. El enfoque de prueba de importancia de Fisher establece que una hipótesis nula se rechaza si es significativamente poco probable que se hayan ocurrido los datos medidos (la hipótesis nula es falsa). Por lo tanto, la hipótesis nula es rechazada y reemplazada por una hipótesis alternativa.
Si el resultado observado es consistente con la posición mantenida por la hipótesis nula, se acepta la hipótesis. Por otro lado, la prueba de hipótesis de Neyman y Pearson se compara con una hipótesis alternativa para llegar a una conclusión sobre los datos observados. Las dos hipótesis se diferencian en función de los datos observados.
- Una hipótesis nula se refiere a una hipótesis que establece que no hay relación entre dos parámetros de población.
- Los investigadores rechazan o refutan la hipótesis nula para establecer el escenario para una mayor experimentación o investigación que explique la posición de interés.
- La inversa de una hipótesis nula es una hipótesis alternativa, que establece que existe una importancia estadística entre dos variables.
Una hipótesis nula es una teoría basada en evidencia insuficiente que requiere más pruebas para probar si los datos observados son verdaderos o falsos. Por ejemplo, una declaración de hipótesis nula puede ser «la tasa de crecimiento de la planta no se ve afectada por la luz solar». Se puede probar midiendo el crecimiento de las plantas en presencia de la luz solar y comparando esto con el crecimiento de las plantas en ausencia de luz solar.
¿Qué es la prueba de hipótesis nula?
Como hemos visto, la investigación psicológica generalmente implica medir una o más variables en una muestra y calcular estadísticas descriptivas para esa muestra. En general, sin embargo, el objetivo del investigador no es sacar conclusiones sobre esa muestra, sino sacar conclusiones sobre la población de la que se seleccionó la muestra. Por lo tanto, los investigadores deben usar estadísticas de muestra para sacar conclusiones sobre los valores correspondientes en la población. Estos valores correspondientes en la población se denominan parámetros. Imagine, por ejemplo, que un investigador mide el número de síntomas depresivos exhibidos por cada uno de los 50 adultos con depresión clínica y calcula el número medio de síntomas. El investigador probablemente desee usar esta estadística de muestra (el número medio de síntomas para la muestra) para sacar conclusiones sobre el parámetro de población correspondiente (el número medio de síntomas para adultos con depresión clínica).
Desafortunadamente, las estadísticas de muestra no son estimaciones perfectas de sus parámetros de población correspondientes. Esto se debe a que hay una cierta cantidad de variabilidad aleatoria en cualquier estadística de muestra a muestra. El número medio de síntomas depresivos podría ser 8.73 en una muestra de adultos con depresión clínica, 6.45 en una segunda muestra y 9.44 en un tercio, a pesar de que estas muestras se seleccionan al azar de la misma población. Del mismo modo, la correlación (R de Pearson) entre dos variables podría ser +.24 en una muestra, −.04 en una segunda muestra y +.15 en un tercio, a pesar de que estas muestras se seleccionan al azar de la misma población. Esta variabilidad aleatoria en un estadístico de muestra a muestra se llama error de muestreo. (Tenga en cuenta que el término error aquí se refiere a una variabilidad aleatoria y no implica que nadie haya cometido un error. Nadie «comete un error de muestreo»).
Una implicación de esto es que cuando hay una relación estadística en una muestra, no siempre está claro que hay una relación estadística en la población. Una pequeña diferencia entre dos medios de grupo en una muestra podría indicar que hay una pequeña diferencia entre las dos medias de grupo en la población. Pero también podría ser que no hay diferencia entre las medias en la población y que la diferencia en la muestra es solo una cuestión de error de muestreo. Del mismo modo, un valor R de Pearson de −.29 en una muestra podría significar que existe una relación negativa en la población. Pero también podría ser que no hay relación en la población y que la relación en la muestra es solo una cuestión de error de muestreo.
De hecho, cualquier relación estadística en una muestra puede interpretarse de dos maneras:
- Hay una relación en la población, y la relación en la muestra refleja esto.
- No hay relación en la población, y la relación en la muestra solo refleja el error de muestreo.
El propósito de las pruebas de hipótesis nulas es simplemente ayudar a los investigadores a decidir entre estas dos interpretaciones.
¿Qué es hipótesis nula y alternativa ejemplos?
La hipótesis nula, H0 es el hecho comúnmente aceptado; Es lo opuesto a la hipótesis alternativa. Los investigadores trabajan para rechazar, anular o refutar la hipótesis nula. Los investigadores presentan una hipótesis alternativa, una que creen que explica un fenómeno y luego trabajan para rechazar la hipótesis nula.
La palabra «nula» en este contexto significa que es un hecho comúnmente aceptado que los investigadores trabajan para anular. ¡No significa que la declaración sea nula (es decir, equivale a nada) en sí! (Quizás el término debería llamarse la «hipótesis anulificable», ya que eso podría causar menos confusión).
La respuesta corta es que, como científico, debe hacerlo; Es parte del proceso científico. La ciencia utiliza una batería de procesos para probar o refutar teorías, asegurándose de que cualquier nueva hipótesis no tenga defectos. Incluir tanto una hipótesis nula como una alternativa es una salvaguardia para garantizar que su investigación no sea defectuosa. No incluir la hipótesis nula en su investigación es considerada muy mala práctica por la comunidad científica. Si se propuso probar una hipótesis alternativa sin considerarla, es probable que esté preparándose para el fracaso. Como mínimo, es probable que su experimento no se tome en serio.
No hace mucho tiempo, la gente creía que el mundo era plano.
- Hipótesis nula: H0: El mundo es plano.
- Hipótesis alternativa: el mundo es redondo.
Varios científicos, incluido Copérnico, se propusieron refutar la hipótesis nula. Esto eventualmente condujo al rechazo del nulo y la aceptación de la alternativa. La mayoría de las personas lo aceptaron, ¡los que no crearon la Sociedad Flat Earth! ¿Qué habría pasado si Copérnico no hubiera refutado el TI y simplemente demostrara la alternativa? Nadie lo habría escuchado. Para cambiar el pensamiento de las personas, primero tuvo que demostrar que su pensamiento estaba mal.
¿Qué es una hipótesis nula y alterna ejemplos?
Ahora, desea verificar si 113,000 está lo suficientemente cerca de la media verdadera, predicha por nuestra muestra. En caso de que lo sea, aceptaría la hipótesis nula. De lo contrario, rechazaría la hipótesis nula.
El concepto de hipótesis nula es similar a: inocente hasta que se demuestre culpable. Suponemos que el salario medio es de 113,000 dólares e intentamos demostrar lo contrario.
Digamos que su amigo, Paul, le dijo que cree que los científicos de datos ganan más de 125,000 dólares por año. Lo dudas, así que diseñas una prueba para ver quién tiene razón.
La hipótesis nula de esta prueba sería: el salario medio de los científicos de datos es de más de 125,000 dólares.
La alternativa cubrirá todo lo demás, por lo tanto: el salario medio del científico de datos es menor o igual a 125,000 dólares.
IMPORTANTE: ¡Los resultados de las pruebas se refieren al parámetro de población en lugar del estadístico de muestra! Entonces, el resultado que obtenemos es para la población.
IMPORTANTE: Otra consideración crucial es que, en general, el investigador está tratando de rechazar la hipótesis nula. Piense en la hipótesis nula como el status quo y la alternativa como el cambio o la innovación que desafía ese status quo. En nuestro ejemplo, Paul estaba representando el status quo, que estábamos desafiando.
Vamos a repasarlo una vez más. En estadísticas, la hipótesis nula es la declaración que estamos tratando de rechazar. Por lo tanto, la hipótesis nula es el estado actual de las cosas, mientras que la alternativa es nuestra opinión personal.
¿Qué es la hipótesis alternativa ejemplos?
La prueba real comienza considerando dos hipótesis. Se llaman la hipótesis nula y la hipótesis alternativa. Estas hipótesis contienen puntos de vista opuestos.
H0: La hipótesis nula: es una declaración sobre la población que se cree que es verdad o se usa para presentar un argumento a menos que se pueda demostrar que sea incorrecto más allá de una duda razonable.
HA: La hipótesis alternativa: es una afirmación sobre la población que es contradictoria con H0 y lo que concluimos cuando rechazamos H0.
Dado que las hipótesis nulas y alternativas son contradictorias, debe examinar la evidencia para decidir si tiene suficiente evidencia para rechazar la hipótesis nula o no. La evidencia es en forma de datos de muestra.
Después de haber determinado qué hipótesis admite la muestra, usted hace adecisión. Hay dos opciones para una decisión. Están «rechazados H0» si la información de la muestra favorece la hipótesis alternativa o «no rechazan H0» o «se negan a rechazar H0» si la información de la muestra es insuficiente para rechazar la hipótesis nula.
H0 siempre tiene un símbolo con igual. Ha nunca tiene un símbolo con igual. La elección del símbolo depende de la redacción de la prueba de hipótesis. Sin embargo, tenga en cuenta que muchos investigadores (incluidos uno de los coautores en el trabajo de investigación) usan = en la hipótesis nula, incluso con> o Artículos Relacionados:
